基于改进YOLO11n的林分小径木识别方法

摘要

针对复杂林分中小径木树干细长、易遮挡且与背景纹理相似导致检测困难的问题，在自建小径木图像数据集基础上，提出基于YOLO11n构建轻量化改进模型——LDM-YOLO,LDM是由LSKA(large separable kernel attention)、DySample动态上采样与MBConv-Detect首字母缩写。方法上，在Backbone中引入双卷积跨阶段部分网络瓶颈‑大核可分离卷积注意力模块（cross‑stage partial network bottleneck with 2 convolutions-large separable kernel attention,C3k2-LSKA），增强细长树干及其上下文特征的表征能力；在Neck中采用DySample动态上采样，细化多尺度特征对齐；在检测头回归分支中使用移动倒置残差卷积‑检测结构（mobile inverted bottleneck convolution-detection head,MBConv-Detect），以降低参数量和计算量。试验结果表明，在自建小径木数据集上，提出的LDM-YOLO模型的mAP50和mAP50-95分别较YOLO11n提升3.1和2.3个百分点，GFLOPs从6.3 G降至5.1 G，在保持推理开销较低的前提下取得更高的检测精度。对比Faster R-CNN、YOLOv5n、YOLOv8n和YOLOv10n等代表算法，LDM-YOLO在相近或更低计算复杂度下取得了更优的综合检测性能。研究证明所提出模型在小径木检测任务中能够较好地兼顾精度与轻量化，为后续面向资源受限平台的林业智能装备应用提供了有益的参考。

关键词

小径木检测 / YOLO11 / 大核注意力 / 动态上采样 / 轻量化 / 特征增强 / MBConv / 林下复杂场景