YOLO-DRONE 无人机低空巡检检测模型技术解析

针对无人机低空巡检中小目标检测难、抗扰动弱及实时性不足的痛点，介绍了清华大学团队提出的 YOLO-DRONE 模型。该模型融合自适应尺度感知头与风速补偿特征对齐模块，在 UAV-DT 数据集上小目标召回率提升 39%，支持 1080p@45FPS 实时处理，并已部署于省级电力巡检系统。

奇形怪状发布于 2026/4/5更新于 2026/4/187 浏览

无人机低空巡检场景的核心需求在于适配复杂飞行工况下的实战要求。电力巡检中的导线断股、绝缘子破损，以及安防巡检中的人员遗留、设备异常等目标往往尺寸极小，且受风速扰动导致画面模糊、目标尺度动态变化。传统 YOLO 系列模型存在小目标漏检严重、抗扰动能力弱、实时性不足等问题，难以满足工业级巡检落地要求。

清华大学团队提出的 YOLO-DRONE 模型专为无人机低空巡检设计，属于多尺度动态感知模型。该模型创新性融合自适应尺度感知头（ASPH）与风速补偿特征对齐模块，旨在解决小目标漏检、抗扰动差及实时性不足三大痛点。

在 UAV-DT 无人机巡检专用数据集上，该模型小目标召回率提升 39%，支持 1080p@45FPS 实时处理。目前已正式部署于国内某省级电力巡检系统，实现输电线路的自动化巡检落地。

更多推荐文章