Angesichts der komplexen Form von Straßenrissen, deren Anfälligkeit für Umweltstörungen sowie des Ungleichgewichts zwischen Erkennungsgenauigkeit und Modell-Leichtbau schlägt dieser Artikel eine leichte Methode zur Erkennung von Straßenrissen mit adaptiven Merkmalen vor. Zunächst wurde basierend auf den Eigenschaften von langen, schmalen Rissen ein effizientes Aufmerksamkeitsmechanismus für Risse entwickelt, der die Merkmal-Dimension komprimiert, um langfristige räumliche Abhängigkeiten zu erfassen. Zweitens wurde eine dynamische Abtastpyramide zur adaptiven Abtastung und Extraktion von Zielmerkmalen aufgebaut, um die Fähigkeit zur Darstellung heterogener Rissmerkmale zu verbessern. Anschließend wurde das leichte Backbonenetzwerk HGNet_GS verbessert und ein leichtes Erkennungskopf vorgeschlagen, was die Rechenredundanz erheblich reduziert; die Verlustfunktion Powerful IoU wurde verwendet, um das Problem der Ankerrahmenaufblähung zu lösen und die Konvergenzrate kleiner Modelle zu erhöhen. Zudem wurde zur Validierung der Modellgeneralität ein eigener Datensatz für Zivilstraßenmängel erstellt, der insgesamt 2.985 Bilder von Straßendefekten unter unterschiedlichen Lichtbedingungen enthält. Die experimentellen Ergebnisse zeigen, dass im Vergleich zum Basismodell YOLOv8n die Anzahl der Modellparameter und der Rechenaufwand um 50% bzw. 52% reduziert wurden. Auf dem eigenen Datensatz stiegen mAP50 und mAP95 um 5,4% bzw. 4,1%; auf dem öffentlichen RDD2022-Datensatz stiegen mAP50 und mAP95 um 2,1% bzw. 1,5%. Das Modell wurde auf Edge-Geräten eingesetzt und im Ingenieureinsatz getestet, was seine Fähigkeit bestätigt, die Anforderungen der leichten Straßenspurrisserkennung für Ingenieuranwendungen zu erfüllen und eine technische Lösung für die automatisierte Straßenwartung bietet.

Erkennung von Straßenrissen;Aufmerksamkeitsmechanismus;Leichtbau;dynamische Abtastpyramide;YOLOv8