A target detection algorithm for tree encroachment on transmission lines based on improved YOLOv11

Wang Yanhai; Bai Yuzhe; Wang Yang; Tang Bo; Fang Rixin; Lü Xiaolong

doi:10.11714/acta.snus.ZR20260042

您当前的位置：

首页 >

文章列表页 >

A target detection algorithm for tree encroachment on transmission lines based on improved YOLOv11

更新时间：2026-06-26

- A target detection algorithm for tree encroachment on transmission lines based on improved YOLOv11
- Acta Scientiarum Naturalium Universitatis Sunyatseni Pages: 1-13(2026)
- 作者机构：
  
  1.三峡大学电气与新能源学院 / 湖北省输电线路工程技术研究中心，湖北宜昌 443002
  2.重庆市三峡水利电力学校，重庆 404000
- 作者简介：
- 基金信息：
- DOI：10.11714/acta.snus.ZR20260042
  CLC： TM77;TP39
- Received：03 February 2026，
  
  Revised：2026-03-30，
  
  Accepted：09 March 2026，
  
  Online First：26 June 2026，
- 稿件说明：
移动端阅览
Wang Yanhai, Bai Yuzhe, Wang Yang, et al. A target detection algorithm for tree encroachment on transmission lines based on improved YOLOv11[J/OL]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2026, 1-13.
DOI：

Wang Yanhai, Bai Yuzhe, Wang Yang, et al. A target detection algorithm for tree encroachment on transmission lines based on improved YOLOv11[J/OL]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2026, 1-13. DOI： 10.11714/acta.snus.ZR20260042.

摘要

基于YOLOv11提出了一种航拍图像检测算法MA-YOLOv11。首先设计SE-C3k2模块，在轻量化同时保留细小树枝特征。其次，采用多尺度共享卷积模块替换SPPF模块。然后，结合MAFPN结构增加小目标检测头P2并设计了HMA-Net网络结构，强化浅层细节信息与高层语义信息的交互，提高对小目标的检测精度。最后，采用多尺度注意力检测头，使其能有效地处理树叶遮挡场景。实验结果表明：相较于基准模型，改进的MA-YOLOv11模型精确度和召回率分别上升4.2%和4.1%，而mAP50指标上升5.2%，验证了方法对树木入侵检测的有效性。

Abstract

An aerial image detection algorithm named MA-YOLOv11 is proposed based on YOLOv11. First，the SE-C3k2 module is designed to preserv the features of small branches while achieving lightweight. Second，the multi-scale shared convolution module replaces the SPPF module. Then，a novel HMA-Net network structure is constructed by incorporating the MAFPN architecture，adding a small target detection head P2，and reducing redundant paths. This enhances the interaction between shallow detail information and high-level semantic information，thereby improving the detection accuracy for small targets. Finally，a multi-scale attention detection head is employed to effectively handle scenes with leaf occlusion. Experimental results show that compared to the baseline model，the improved MA-YOLOv11 model increases of 4.2% in precision，4.1% in recall，and 5.2% in the mAP50 metric，validating the effectiveness of this method for treeencroachment detection.

关键词

Keywords

references

厉秉强，王骞，王滨海，等， 2010 . 利用无人直升机巡检输电线路［J］. 山东电力技术， 37 （ 1 ）： 1 - 4 .

刘高，陈浩，廖建东，等， 2025 . 架空输电线路无人机巡检影像中的隐患识别［J］. 沈阳工业大学学报， 47 （ 2 ）： 258 - 264 .

刘宏志，黄振龙，邱彬，等， 2026 . 基于改进YOLOv11n的输电线路主要缺陷检测方法［J/OL］. 高电压技术， 1 - 12 .［ 2026-06-24 ］. https：//doi.org/10.13336/j.1003-6520.hve.20241908 https://doi.org/10.13336/j.1003-6520.hve.20241908 .

马富齐，王波，董旭柱，等， 2020 . 电力视觉边缘智能：边缘计算驱动下的电力深度视觉加速技术［J］. 电网技术， 44 （ 6 ）： 2020 - 2029 .

聂凯，李泽，高文豪，等， 2025 . 基于YOLOv8-RFL模型的电力绝缘子缺陷检测方法［J］. 电网技术， 49 （ 9 ）： 3948 - 3957 .

