Para resolver o problema da baixa precisão na detecção de defeitos em superfícies rodoviárias em dias de neblina e o grande número de parâmetros do modelo, foi proposta uma metodologia leve de detecção de defeitos em superfícies rodoviárias em neblina baseada no YOLO11n aprimorado, visando aumentar a precisão da detecção em ambientes nebulosos e facilitar o desenvolvimento leve. Primeiro, na rede backbone, construiu-se uma rede frontal de remoção de neblina (Dehaze-Network, DH-Net), que por meio da normalização de canais e mecanismo de transmissão de estatísticas entre camadas mantém a consistência estrutural da imagem de remoção de neblina e realiza otimização conjunta orientada para a tarefa de detecção, reduzindo o impacto da neblina no desempenho da detecção; em seguida, adotou-se um módulo de subamostragem adaptativa (ADown) para substituir a subamostragem convolucional tradicional, reduzindo os parâmetros e preservando características espaciais essenciais, aumentando assim a capacidade de extrair detalhes dos defeitos; depois, foi projetada uma rede piramidal eficiente de características auxiliares de múltiplos ramos, que, por meio da adaptação de núcleos convolucionais dinâmicos e fusão bidirecional ponderada da pirâmide de características, melhora a capacidade de representação em múltiplas escalas de alvos desfocados em neblina, reduzindo ainda mais o impacto da neblina na detecção; por fim, utilizou-se convolução parcial para melhorar a leveza da cabeça de detecção, reduzindo custos computacionais. Experimentos em diferentes conjuntos de dados mostraram que o modelo aprimorado aumentou o mAP em 2,1% e 3%, respectivamente, em relação à referência, e reduziu os parâmetros em 47,2%. Este método oferece uma solução de alta precisão e baixo consumo de recursos para inspeção de superfícies rodoviárias em dias de neblina.

neblina;detecção de defeitos em superfícies rodoviárias;YOLO11n aprimorado;leveza