改进YOLO11的铁路无人机巡检作业人员防护装备检测方法

doi:10.13474/j.cnki.11-2246.2026.1019

测绘通报 ›› 2026, Vol. 0 ›› Issue (10): 127-132.doi: 10.13474/j.cnki.11-2246.2026.1019

• 技术交流 • 上一篇

改进YOLO11的铁路无人机巡检作业人员防护装备检测方法

宋宗莹¹, 曾杉², 张正军³, 尹太军³

1. 中国神华能源股份有限公司, 北京 100011;
2. 中国科学院地理科学与资源研究所, 北京 100101;
3. 中科吉芯(秦皇岛)信息技术有限公司, 河北秦皇岛 066000

收稿日期:2026-06-18 发布日期:2026-11-06
通讯作者: 曾杉。E-mail:zs@lreis.ac.cn
作者简介:宋宗莹(1981—),男,博士,教授级高级工程师,研究方向为智慧铁路、通信信号。E-mail:10000372@ceic.com
基金资助:
国家能源集团科技创新项目(GJNY-24-153)；重载铁路数字孪生装车站智能管控技术研究与应用示范(KF2025-044)

Personal protective equipment detection for railway workers in UAV inspection using an improved YOLO11

Song Zongying¹, Zeng Shan², Zhang Zhengjun³, Yin Taijun³

1. China Shenhua Energy Company Limited, Beijing 100011, China;
2. Institute of Geographic Sciences and Natural Research, Chinese Academy of Sciences, Beijing 100101, China;
3. Digitwinology International (Qinhuangdao)Co., Ltd., Qinhuangdao 066000, China

Received:2026-06-18 Published:2026-11-06

摘要/Abstract

摘要： [目的] 针对铁路无人机影像中安全帽、反光衣等防护装备目标尺度小、特征信息易丢失且受复杂背景干扰而导致漏检的问题，本文提出了一种融合人体空间结构先验与浅层特征增强的人员防护装备检测方法。[方法] 该方法基于YOLO11n模型，依据安全帽、反光衣与人员目标之间的空间依附关系构建先验区域，并设计区域加权分类损失，引导模型增强人体合理区域内防护装备目标的学习;同时引入高分辨率浅层特征分支，提升小尺度目标表征能力。[结果] 自建数据集上，本文方法的P、R、mAP_0.5、mAP_0.5：0.95分别达92.3%、89.2%、94.3%、50.7%，较基线分别提升8.6、9.1、8.7和9.0个百分点。[结论] 本文方法有效提高了铁路无人机影像中人员及防护装备的检测精度，为施工安全定位与线路安全管理提供了支撑。

关键词: 无人机影像, 无人机巡检, 人员防护装备检测, 人体空间结构先验, 小目标检测

Abstract: [Purposes] To address missed detections caused by the small size，weak feature representation，and complex-background interference of safety helmets，reflective vests，and other personal protective equipment in railway UAV imagery，this paper proposes a detection method integrating human spatial-structure priors and shallow feature enhancement. [Methods] Based on YOLO11n，prior regions are constructed according to the spatial relationships between personnel，safety helmets，and reflective vests.A region-weighted classification loss is designed to strengthen the learning of protective equipment within anatomically reasonable regions.Meanwhile，a high-resolution shallow feature branch is introduced to improve small-object representation. [Findings] On the self-built dataset，the proposed method achieved a P of 92.3%，R of 89.2%，mAP_0.5 of 94.3%，and mAP_0.5：0.95 of 50.7%，outperforming the baseline by 8.6，9.1，8.7，and 9.0 percentage points，respectively. [Conclusions] The proposed method effectively improves the detection accuracy of personnel and protective equipment in railway UAV imagery，providing technical support for construction safety localization and railway safety management．

Key words: UAV image, UAV inspection, personal protective equipment detection, human spatial-structure prior, small object detection

中图分类号:

P237

宋宗莹, 曾杉, 张正军, 尹太军. 改进YOLO11的铁路无人机巡检作业人员防护装备检测方法[J]. 测绘通报, 2026, 0(10): 127-132.

Song Zongying, Zeng Shan, Zhang Zhengjun, Yin Taijun. Personal protective equipment detection for railway workers in UAV inspection using an improved YOLO11[J]. Bulletin of Surveying and Mapping, 2026, 0(10): 127-132.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://tb.chinasmp.com/CN/10.13474/j.cnki.11-2246.2026.1019

