一种基于改进YOLOv11的铁路树木侵限检测方法、系统和可读介质与流程

本发明涉及一种基于改进yolov11的铁路树木侵限检测方法、系统和可读介质，属于智能图像处理。

背景技术：

1、在铁路运输系统中，铁路线路的安全运行是保障人员生命安全和运输效率的关键因素。随着我国铁路网络规模的不断扩大以及山区、林区铁路线路的持续建设，铁路沿线自然环境复杂多变，树木倒伏、枝干侵入轨道限界等情况频繁发生，容易对列车运行安全造成严重威胁。

2、随着铁路沿线监控系统的普及，基于深度学习的目标检测算法（如yolo系列）逐渐被应用于铁路异物入侵检测中。目前，以yolov11为代表的最先进（sota）算法虽然在通用目标检测任务中表现优异，但在面对铁路树木侵限检测这一特定任务时仍存在一定的局限性。首先，侵限树木目标具有极大的类内差异性，属于同一类别的树木目标呈现出截然不同的视觉形态：有的表现为结构单一的树干；有的表现为包含复杂根系结构的树桩，有的则表现为包含大量枝叶结构的完整倒伏树木。yolov11原有的骨干网络主要依赖具有固定几何形状和固定感受野的卷积核进行特征提取，难以同时适应上述多种目标形态，从而导致模型特征提取能力不足，产生漏检。

3、其次，铁路场景中侵限树木在空间分布上具有明显的多尺度特性，近距离目标尺度较大、易于检测，而远距离目标尺度极小且样本稀缺，yolov11原有的特征融合网络panet在进行跨尺度特征聚合时，远端微小目标的弱纹理特征极易丢失，从而造成对小目标的漏检。

4、此外，倒伏树木通常呈现细长形态，且往往具有一定的倾斜角度，若直接沿用yolov11的水平边界框（hbb）进行标注和检测，框内将引入大量背景信息，导致目标区域的信噪比降低，从而干扰网络对核心特征的学习，影响检测精度。

5、综上所述，将yolov11应用于铁路树木侵限检测时，在适应目标形态变化（类内差异）、远距离小目标特征保持以及目标标注有效性等方面存在明显的技术不足，亟需针对性的改进与优化。

技术实现思路

1、针对上述问题，本发明的目的是提供一种基于改进yolov11的铁路树木侵限检测方法、系统和可读介质，以提高对同类不同形态目标的特征对齐能力，有效缓解树木目标类内差异大的特征提取问题。

2、为实现上述目的，本发明提出了以下技术方案：一种基于改进yolov11的铁路树木侵限检测方法，包括以下步骤：将铁路周边树木图像输入yolov11模型；通过所述yolov11模型的c3k2模块中可变形卷积网络dcn提取不同尺寸的树木的形态特征，普通卷积的采样点位置固定，而可变形卷积通过偏移分支学习每个采样点的偏移量，使采样点能够沿倒伏树干、倾斜枝干、弯曲根系等目标轮廓分布，从而提高对细长、不规则、倾斜树木目标的特征提取能力。对远距离小目标的形态特征进行增强；通过双向特征金字塔网络对所述树木的形态特征和经过增强的远距离小目标的形态特征进行融合；将经过融合的特征输入旋转目标检测头进行预测，实现铁路树木侵限检测。

3、进一步，所述铁路周边树木图像的获取方法为：通过摄像头获得铁路周边树木图像的视频，将所述视频解码为铁路周边树木图像，通过数据集标注软件对所述铁路周边树木图像进行标注，标注格式为旋转边界框；通过标注的所述铁路周边树木图像验证yolov11模型输出结果。

4、进一步，所述yolov11模型包括依次连接的四个c3k2模块，第四个c3k2模块通过sppf模块与c2psa模块连接，将第一个c3k2模块、第二个c3k2模块、第三个c3k2模块和所述c2psa模块输出的特征进行尺寸对齐，拼接融合后输出。

5、进一步，第一个c3k2模块、第二个c3k2模块、第三个c3k2模块和所述c2psa模块输出的特征各通过一个所述旋转目标检测头输出，通过第一个c3k2模块输出的特征对远距离小目标的形态特征进行增强。

6、进一步，第三个c3k2模块和第四个c3k2模块中均包括可变形卷积网络。

7、进一步，所述可变形卷积网络通过偏移网络，预测出输入的特征图中每个采样点的偏移量，根据所述偏移量调整每个采样点的位置，对每个所述采样点进行加权处理，从而获得卷积核的采样位置，通过学习偏移量增强卷积对几何形变的建模能力。

