1. 项目背景与核心挑战钟摆摆球检测在工业自动化、物理实验教学和运动分析等领域具有重要应用价值。传统检测方法通常依赖机械传感器或基于颜色特征的图像处理技术但在复杂光照条件、多目标干扰和动态模糊场景下表现欠佳。我们团队在实际项目中遇到的典型问题包括摆球与背景色差较小时的传统算法失效高速摆动导致的运动模糊多摆球场景下的相互遮挡需要同时获取精确的轮廓信息而不仅是边界框2. 技术选型与方案设计2.1 YOLO11-HGNetV2架构优势我们最终采用的YOLO11-HGNetV2混合架构结合了两种网络的独特优势YOLO11的实时性保留单阶段检测器的推理速度优势在1080Ti显卡上可达83FPSHGNetV2的特征提取能力其Hierarchical Aggregation结构对多尺度目标更敏感语义分割分支新增的Mask Head可输出像素级分割结果关键改进在Backbone末端引入Feature Pyramid Attention模块提升对小目标的特征响应。实测显示对直径20px以下的摆球检测率提升37%。2.2 语义分割增强策略不同于常规目标检测我们特别设计了分割优化方案双标签监督同时使用COCO格式的bbox标注和VOC格式的分割标注边缘感知损失在CE Loss基础上增加边缘权重系数多尺度训练输入图像随机缩放至[640,800,1024]三种尺寸3. 实现细节与调优3.1 数据准备要点我们收集了包含12种常见场景的摆球数据集场景类型样本量特殊特征实验室单摆1500纯净背景工业多摆3200金属反光户外摆1800复杂光照数据增强策略运动模糊合成使用PSF卷积核光度失真±30%亮度变化随机遮挡最大40%面积3.2 模型训练技巧关键超参数配置optimizer AdamW( lr1e-4, weight_decay1e-4 ) scheduler CosineAnnealingLR( T_max300, eta_min1e-6 ) loss_weights { cls: 1.0, box: 1.2, mask: 2.0 # 强化分割任务权重 }训练过程中的重要发现在epoch 50-70间会出现检测精度平台期此时适当增大数据增强强度分割头需要比检测头多训练20%的迭代次数使用SWA随机权重平均可提升最终模型鲁棒性4. 部署优化与实测效果4.1 轻量化部署方案通过以下手段实现边缘端部署通道剪枝移除HGNetV2中贡献度0.01的通道量化感知训练采用QAT将模型压缩至INT8精度TensorRT优化使用FP16加速推理速度提升2.3倍4.2 性能指标对比在自建测试集上的表现指标YOLOv5原YOLO11本方案mAP0.576.2%82.1%89.7%分割IoU--83.4%推理时延28ms22ms19ms模型大小48MB67MB54MB5. 典型问题解决方案5.1 运动模糊处理我们开发了专用的后处理模块基于光流估计的运动补偿时域信息融合保留前3帧检测结果轨迹平滑滤波使用α-β滤波器5.2 金属反光干扰通过数据增强和模型设计联合解决训练时添加模拟镜面反射的合成数据在网络前端加入Illumination-Aware模块在损失函数中增加高光区域的权重惩罚6. 扩展应用方向本方案经适当调整后已验证可用于工业生产线上的悬挂件检测体育训练中的器械轨迹分析物理实验教学的自动测量系统在实际部署中发现将检测频率与摆球运动周期同步通常取1/4周期可显著提升检测稳定性。对于L1m的单摆推荐检测帧率设置为25Hz对应周期约2s