王彦海，郭宸昕，吴德强， 2026 基于改进YOLOv 7的输电线路机械外破隐患目标检测方法［J］. 电测与仪表， 63 （ 1 ）： 64 - 71 .

王强，冯云涛，周超， 2025 . 基于GE-YOLO算法的输电线路绝缘子多类型缺陷检测研究［J］. 高压电器， 61 （ 6 ）： 92 - 101 .

王彧， 2023 . 基于YOLOv7的输电线路防振锤识别及缺陷检测［D］. 哈尔滨：东北农业大学 .

谢从珍，黄梦成，黄奕琅，等， 2026 . 基于WMEF-YOLO的绝缘子缺陷图像检测方法［J］. 高电压技术， 52 （ 3 ）： 1268 - 1279 .

张文丽， 2024 . 搭载于某型巡线机器人的架空输电线路故障检测系统研究［D］. 北京：华北电力大学 .

Chen J Q ， Ma A Q ， Huang L X ， et al ， 2024 . Efficient and lightweight grape and picking point synchronous detection model based on key point detection ［J］. Comput Electron Agric ， 217 ： 108612 .

Finder S E ， Amoyal R ， Treister E ， et al ， 2024 . Wavelet convolutions for large receptive fields ［M］// Computer Vision-ECCV 2024 . Springer ： 363 - 380 .

Girshick R ， 2016 . Fast R-CNN ［C］// International Conference on Computer Vision . Santiago，Chile ： 1440 - 1448 .

He K ， Zhang X ， Ren S ， et al ， 2015 . Spatial pyramid pooling in deep convolutional networks for visual recognition ［J］. IEEE Trans Pattern Anal Mach Intell ， 37 （ 9 ）： 1904 - 1916 .

Li J F ， Wen Y ， He L H ， 2023 . SCConv： Spatial and channel reconstruction convolution for feature redundancy ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition . Vancouver， BC， Canada ： 6153 - 6162 .

Liu W ， Anguelov D ， Erhan D ， et al ， 2016 . SSD： Single shot MultiBox detector ［M］// Computer Vision-ECCV 2016 . Springer ： 21 - 37 .

Ma F Q ， Wang B ， Dong X Z ， et al ， 2020 . Power vision edge intelligence：Edge computing-driven acceleration technology for deep vision in electric power ［J］. Power System Technology ， 44 （ 6 ）： 2020 - 2029 .

Redmon J ， Divvala S ， Girshick R ， et al ， 2016 . You only look once：Unified，real-time object detection ［C］// IEEE Conference on Computer Vision and Pattern Recognition . Las Vegas，NV， USA ： 779 - 788 .

Ren S ， He K ， Girshick R ， et al ， 2017 . Faster R-CNN： Towards real-time object detection with region proposal networks ［J］. IEEE Trans Pattern Anal Mach Intell ， 39 （ 6 ）： 1137 - 1149 .

Yang Z ， Guan Q ， Zhao K ， et al ， 2024 . Multi-branch auxiliary fusion YOLO with re-parameterization heterogeneous convolutional for accurate object detection ［C］// Pattern Recognition and Computer Vision . ACM ： 492 - 505 .

Yu Z P ， Huang H B ， Chen W J ， et al ， 2024 . YOLO-FaceV2： A scale and occlusion aware face detector ［J］. Pattern Recognit ， 155 ： 110714

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Multiple headspace solid-phase microextraction for quantifying volatiles in Citrus reticulata 'Chachi' peel of different storage time

Multi-method approach for groundwater pollution source apportionment： A case study in the Pearl River Delta

Effects of different light conditions on the growth and pharmacodynamic components of Isodon lophanthoides var. graciliflorus

Error of the finite-element-based digital image correlation measurement method

Analysis of chemical components and blood plasma constituents of Zhangyanming Tablet extract based on UFLC-Q-TOF-MS/MS method

Related Author

No data

Related Institution

No data

Postal code：510275
Tel：020-84112585，84113223 Email：xuebaozr@mail.sysu.edu.cn
Technical support is provided by Beijing Founder electronics co., LTD 京ICP备09064830号-19 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