Devido à complexidade das formas de fissuras no pavimento, à sua susceptibilidade a interferências ambientais, e a problemas de desequilíbrio entre precisão de detecção e leveza, este artigo propõe um método leve de detecção de fissuras em pavimento baseado em características adaptativas. Primeiramente, considerando que as fissuras são estreitas e de grande extensão, foi projetado um mecanismo de atenção eficiente para fissuras, comprimindo a dimensão das características para capturar dependências espaciais de longa distância. Em seguida, foi construída uma pirâmide de amostragem dinâmica para amostragem adaptativa e extração de características-alvo, a fim de melhorar a capacidade de representação das características heterogêneas das fissuras. Depois, a rede backbone leve HGNet_GS foi aprimorada e uma cabeça de detecção leve foi proposta, reduzindo significativamente a redundância computacional; a função de perda Powerful IoU foi adotada para solucionar o problema da expansão das âncoras e melhorar a velocidade de convergência de modelos pequenos. Além disso, para validar a generalização do modelo, foi criado um conjunto de dados próprio de defeitos em pavimentos civis, contendo 2.985 imagens sob diferentes condições de iluminação. Os resultados experimentais mostram que, comparado ao modelo base YOLOv8n, a quantidade de parâmetros e os cálculos foram reduzidos em 50% e 52%, respectivamente. No conjunto de dados próprio, mAP50 e mAP95 aumentaram 5,4% e 4,1%, respectivamente; no conjunto público RDD2022, mAP50 e mAP95 melhoraram 2,1% e 1,5%, respectivamente. O modelo foi aplicado em dispositivos edge e passou por testes de operações de engenharia, comprovando sua capacidade de atender aos requisitos de aplicações leves de detecção de fissuras em pavimentos, oferecendo uma solução técnica para manutenção automatizada de estradas.

detecção de fissuras em pavimento; mecanismo de atenção; leveza; pirâmide de amostragem dinâmica; YOLOv8