8、进一步，所述可变形卷积网络提取不同尺寸的树木的形态特征的方法为：对输入的铁路周边树木图像进行depthwise卷积，获得目标框；将所述目标库分为深度分享权重和点分享权重；根据深度分享权重获得各个深度的权重矩阵，根据点分享权重获得各个采样点的权重矩阵；根据深度的权重矩阵获得偏移地图；根据采样点的权重矩阵获得调制地图；将所述偏移地图、调制地图和输入的铁路周边树木图像融合，获得不同尺寸的树木的形态特征。

9、进一步，所述旋转目标检测头采用yolov11-obb的旋转目标检测头进行预测，通过包含角度参数的旋转边界框，实现对任意倾斜方向侵限树木的精准定位。

10、本发明公开了一种基于改进yolov11的铁路树木侵限检测系统，包括：数据输入模块，用于将铁路周边树木图像输入yolov11模型；树木形态特征提取模块，用于通过所述yolov11模型的c3k2模块中可变形卷积网络提取不同尺寸的树木的形态特征；小目标增强模块，用于对远距离小目标的形态特征进行增强；特征融合模块，用于通过双向特征金字塔网络对所述树木的形态特征和经过增强的远距离小目标的形态特征进行融合；模型预测模块，用于将经过融合的特征输入旋转目标检测头进行预测，实现铁路树木侵限检测。

11、本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如上述任一项所述的基于改进yolov11的铁路树木侵限检测方法。

12、本发明的技术方案至少具有如下技术效果或优点：相比传统yolov11模型，本发明通过在高层语义特征提取阶段引入可变形卷积，使卷积采样位置随输入特征自适应变化，以提高对同类不同形态目标的特征对齐能力，有效缓解树木目标类内差异大的特征提取问题；其次，将原有的特征融合网络panet(path aggregation network)修改为bifpn(bidirectional feature pyramid network)，并引入p2小目标检测层，确保远距离微小目标的特征保留，在不影响计算效率的前提下提升检测召回率；最后，应用obb(orientedbounding box)旋转检测头，通过角度回归紧密贴合倾斜目标，减少了大量背景噪声，显著提高复杂环境下的判定精度。

1.一种基于改进yolov11的铁路树木侵限检测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于改进yolov11的铁路树木侵限检测方法，其特征在于，所述铁路周边树木图像的获取方法为：通过摄像头获得铁路周边树木图像的视频，将所述视频解码为铁路周边树木图像，通过数据集标注软件对所述铁路周边树木图像进行标注，标注格式为旋转边界框；通过标注的所述铁路周边树木图像验证yolov11模型输出结果。

3.如权利要求1所述的基于改进yolov11的铁路树木侵限检测方法，其特征在于，所述yolov11模型包括依次连接的四个c3k2模块，第四个c3k2模块通过sppf模块与c2psa模块连接，将第一个c3k2模块、第二个c3k2模块、第三个c3k2模块和所述c2psa模块输出的特征进行尺寸对齐，拼接融合后输出。

4.如权利要求3所述的基于改进yolov11的铁路树木侵限检测方法，其特征在于，第一个c3k2模块、第二个c3k2模块、第三个c3k2模块和所述c2psa模块输出的特征各通过一个所述旋转目标检测头输出，将第一个 c3k2 模块输出的 p2 高分辨率特征接入特征融合网络，并设置与 p2 对应的检测头，用于检测远距离小尺度树木目标。

5.如权利要求3所述的基于改进yolov11的铁路树木侵限检测方法，其特征在于，第三个c3k2模块和第四个c3k2模块中均包括可变形卷积网络。

6.如权利要求5所述的基于改进yolov11的铁路树木侵限检测方法，其特征在于，所述可变形卷积网络通过偏移网络，预测出输入的特征图中每个采样点的偏移量，根据所述偏移量调整每个采样点的位置，对每个所述采样点进行加权处理，从而获得卷积核的采样位置。

7.如权利要求6所述的基于改进yolov11的铁路树木侵限检测方法，其特征在于，所述可变形卷积网络提取不同尺寸的树木的形态特征的方法为：

8.如权利要求1-7任一项所述的基于改进yolov11的铁路树木侵限检测方法，其特征在于，所述旋转目标检测头采用yolov11-obb的旋转目标检测头进行预测，通过包含角度参数的旋转边界框，实现对任意倾斜方向侵限树木的精准定位。

9.一种基于改进yolov11的铁路树木侵限检测系统，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-8任一项所述的基于改进yolov11的铁路树木侵限检测方法。