计算机工程与应用

作者：牛宏侠, 李朔, 侯涛, 张文韬

单位：兰州交通大学 自动化与电气工程学院，兰州 730070；

关键词：铁路异物,YOLO11,遮挡目标,多尺度目标,深度学习

基金：甘肃省重点研发计划-工业类项目（23YFGA0049）；兰州市人才创新创业项目（2023-RC-13）；甘肃省科技专员专项（24CXGA020）。

针对现有的铁路异物检测方法在复杂背景（如低照度、沙尘天气、远景小目标及遮挡场景）等条件下普遍存在误检、漏检以及检测速度慢等问题，提出一种基于YOLO11改进的铁路异物检测算法MDQF-YOLO。设计了高效特征提取模块MEAN-C3K2，增强对复杂环境下多尺度目标和远景小目标的特征提取能力；设计全新的颈部结构DRFPN，通过结合双向特征金字塔、跨阶段特征连接和动态采样机制，提升了在复杂遮挡场景下的检测性能；提出质量增强共享检测头QESH（quality-enhanced shared head），减少参数量的同时解决了分类置信度与定位精度不匹配的问题；引入Focaler-ShapeIoU损失函数代替CIoU损失函数，通过聚焦不同回归样本，在解决样本分布不平衡的同时优化了边界框回归精度。实验结果表明，MDQF-YOLO在自制铁路异物数据集上的mAP@0.5和mAP@0.5：0.95较基准模型分别提升了3.6和6.0个百分点，检测速度达到154 FPS，满足了铁路入侵异物检测中对检测精度和实时性的需求。此外，模型在VisDrone2019-DET和SODA-A数据集上的泛化性测试也取得了较好的结果，充分验证了模型的有效性和泛化性。

来源：2026年第8期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第8期