基于改进YOLOv11n模型的InSAR形变区域快速检测方法

摘要

干涉合成孔径雷达（InSAR）技术凭借其地表形变监测精度高、覆盖范围广的优势，已成为地表形变监测的重要手段。然而，形变目标通常存在显著的尺度和形态差异，且在形变密集区边界呈现模糊和不规则特征。现有检测模型在细粒度和边缘信息表征方面存在不足，导致小尺度形变区漏检及密集区边界定位不准确。为解决这一问题，提出了一种融合InSAR与目标检测算法的形变区域快速识别方法。该方法首先利用SBAS-InSAR技术获取形变速率图，然后在YOLOv11n的特征提取与特征融合层中引入多尺度空洞卷积、动态上采样和上下文引导下采样等模块，构建了高精度InSAR形变检测网络，实现了对不同尺度与复杂形态形变区域的高效精准识别。在甘肃白龙江流域的实验中，本次研究基于改进YOLOv11n模型的InSAR形变区域快速检测方法在形变区域检测中取得了较高的召回率（89.5%）、准确率（91.7%）和平均精度(AP₅₀=91.3%)。此外，在公开贵州省InSAR数据集上的泛化实验进一步验证了该方法在不同区域的鲁棒性和稳定性。本文提出的方法在保证计算效率的前提下，实现了广域InSAR形变区域的高精度识别，能够满足广域地表形变监测的实际需求。

关键词

深度学习 / InSAR / 目标检测 / 形变区域识别 / YOLOv11n