Um das Problem der niedrigen Erkennungsgenauigkeit von Straßenmängeln bei Nebelwetter und der großen Modellparameterzahl zu lösen, wird eine verbesserte YOLO11n-Methode zur leichten Erkennung von Straßendefekten bei Nebel vorgeschlagen, die darauf abzielt, die Erkennungsgenauigkeit bei Nebelumgebungen zu verbessern und eine leichtere Bereitstellung zu ermöglichen. Zunächst wird im Backbone-Netzwerk ein Front-End-Entnebelungsnetzwerk (Dehaze-Network, DH-Net) aufgebaut, das durch Kanalnormalisierung und einen Mechanismus zur Übertragung von Schichtstatistiken die Strukturkonsistenz des entnebelten Bildes aufrechterhält und eine auf die Erkennungsaufgabe ausgerichtete gemeinsame Optimierung realisiert, um den Einfluss von Nebel auf die Erkennungsergebnisse zu verringern; zweitens ersetzt ein adaptives Downsampling-Modul (ADown das traditionelle konvolutionale Downsampling, um die Parameterzahl zu reduzieren und wichtige räumliche Merkmale zu erhalten, wodurch die Fähigkeit zur Extraktion von Defektdetails verbessert wird; dann wird ein effizientes, mehrzweigiges unterstützendes Feature-Pyramidennetzwerk entworfen, das durch adaptive dynamische Faltungskerne und gewichtete bidirektionale Merkmals-Pyramidenfusion die mehrskalige Darstellung unscharfer Objekte bei Nebel verbessert und den Einfluss von Nebel auf die Erkennung weiter verringert; schließlich wird der Detektionskopf durch partielle Faltung leichtgewichtig verbessert, um den Rechenaufwand zu reduzieren. Experimente auf verschiedenen Datensätzen zeigen, dass das verbesserte Modell den mAP um 2,1 % bzw. 3 % gegenüber der Basis erhöht und die Parameterzahl um 47,2 % reduziert. Diese Methode bietet eine hochpräzise und ressourcenschonende Lösung für die Straßeninspektion bei Nebelwetter.

Nebelwetter;Erkennung von Straßendefekten;verbessertes YOLO11n;Leichtgewicht