《Frontiers in Earth Science》：Enhanced rock block detection method based on an improved YOLOv11
编辑推荐：
本文提出了一种基于改进YOLOv11的岩石块体检测增强方法（YOLOv11-SNS），通过引入轻量级Slim-Neck模块优化特征融合路径，并采用SIoU损失函数提升不规则岩石目标的定位精度。实验表明，该方法在保持6.4 GFLOPs计算复杂度的同时，mAP@0.5提升至0.684（较基线提升1.03%），F1分数达0.66，为复杂地质环境下的地质灾害预警、矿山安全监测等场景提供了高效可靠的技术方案。
引言
岩石块体检测作为地质工程与矿山安全领域的核心技术，在滑坡监测、露天采矿安全作业及隧道施工风险评估中具有重要作用。传统检测方法依赖人工视觉或经典图像处理技术（如边缘检测、纹理分析），在复杂地质环境中面临精度不足、实时性差的挑战。深度学习技术尤其是YOLO系列算法，凭借其速度与精度的平衡优势，为岩石块体检测提供了新思路。
相关工作
传统岩石检测方法主要基于阈值分割、边缘检测（Canny、Sobel）及纹理特征（GLCM、LBP），但受光照变化、背景干扰限制显著。机器学习方法（SVM、随机森林）虽提升了泛化性，仍依赖手工特征设计。深度学习方法中，两阶段检测器（如Faster R-CNN）精度高但速度慢，单阶段检测器（如YOLO系列）更适合实时场景。YOLOv11作为最新版本，通过C3K2模块和C2PSA注意力机制增强了检测性能，但针对岩石块体的不规则形态、尺度多变及低区分度特性，仍需进一步优化。
改进方法
YOLOv11架构与局限性分析
YOLOv11采用CSPDarknet骨干网络、多尺度特征融合颈部及解耦检测头结构。但其原生颈部计算复杂度高，CIoU损失函数在岩石块体不规则边界框回归中存在梯度冲突问题（如宽高更新方向矛盾）。
Slim-Neck轻量级特征融合架构
- •
GSConv模块：融合标准卷积（SC）与深度可分离卷积（DSC）优势，通过并联分支特征拼接与通道混洗操作，实现高效特征交互。
- •
VoV-GSCSP模块：采用跨阶段部分连接与一次性聚合策略，增强特征复用率，降低计算开销。
SIoU损失函数优化
- •
角度感知距离损失：引入预测框与真实框中心连线的角度计算（公式2），通过角度成本函数（公式3）动态调整回归方向。
- •
形状损失：直接惩罚宽高差异（公式5），避免CIoU的宽高梯度冲突，提升不规则岩石框的拟合能力。
- •
完整损失公式：LSIoU= 1 - IoU + (Δ + Ω)/2（公式6），综合IoU、距离与形状约束。
YOLOv11-SNS集成架构
保留YOLOv11骨干网络，将颈部标准卷积替换为GSConv，关键特征聚合节点引入VoV-GSCSP，检测头回归损失替换为SIoU。整体架构在保持特征提取能力的同时，显著降低参数量（增至2,740,435），计算复杂度维持6.4 GFLOPs。
实验与分析
数据集与评估指标
使用Roboflow公共岩石数据集（6,904张图像），按mAP@0.5、F1分数、参数量及GFLOPs综合评估。
消融实验
基线YOLOv11的mAP@0.5为0.677，F1分数0.65。单独引入Slim-Neck后mAP@0.5提升至0.682；单独使用SIoU损失时mAP略降（0.675），但二者结合的YOLOv11-SNS实现最优性能（mAP@0.5=0.684，F1=0.66），验证了模块协同有效性。
对比实验
与YOLOv5（mAP@0.5=0.658）、YOLOv12（0.679）、YOLOv13（0.678）及RT-DETR-ResNet50（mAP@0.5=0.672，GFLOPs=130.5）相比，YOLOv11-SNS在精度与效率平衡性上显著优于对比模型。
可视化结果
在密集岩石场景中，YOLOv11-SNS对小尺度岩石（图像占比<2%）检测效果显著优于基线模型，且边界框定位更准确；RT-DETR-ResNet50出现严重过检测问题，实用性低。
结论与展望
YOLOv11-SNS通过轻量级特征融合与形状自适应损失函数，有效提升了复杂地质环境下岩石块体检测的精度与效率。未来研究方向包括动态损失函数设计、多光谱数据融合及边缘设备轻量化部署，以推动地质灾害预警系统的实际应用。
