基于跨尺度特征融合的ALEC-YOLO11轻量型矿石图像分割方法OA

在露天矿破碎站入料口高粉尘与矿石粘连等复杂环境下,采集的矿石图像易出现质量下降与轮廓模糊的问题,传统分割算法难以精确获取矿石轮廓,影响矿石粒度分析的准确性与实时性。为提高复杂环境下矿石图像分割精度并降低边缘设备的计算负载,提出一种ALEC-YOLO11轻量型矿石图像分割方法。首先,针对矿石图像退化导致图像分割算法易出现误检、漏检的问题,设计了增强与去雾两级图像预处理流程,通过CLAHE与Unsharp Mask提高图像对比度与边缘细节,并利用引导滤波优化的暗通道先验抑制粉尘与水雾的干扰,得到质量更高的图像。其次,运用Zoom_cat模块,通过自适应池化与上采样完成跨尺度特征对齐与聚合,提高模型对不同粒度矿石的识别能力。再次,在自底向上路径中引入ADown模块替换跨步卷积,以提升模型的边缘信息保留能力。最后,在输出端设计非对称轻量化解耦分割头(ASLD-Segment),压缩分类与回归分支,并增强分割分支,从而实现多任务特征的有效解耦。实验结果表明,与YOLO11n-seg模型相比,本文方法在mAP_(50-95)不降低的前提下,mAP_(50)达到0.918。同时,模型参数量减少约13.1%,端到端处理速度达到145 FPS,表明在精度稳定的前提下,实现了轻量化效果,契合工业场景实时处理需求。