Pour résoudre le problème de faible précision de détection des défauts de la chaussée par temps de brouillard et de la lourdeur des paramètres du modèle, une méthode légère de détection des défauts de chaussée par temps de brouillard améliorée basée sur YOLO11n est proposée, visant à améliorer la précision de détection dans les environnements brumeux et à faciliter le déploiement léger. Tout d'abord, un réseau frontal de désembuage (Dehaze-Network, DH-Net) est construit dans le réseau principal, utilisant la normalisation des canaux et un mécanisme de transmission statistique inter-couches, pour maintenir la cohérence structurelle des images désembuées et réaliser une optimisation conjointe orientée tâche de détection, réduisant ainsi l’impact du brouillard sur la détection ; ensuite, un module d’échantillonnage adaptatif (ADown) remplace l’échantillonnage convolutionnel traditionnel afin de réduire le nombre de paramètres tout en conservant les caractéristiques spatiales clés, renforçant ainsi la capacité d’extraction des détails des défauts ; puis, un réseau pyramidal de caractéristiques auxiliaire multi-branches efficace est conçu, utilisant des noyaux de convolution dynamiques adaptatifs et une fusion pyramidale bidirectionnelle pondérée pour renforcer la représentation multi-échelle des cibles floues par temps de brouillard, réduisant davantage l’impact du brouillard sur la détection ; enfin, une modification légère est appliquée à la tête de détection utilisant la convolution partielle afin de diminuer la charge de calcul. Les expériences sur différents ensembles de données montrent que le modèle amélioré augmente le mAP de 2,1 % et 3 % par rapport à la base, tout en réduisant les paramètres de 47,2 %. Cette méthode offre une solution à haute précision et faible consommation de ressources pour l’inspection des routes par temps de brouillard.

brouillard;détection des défauts de chaussée;amélioration YOLO11n;légéreté