佳文赏析 | YOLOv5-RF：一种基于改进深度学习损失函数的尾矿库遥感影像目标识别方法

尾矿库是矿产资源开发过程中产生的废料储存场所，其泄漏或失稳可能对环境和人类生命财产造成重大威胁。传统尾矿库识别方法主要依赖实地调查，既低效又耗时。随着遥感技术和深度学习的发展，利用深度学习进行遥感影像分析已成为热点。尤其是YOLO系列模型，在物体检测中展现出较高的效率与精度。然而，传统YOLOv5模型在尾矿库识别中面临漏检和误检问题。为此，本研究提出了一种改进的损失函数——RIoU-Focal，旨在提高YOLOv5在高分辨率遥感影像尾矿库识别中的精度和速度。本研究不仅弥补了现有方法的不足，也为尾矿库管理和环境安全提供了新的技术手段。

图2. 四种不同类型的高分辨率遥感影像尾矿库示意图

实验结果表明（图4）， YOLOv5-RF模型在训练中的收敛速度和精度均显著优于YOLOv5模型。通过与原始YOLOv5模型对比，YOLOv5-RF在精确率、召回率、mAP等等指标上均有所提升，表现为更强的泛化能力与稳定性。在测试集上的预测结果也表明（图5），YOLOv5-RF模型漏报率和误报率较低，且置信度较高，进一步验证了该方法的有效性。

图4. YOLOv5-RF模型与YOLOv5模型在120次迭代后的性能比较。损失函数的变化主要影响模型训练阶段的box_loss与obj_loss

表1. YOLOv5-RF模型与YOLOv5模型性能参数对比图

图5. YOLOv5与YOLOv5-RF模型在部分测试集上的预测结果对比图(a1–f1为YOLOv5预测结果，a2–f2为YOLOv5-RF预测结果)

（1）提出了RIoU-Focal损失函数，通过引入中心三角形与外接矩形框纵横比，显著提升了高分辨率遥感影像尾矿库目标检测的精度与鲁棒性。

（2）YOLOv5-RF模型在训练性能和预测效果上较YOLOv5有显著提升，精度、召回率、mAP等指标均有所提高。

（3）与传统损失函数（如GIoU、DIoU、CIoU）相比，RIoU-Focal损失函数展现出了更优的性能。

（4）与YOLOv8、YOLOv10等模型对比，验证了选择YOLOv5作为基础模型的优势及RIoU-Focal损失函数的可迁移性。

本研究为高分辨率遥感影像尾矿库识别提供了理论支持和技术保障，为环境监测和资源管理提供了新的解决方案。