基于YOLOv10改进的轻量化红外无人机检测模型LW-UAV-YOLOv10在复杂山地环境中的应用研究

为解决小型无人机(UAV)在复杂山地环境中实时检测的难题，研究团队基于YOLOv10架构创新性提出LW-UAV-YOLOv10模型。通过Backbone模块替换为MobileNetV3、Head网络增加x-small目标检测层等改进，使模型在红外数据检测中实现89.1%的mAP0.5和164 FPS的高性能，模型体积较原版缩小50%以上，为安防领域提供高效轻量化的边缘计算解决方案。

　　

随着无人机技术的迅猛发展，其在农林监测、应急救援等领域发挥重要作用的同时，也带来了航空安全、边境管控等严峻挑战。尤其在复杂山地环境中，小型无人机因体积小、飞行高度低等特点，传统雷达、射频检测方法存在成本高、精度差的缺陷。当前基于视觉的检测技术虽取得进展，但YOLO系列模型在红外数据上的实时性和轻量化表现仍待提升，这成为制约安防应用的关键瓶颈。

针对这一难题，研究人员开展了基于YOLOv10架构的轻量化改进研究。通过分析SIDD数据集中的1093张山地红外图像特征，团队发现原模型对32像素以下目标的漏检率达21%。为此研究提出LW-UAV-YOLOv10模型，其核心创新在于：将Backbone替换为含SE通道注意力机制的MobileNetV3，参数量减少52%；在Head部分新增4倍下采样的x-small检测层，同时移除冗余的large-target检测模块。实验采用RTX4070 Ti Super显卡，通过150轮Adam优化训练，关键参数设置包括学习率0.01、批量大小16和640×640输入分辨率。

研究结果部分显示：在模型结构方面，图3对比显示改进后的网络层级减少18%，图5演示了新增P2检测头对微小目标的捕获能力。性能测试数据表明，该模型mAP_0.5达89.1%，较原版YOLOv10s提升1.7个百分点，FPS提升7.9%。表2的消融实验证实，单独移除P5模块可使FPS升至183，而结合MobileNetV3后模型体积仅8MB。横向对比表3可见，该模型在保持164 FPS实时性的同时，精度超越YOLOv8n等轻量版3.4-6.1%，且训练耗时仅1.4小时。图9的实例检测中，改进模型对密集小目标的漏检数比YOLOv9t减少50%。

结论部分指出，该研究通过架构优化实现了精度与效率的平衡，其创新性体现在三方面：首次将MobileNetV3的深度可分离卷积引入YOLOv10的Backbone；提出针对红外小目标的四级检测策略；验证了NMS-free（非极大值抑制）训练在无人机检测中的有效性。未来研究可探索注意力机制与数据增强的结合，以进一步提升在雾霾等恶劣天气下的检测鲁棒性。论文发表于《Geomatica》，为智能安防领域提供了可直接部署的边缘计算方案。