Face à la complexité des formes des fissures de la chaussée, leur sensibilité aux interférences environnementales et le déséquilibre entre précision de détection et légèreté du modèle, cet article propose une méthode légère de détection des fissures de chaussée basée sur des caractéristiques adaptatives. Tout d'abord, en raison de la nature étroite et de la longue portée des fissures, un mécanisme d'attention efficace pour les fissures a été conçu, comprimant la dimension des caractéristiques afin de capturer les dépendances spatiales à longue distance. Ensuite, une pyramide d'échantillonnage dynamique a été construite pour effectuer un échantillonnage adaptatif et extraire les caractéristiques cibles, renforçant la capacité de représentation des caractéristiques hétérogènes des fissures. Puis, le réseau principal léger HGNet_GS a été amélioré et une tête de détection légère proposée, réduisant considérablement la redondance de calcul; la fonction de perte Powerful IoU a été utilisée pour résoudre le problème de dilatation des ancres et améliorer la vitesse de convergence des petits modèles. De plus, pour valider la généralisation du modèle, un ensemble de données de défauts de chaussée civils a été construit, contenant au total 2 985 images de défauts sous différentes conditions d'éclairage. Les résultats expérimentaux montrent que, par rapport au modèle de référence YOLOv8n, le nombre de paramètres et la charge de calcul ont été réduits de 50% et 52% respectivement. Sur l'ensemble de données construit, les mAP50 et mAP95 ont augmenté de 5,4% et 4,1% respectivement; sur l'ensemble de données RDD2022 public, les mAP50 et mAP95 ont augmenté de 2,1% et 1,5%. Le modèle a été appliqué à des dispositifs en périphérie et testé en conditions réelles, prouvant qu'il peut répondre aux exigences d'applications d'ingénierie pour la détection légère des fissures de chaussée et fournissant une solution technique pour la maintenance automatisée des routes.

détection des fissures de chaussée;mécanisme d'attention;légéreté;pyramide d'échantillonnage dynamique;YOLOv8