来源：期刊VIP网 时间：
作者：朱永军;蔡光琪;韩进;缪燕子;马小平;焦文华;
单位：中国矿业大学信息与控制工程学院;中煤平朔集团有限公司;中国矿业大学人工智能研究院;
摘要：露天矿小目标检测任务面临视角广、检测距离远导致目标成像小的挑战，现有目标检测模型存在图像逐层下采样操作引发的特征衰减问题。针对该问题，提出了一种改进YOLOv11模型，并将其用于露天矿复杂背景下小目标检测。改进YOLOv11模型通过引入鲁棒特征下采样（RFD）模块替换跨步卷积下采样模块，有效保留了小目标的特征信息；设计了小目标特征增强颈部（STFEN）网络替代原有特征金字塔结构的颈部网络，在模型颈部引入跨阶段部分融合模块，整合来自不同层级的特征图；将原有的CIoU损失函数替换为Powerful-IoU(PIoU)损失函数，解决了训练过程中锚框膨胀问题，使模型快速精准聚焦小目标。在露天矿区小目标数据集上的实验结果表明：(1) RFD模块使模型参数量减少的同时mAP提升了1.5%;STFEN网络虽使模型参数量有所增加，但mAP提升了2.2%;PIoU损失函数在未改变模型参数量及每秒浮点运算次数的前提下使mAP提升了1.7%；三者联合应用最终使模型mAP提升了3.9%。(2)改进YOLO11模型在保持较高推理速度的同时实现了精度提升，其mAP较YOLOv5m,YOLOv8m,YOLOv11m和RtDetr-L分别提高了2.6%,1.5%,0.9%和2.2%，且模型参数量更小，易于边缘部署。
关键词：露天矿;小目标检测;YOLOv11;鲁棒特征下采样;小目标特征增强颈部;PIoU损失函数
基金资助：国家自然科学基金项目（62473370）
