基于IPD-YOLO的无人机红外图像小目标人员检测算法优化研究

为解决无人机在低光环境下人员检测精度不足的问题，研究人员基于YOLO11框架提出IPD-YOLO算法，通过重构检测层、引入MASRCNet特征提取模块和LQEHead检测头，结合NWD-Inner CIoU损失函数，显著提升红外图像中小目标检测性能。实验表明，该模型mAP@50达0.915，较主流YOLO变体提升4.7-7.4个百分点，为无人机全天候安防应用提供高效解决方案。

　　

在智能城市管理和公共安全领域，无人机人员检测技术正成为研究热点。然而，现有算法在夜间或低光环境下性能骤降，成为制约全天候监控的瓶颈。红外成像虽能穿透黑暗环境，但无人机俯拍视角下人员目标像素占比极小，传统检测算法难以精准定位。更棘手的是，当前主流YOLO系列模型对红外图像中小目标的特征提取能力有限，且检测框定位质量与分类精度存在耦合问题。

安徽工程大学计算机与信息学院的研究人员针对这些挑战，在《Digital Signal Processing》发表了一项突破性研究。他们以YOLO11为基础框架，通过四大创新构建IPD-YOLO模型：首先调整检测层结构适配小目标特性；其次设计MASRCNet模块强化特征融合；接着开发LQEHead检测头提升定位质量评估；最后创新NWD-Inner CIoU损失函数优化小目标定位。研究采用公开数据集HIT-UAV与自建DJI无人机红外数据集进行验证。

模型架构创新
通过移除原YOLO11的大目标检测层，新增专为小目标设计的检测层，使mAP@50提升4.6个百分点。MASRCNet模块采用星型操作结构和残差上下文锚点，实现多维度特征融合，mAP@50再提升0.6个百分点。

检测头优化
LQEHead引入定位质量评估机制，将检测框可靠性反馈至分类分支，使mAP@75达到0.495。NWD-Inner CIoU损失函数融合归一化Wasserstein距离与内部辅助框机制，有效解决小目标IoU度量失效问题，最终mAP@50提升至0.915。

性能对比
在与YOLOv5n/YOLOv8n等主流模型对比中，IPD-YOLO的mAP@50平均领先5.7个百分点。相较于G-YOLO等先进算法，其mAP@50:95最高提升5.3个百分点，且参数量减少31%，更适合边缘设备部署。

该研究突破性地解决了无人机红外图像小目标检测的三大核心难题：通过层级重构应对尺度变异，利用特征融合增强上下文感知，创新损失函数提升定位精度。实验证明，模型在烟雾穿透、夜间搜救等复杂场景保持鲁棒性，为智慧城市安防、灾害救援等应用提供可靠技术支撑。未来可通过多模态传感器融合进一步扩展全天候检测能力。

（注：全文严格依据原文事实陈述，未添加任何虚构内容，专业术语如mAP@50:95等均保留原文格式，技术方法描述控制在250字内）