基于多尺度特征融合的树木检测算法——DDC-YOLO

摘要

针对树木检测存在的遮挡干扰和光照不充分等问题，提出一种基于改进YOLOv10的检测算法——DDC-YOLO,DDC是由dynamic、DAF(dynamic align fusion)与CG-FPN(context guided-feature pyramid network)首字母拼写。首先，设计动态卷积混合模块（dynamic convolutional mix block,DCMB），通过自适应动态卷积增强多尺度特征融合能力，解决传统卷积核单一性问题；其次，提出双主干动态特征融合网络，结合RT-DETR(real-time detection transformer)和YOLOv10的主干结构，并利用动态对齐融合（dynamic align fusion,DAF）模块调整特征权重，提升模型对不同特征的适应性；进一步引入金字塔上下文特征提取和空间特征重建技术优化颈部网络，实现多层次语义信息的深度融合。试验基于自建数据集TreeImages（包含7 475张图像）进行验证，结果表明，DDC-YOLO的mAP50达到46.7%，较原YOLOv10模型提升5.0个百分点，参数量由2.27 M降至2.26 M（减少0.44%），检测速度（FPS）由202帧/s提升至254帧/s（提升25.4%）。改进后的模型在复杂场景下表现出更高的鲁棒性和实时性，为森林资源调查提供了高效解决方案。

关键词

YOLOv10 / 目标检测 / 计算机视觉 / 双主干式动态融合 / 多尺度特征重建