MRS-YOLO：基于改进YOLO11与通道剪枝的铁路输电线异物检测
计算机视觉与模式识别
2025-10-14 v1
摘要
针对铁路环境下输电线异物检测中存在的漏检、误检及检测效率低的问题，我们提出了一种基于YOLO11的改进算法MRS-YOLO。首先，提出了一个多尺度自适应核深度特征融合（MAKDF）模块，并将其与C3k2模块融合形成C3k2_MAKDF，增强了模型对不同尺寸和形状异物的特征提取能力。其次，设计了一种新颖的重校准特征融合金字塔网络（RCFPN）作为颈部结构，以增强模型有效整合和利用多级特征的能力。然后，设计了基于空间和通道预处理的空间与通道重建检测头（SC_Detect），以提升模型的整体检测性能。最后，采用通道剪枝技术来减少改进模型的冗余，大幅降低参数量和每秒千兆浮点运算次数（GFLOPs），并提高检测效率。实验结果表明，本文提出的MRS-YOLO算法的mAP50和mAP50:95分别提升至94.8%和86.4%，相比基线分别提高了0.7和2.3个百分点，同时参数量和GFLOPs分别降低了44.2%和17.5%。这表明改进后的算法能更好地应用于铁路输电线异物检测任务。
引用
@article{arxiv.2510.10553,
title = {MRS-YOLO Railroad Transmission Line Foreign Object Detection Based on Improved YOLO11 and Channel Pruning},
author = {Siyuan Liu and Junting Lin},
journal= {arXiv preprint arXiv:2510.10553},
year = {2025}
}