Para resolver o problema da baixa precisão na detecção de defeitos em superfícies rodoviárias em dias de nevoeiro e do elevado número de parâmetros do modelo, é proposto um método leve de detecção de defeitos em superfícies rodoviárias em nevoeiro baseado no YOLO11n melhorado, visando aumentar a precisão da detecção em ambientes com nevoeiro e facilitar a implantação leve. Primeiro, uma rede frontal de remoção de nevoeiro (Dehaze-Network, DH-Net) é construída na rede backbone, utilizando a normalização de canais e um mecanismo de transmissão estatística entre camadas para manter a consistência estrutural das imagens após a remoção do nevoeiro e realizar uma otimização conjunta direcionada à tarefa de detecção, reduzindo o impacto do nevoeiro no efeito da detecção; em seguida, é utilizado um módulo de downsampling adaptativo (ADown) em substituição ao downsampling convolucional tradicional, para reduzir o número de parâmetros e preservar as características espaciais-chave, fortalecendo a capacidade de extração dos detalhes dos defeitos; então, é projetada uma rede piramidal assistente de características multi-ramificada eficiente, que, por meio da adaptação de núcleos convolucionais dinâmicos e da fusão piramidal de características bidirecional ponderada, melhora a capacidade de representação em diferentes escalas de alvos desfocados em dias de nevoeiro, reduzindo ainda mais o impacto do nevoeiro na detecção; por fim, utiliza-se convolução parcial para melhorar a leveza da cabeça de detecção, diminuindo o custo computacional. Experimentos em diferentes conjuntos de dados demonstram que o modelo melhorado aumenta o mAP em 2,1% e 3% em comparação com a referência, e reduz o número de 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 nevoeiro.

nevoeiro;detecção de defeitos em superfícies rodoviárias;melhoria YOLO11n;leveza