来源：期刊VIP网 时间：
作者：曹婷;冯治东;郭红波;罗晓春;
单位：榆林学院信息工程学院;
摘要：针对露天矿作业区遮挡严重、扬尘干扰、图像模糊等复杂环境下车辆障碍物检测存在漏检、误检的问题，在YOLOv11n的基础上提出了一种YOLO-DIS模型，用于露天矿复杂环境下车辆障碍物检测。该模型引入迭代注意力特征融合（iAFF）改进C3k2模块，通过两阶段迭代注意力融合强化了复杂情况下的特征提取能力；采用轻量化动态上采样代替原有的最近邻插值法，通过学习采样点偏移量，根据目标形状及遮挡情况动态调整采样位置，有效弥补了因固定采样规则导致的被遮挡目标边缘特征恢复不准确的缺陷；采用SlideLoss损失函数对不同难度的样本赋予差异化权重，解决了样本分布不均衡问题。实验结果表明：相较于YOLOv11n,YOLO-DIS模型在参数量仅少量增加的情况下，精确率、召回率、mAP@0.5分别提升了4.4%,7.3%,4.0%；与主流目标检测模型相比，YOLO-DIS模型的mAP@0.5最高；YOLO-DIS模型在自制数据集和KITTI数据集上均保持了较好的检测性能，具有良好的泛化性；在遮挡严重、扬尘干扰、图像模糊、小目标检测、背景干扰等场景下，YOLO-DIS模型检测框置信度更高，有效减少了漏检情况。
关键词：露天矿;;车辆障碍物检测;;YOLOv11n;;迭代注意力融合;;动态上采样;;SlideLoss损失
基金资助：国家自然科学基金地区科学基金项目（52264011）;; 陕西省重点研发计划项目（2024SF-YBXM-610）
