换一批基于改进YOLOv11的粮仓作业人员异常行为检测方法研究
Research on Abnormal Behavior Detection of Grain Warehouse Workers Based on Improved YOLOv11
摘要针对粮仓作业场景中存在的目标遮挡、低光照干扰、多尺度小目标检测困难以及样本类别失衡等挑战,本文提出了一种基于改进YOLOv11 的粮仓作业人员异常行为检测算法.首先,引入Strip Pooling空间池化模块,通过增强长距离依赖关系与局部上下文信息提取能力,显著提升遮挡目标的识别能力;并将SPPF模块替换为MSCAM多尺度卷积注意力模块,通过多维度特征加权与多尺度特征融合,有效抑制光照变化对特征提取的干扰;其次,设计MEEM多尺度边缘增强模块重构C3K2主干网络,利用平均池化扩展感受野,提取多尺度边缘信息,强化远距离小目标的边缘特征定位;同时,采用 ATFL 全自适应阈值焦点损失函数,动态调整难易样本权重解决类别不平衡问题;最后,集成MLCA混合局部通道注意力模块,通过局部池化与一维卷积替代传统的二维卷积,在保证精度的前提下,降低参数量和计算复杂度.实验结果表明,改进后的模型关键指标平均提升 3％,验证了算法在复杂粮仓环境中的鲁棒性和适用性.
更多相关知识
关键词
YOLOv11粮仓作业异常行为检测多尺度特征融合YOLOv11grain storage operationanomaly behavior detectionmulti-scale feature fusion
分类号
TS210.8
栏目名称
DOI
10.16210/j.cnki.1007-7561.2026.01.023
发布时间
2026-03-19（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
