研究目标与意义
矿产资源是人类生存和经济发展的重要物质基础，开展矿山监测、建立矿山监测模型对矿产资源的高效开发和矿区环境保护具有重要意义。
针对露天矿区背景复杂、目标尺度多样且小目标聚集的特点，本研究旨在构建兼顾监测精度与效率的轻量化模型，以提升矿区目标地物监测的准确性和效率。
技术路线
OMTSFD数据集构建
六大露天煤矿基地
数据集特征
数据来源
0.9m天地图影像 + 1.8m谷歌影像
目标类别
采区、排土场、建筑物、水体、道路
数据规模
总计7,598张图像，训练集5,318张
公开遥感数据集对比
| 数据集名称 | 类别 | 存储格式 | 图像大小 | 图像数/万 | 标注框数/万 |
|---|---|---|---|---|---|
| ImageNet | 200 | .xml | 256×256 | 1400 | 534 |
| NWPU-RESISC45 | 45 | .xml | 256×256 | 3.15 | 3.15 |
| Objects365 | 365 | .xml | 512×683 | 638 | 10,101 |
| FAIR1M | 37 | .xml | 1,000×1,000~10,000×10,000 | 164 | 2,000 |
YOLO11-DAE模型架构
YOLO11-DAE模型以YOLO11为基线模型，结合DBB、ADown和E_Detect三个核心模块构建而成，实现了精度与效率的完美平衡。
C3K2-DBB模块
在骨干网络和特征金字塔中引入多分支卷积模块，增强多尺度特征捕获能力，解决单一卷积路径难以捕捉矿区地物多尺度特征的问题。
核心优势：结构重参数化，训练时多分支协同学习，推理时等效为单分支，不增加推理时间
ADown模块
采用ADown模块替换网络下采样卷积，增强了模块对不同特征的表征能力，减少了低对比度场景的细节丢失。
技术特点：解决传统下采样固定降维模式导致的小目标特征丢失问题
E_Detect检测头
采用E_Detect高效检测头降低模型复杂度和参数量，避免深度可分离卷积堆叠带来的计算冗余，实现模型轻量化。
轻量化效果：减少网络复杂性和处理步骤，提升推理速度
实验结果与性能分析
FPS
推理速度
Precision
精确率
Recall
召回率
mAP
平均精度均值
与基线模型性能对比
相比YOLOv11n提升幅度
算法优势
应用场景与实际效果
实时监测
满足矿区实时监测需求，支持无人机平台高频次数据采集
多尺度识别
适用于多尺度、多背景等复杂场景的目标识别任务
智能化监管
实现矿区地物识别的自动化、智能化和规模化
研究结论与展望
本研究提出的YOLO11-DAE算法通过引入C3K2-DBB模块、ADown模块和E_Detect检测头，成功解决了露天矿区复杂场景下的目标识别难题。
实验结果表明，该算法在保持528.100 FPS高推理速度的同时，各项性能指标相较于YOLOv11n分别提升7.600%、10.000%、8.800%、8.000%，实现了精度与效率的完美平衡。
构建的OMTSFD数据集覆盖全国六大露天煤矿基地，具有显著的地理代表性和气候多样性，为矿山智能监测提供了重要的数据基础和技术支撑。
技术创新亮点
数据集创新
构建了首个大范围、多气候背景的露天煤矿典型地物数据集OMTSFD，包含采区、排土场、建筑物、水体、道路五类目标，覆盖全国六大煤矿基地。
数据优势：地理分布广泛、气候条件多样、标注质量高，显著提升模型泛化性能
算法架构创新
基于YOLO11进行深度优化，通过三个核心模块的协同作用，实现了多尺度特征提取、细节保留和轻量化设计的统一。
技术突破：解决了传统算法在复杂矿区场景下精度与速度难以兼顾的问题
性能提升显著
相比主流算法，在精确率、召回率、F1-Score和mAP等关键指标上均实现大幅提升，同时保持了优异的推理速度。
应用价值：满足实际矿区监测的高精度、实时性要求，具备良好的工程应用前景