来源：期刊VIP网 时间：
作者：李天文;童星;李俊涛;李功权;
单位：长江大学地球科学学院;湖北省地质局第八地质大队;
摘要：露天矿山作业环境复杂，无人机遥感图像中机械目标往往存在尺度差异显著、背景干扰繁杂及小目标易漏检等问题。针对上述问题，提出了一种面向露天矿山无人机遥感影像机械小目标识别的轻量化模型——CDMG-YOLO。该模型以YOLOv11n为基础进行改进：在特征感知阶段，新增P2检测头与主干浅层特征协同构建细粒度信息通道，增强小目标细节特征；在特征建模阶段，通过引入可变形大卷积核注意力（DLKA）的D-C3k2模块扩展感受野并提升尺度泛化能力；在特征融合阶段，双重注意力机制——卷积与注意力融合模块（CAFM）与多维协作注意力模块（MCAM）在通道与空间层面实现特征的多维交互与自适应加权，从而突出目标特征并抑制背景干扰；在训练优化阶段，采用结合梯度协调机制损失函数（GHM Loss）的复合损失函数，平衡了难易样本在训练过程中的梯度贡献，有效缓解了正负样本不均衡问题。实验结果表明：在自建的覆盖多类露天矿山机械小目标的无人机遥感数据集上，CDMG-YOLO的精确率和mAP@0.5分别达0.859和0.697，且参数量仅为3.1×10~6，每秒浮点运算次数为12.7×10~9，在保证高精度的同时兼顾了轻量化与高效性；在低对比度、目标严重遮挡及多目标密集分布等复杂露天矿山作业场景中，CDMG-YOLO模型实现了对目标的精准定位与识别；在公开LEVIR数据集上，CDMG-YOLO能准确识别不同类型目标，具有良好的泛化能力。
关键词：露天矿;;改进YOLOv11;;无人机;;遥感影像;;小目标识别;;双重注意力机制
基金资助：国家自然科学基金青年科学基金项目（41701537）
