EENet：一种用于山区复杂环境中落石检测的边界增强网络

1. 引言

随着山区交通基础设施的快速发展，落石灾害严重威胁道路安全和通行效率。传统方法如人工巡检与专业传感设备存在效率低、成本高、实时性差等问题。基于深度学习的目标检测方法，尤其是YOLO系列，虽在落石识别中展现出潜力，但在低光照、雨雾、动态模糊等复杂场景下识别性能仍显不足，且缺乏专门针对落石的高质量数据集，制约了模型性能的进一步提升。

为此，本文构建了高质量山区落石数据集MRDataset，并提出一种面向复杂环境的边缘增强检测网络EENet，旨在提升实际场景下的落石识别能力，为山区交通安全监测提供有效的技术解决方案。

2. 数据集

本文构建并开源了山区落石专用数据集MRDataset，涵盖多种光照、天气及运动干扰条件。该数据集共包含3,921张真实场景图像与12,314个标注实例，按8:1:1划分训练集、验证集与测试集，为模型训练与评估提供可靠数据基础。数据集已公开于：https://github.com/muranhb/MRDataset。

3. 模型改进与实验分析

 针对YOLO11基础模型无法适应复杂山区的落石检测难题，我们提出了EENet边界增强网络模型，通过系统性提高模型对边界特征的敏感程度，从而提高模型在复杂环境下的检测精度。首先使用Edge Spatial Stem模块在网络浅层提取丰富的边缘和空间特征，提高对边界的感知能力。其次，使用Global Edge Fusion Network全局边界融合网络实现边缘特征的跨尺度融合，提高模型对多尺度目标的感知能力。然后，引入DWR^[1]模块改进C3k2，确保上下文特征的一致性。在此基础上，我们对模型进行了剪枝和蒸馏，实现模型的轻量化和模型性能的无损提升。

为了验证模型的性能，我们通过消融实验证明了改进模块的有效性。通过与主流模型的对比，得出EENet在精度和速度上实现了较好的平衡。通过可视化分析直观展示了模型的检测效果，图 3中可以看出，EENet在复杂环境中能够获取更多的落石边界特征，表明了本文模型改进思路的有效性。此外，在蒸馏实验中，我们进行了交叉验证试验，从数学统计的角度证明了模型蒸馏在较小数据集上的有效性。

4. 结论

本文提出的EENet模型通过增强边缘特征提取与多尺度特征融合，有效提升了复杂环境下落石的检测性能。在公开数据集上的实验证明了该方法在精度和速度方面的优势。在构建的MRDataset上，EENet取得了82.5%的mAP₅₀和67.6 FPS的检测速度，在保持高精度的同时实现了良好的实时性。尽管检测速度较基线模型略有下降，但通过剪枝与知识蒸馏技术，模型参数量与计算量分别显著降低75.86%和62.96%，展现了良好的部署前景。未来工作将聚焦于模型轻量化优化、预警阈值研究以及检测-预警一体化平台开发，为实现落石灾害的智能监测提供完整的技术支撑。

参考文献

[1]    Wei H, Liu X, Xu S, et al. DWRSeg: Rethinking Efficient Acquisition of Multi-scale Contextual Information for Real-time Semantic Segmentation[Z]. 2023.

 

目标检测,落石识别,YOLO11,边界增强