MAFF-YOLO:面向造林验收的明穴目标检测模型

摘要

【目的】为解决传统林场造林验收过程中存在的主观性强、缺乏科学性以及管理人员不足等问题，本研究提出一种基于单阶段目标检测框架的造林明穴检测模型MAFF-YOLO，旨在自动识别并统计造林明穴的数量和位置，推动造林验收的数字化转型，提高验收效率和科学性。【方法】基于YOLOv8模型，通过多方面改进获得了MAFF-YOLO。首先，采用MobileNetV4作为主干网络，引入更多参数和层次结构提高检测精度；其次，添加基于归一化的注意力模块（NAM），增强对明穴特征的捕捉能力，减少误检和漏检；然后，将特征融合模块替换为跨尺度特征融合模块（CCFM），在降低特征图拼接计算量的同时整合不同尺度特征，提升对小尺度明穴的检测能力；接着，将检测头替换为RFAHead，根据数据的复杂性和重要性动态调整感受野，增强网络对不同输入特征的适应性；最后，优化边界框损失函数为FocusCIoU，改善正负样本分布不平衡问题，增强对关键样本的学习能力。【结果】MAFF-YOLO在识别明穴数量和位置方面表现出较高的准确性。与基础YOLOv8模型相比，其精度提高了1个百分点，mAP50提高了0.7个百分点，F_0.5提高了0.6个百分点，且算法复杂度显著降低。【结论】在相同实验条件下，MAFF-YOLO相较于其他现有方法，在提升模型对造林明穴目标的检测效果方面表现出显著优势，并已成功集成至端到端的检测系统中，为造林验收的数字化提供了技术支持，进一步提升了造林验收的效率和科学性。

关键词

小目标检测 / YOLOv8 / 算法 / 数字化造林验收 / 无人机 / MobileNetV4 / NAM / CCFM