http://tb.chinasmp.com/CN/Y2026/V0/I10/127

参考文献

[1] 杨莉琼，蔡利强，古松.基于机器学习方法的安全帽佩戴行为检测[J].中国安全生产科学技术，2019，15(10)：152-157．
[2] 祁泽政，徐银霞.改进YOLOv5s算法的安全帽佩戴检测研究[J].计算机工程与应用，2023，59(14)：176-183．
[3] 张学立，贾新春，王美刚，等.安全帽与反光衣的轻量化检测：改进YOLOv5s的算法[J].计算机工程与应用，2024，60(1)：104-109．
[4] 陈富强，魏域君，马邦闯，等.无人机航测遥感技术在既有铁路提质改造中的应用：以陇海铁路宝天段为例[J].测绘通报，2025(4)：158-163．
[5] 宋宗莹，王兴中，曾杉，等.基于改进YOLOv7的无人机图像铁路接触网部件目标检测方法[J].测绘通报，2024(11)：108-114．
[6] 秦勇，孟凡腾，张紫城，等.轨道交通基础设施自主无人机智能巡检体系框架及其技术发展综述[J].北京交通大学学报，2025，49(5)：145-175．
[7] 孙基源，纪松，高定，等.SFR-YOLO：改进YOLOv8的无人机图像小目标检测算法[J].测绘通报，2025(7)：32-39．
[8] 张涛，田秀华，沈健，等.基于Rail-YOLO的铁路限界入侵人员检测算法研究[J].铁道通信信号，2026，62(4)：34-42．
[9] 付锦燚，张自嘉，孙伟，等.改进YOLOv8的航拍图像小目标检测算法[J].计算机工程与应用，2024，60(6)：100-109．
[10] 冯爽，王万齐，杨文，等.基于改进RT-DETR的铁路施工场景下人员安全穿戴检测[J].铁道学报，2025，47(2)：92-101．
[11] 田丹，许仁乐，邵波，等.强化特征表达的水电工程施工安全隐患自动辨识模型[J].河海大学学报(自然科学版)，2026，54(2)：127-135．
[12] Chen Zhihua，Zhang Fan，Liu Hongbo，et al.Real-time detection algorithm of helmet and reflective vest based on improved YOLOv5[J].Journal of Real-Time Image Processing，2023，20(1)：4.
[13] Song Xudong，Zhang Tiankai，Yi Weiguo.An improved YOLOv8 safety helmet wearing detection network[J].Scientific Reports，2024，14：17550.
[14] Yang Xiang，Wang Jizhen，Dong Minggang.SDCB-YOLO：a high-precision model for detecting safety helmets and reflective clothing in complex environments[J].Applied Sciences，2024，14(16)：7267.
[15] Lin Conggong，Zhang Yushi，Chen Guodong.Intelligent detection of safety helmets and reflective vests based on deep learning[J].Journal of Real-Time Image Processing，2024，22(1)：5.
[16] Chen Xi，Wang Guohui.AF-YOLOv8：a lightweight algorithm suitable for helmet and vest detection[J].The Journal of Supercomputing，2025，81(8)：996.
[17] Nath N D，Behzadan A H，Paal S G.Deep learning for site safety：real-time detection of personal protective equipment[J].Automation in Construction，2020，112：103085.
[18] 郭庆华，杨泽坤，齐志勇，等.测绘地理信息驱动低空经济：关键技术突破与产业发展[J].测绘学报，2026，55(6)：975-989．

改进YOLO11的铁路无人机巡检作业人员防护装备检测方法

Personal protective equipment detection for railway workers in UAV inspection using an improved YOLO11

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张志华, 胡朝鹏, 丁鹏辉, 李志刚, 赵倩. 面向高标准农田基础设施管护的无人机巡检智能分析方法[J]. 测绘通报, 2026, 0(5): 32-37.
[2]	纪硕磊, 陈海林, 李宇程, 黄恒英. 改进A^*与遗传算法的无人机紫外巡检路径优化策略[J]. 测绘通报, 2026, 0(3): 137-141.
[3]	滕敏, 张博, 徐佳伟, 林聪, 沈雨, 储征伟. 基于改进YOLOv8s的无人机影像车辆目标检测算法[J]. 测绘通报, 2026, 0(2): 68-73,80.
[4]	孙基源, 纪松, 高定, 李凯, 张芮莹. SFR-YOLO:改进YOLOv8的无人机图像小目标检测算法[J]. 测绘通报, 2025, 0(7): 32-39.
[5]	张弛, 甘淑, 袁希平, 罗为东, 马冲, 李艺. 无人机混合式建模方法及其滇中高原复杂山地实证分析[J]. 测绘通报, 2025, 0(11): 47-52,61.
[6]	孙彬, 张瑞玲, 任辰锋, 林云浩, 孙超, 刘一涵, 刘梦洁, 袁德宝, 许志华. 一种用于浅埋深煤层采动地裂缝的无人机影像实例分割方法[J]. 测绘通报, 2025, 0(11): 78-83.
[7]	徐宇翔, 胡庆武, 段延松, 李加元, 艾明耀, 赵鹏程. 融合LiDAR点云与无人机影像的滑坡动态监测技术[J]. 测绘通报, 2024, 0(8): 42-47.
[8]	宗慧琳, 袁希平, 甘淑, 张晓伦, 梁昌献, 赵振峰. 改进AKAZE算法的泥石流区无人机影像特征匹配[J]. 测绘通报, 2023, 0(2): 91-96,103.
[9]	杨佳琪, 范大昭, 杨佳宾, 杨幸彬, 纪松. 无人机大场景在线密集点云和DSM生成算法[J]. 测绘通报, 2023, 0(10): 47-53.
[10]	杨婷, 吴昊, 李雁. 城市级无人机影像匀色算法[J]. 测绘通报, 2023, 0(1): 158-162.
[11]	周烨, 刘云波, 郑丽波, 龙泱君. 多平台点云数据的单木参数提取精度分析[J]. 测绘通报, 2022, 0(7): 168-172.
[12]	贾煜, 汪泓, 蔡宏, 张磊. 结合地形因子与分层策略的喀斯特地区无人机影像分类[J]. 测绘通报, 2022, 0(2): 121-127.
[13]	高莎, 袁希平, 甘淑, 杨明龙, 袁新悦, 罗为东. 融合无人机影像与LiDAR点云的山区地表覆被景观特征探测[J]. 测绘通报, 2022, 0(1): 110-115.
[14]	高莎, 袁希平, 甘淑, 杨亚复, 李霞. 面向复杂山地的机载LiDAR与无人机影像融合应用[J]. 测绘通报, 2021, 0(7): 65-69.
[15]	葛义攀, 王晓红. 基于本质矩阵的无人机影像精确匹配[J]. 测绘通报, 2020, 0(8): 55-58,75.