В связи с разнообразием форм повреждений дорожного покрытия, низкой точностью обнаружения и высоким уровнем пропусков, в данной работе предложен улучшенный метод на основе модели RT-DETR. Во-первых, на основе объединенной идеи пространственного усиления высокочастотных краевых признаков и глобального извлечения признаков в частотной области был разработан модуль двойного пространственно-частотного усиления признаков FreSCal, который усиливает способность модели извлекать информацию о целевых объектах и краевых признаках, а также повышает различимость целевых областей и фона. Во-вторых, заимствуя идею реконструкции признаков с контекстным управлением из сети CGRSeg, предложена пирамида пространственной реконструкции признаков с контекстным управлением RSDFPN, которая за счет построения семантической пирамиды с восприятием масштаба и динамического механизма слияния признаков значительно улучшает способность модели к интеграции признаков многоуровневых целей. Наконец, с помощью динамической групповой свертки и глобального моделирования трансформером реализовано эффективное усиление признаков в пространственной области и контекстное слияние в частотной области, что повышает точность обнаружения целевых объектов моделью. Экспериментальные результаты показывают, что предложенный метод обеспечивает значительное улучшение на основных наборах данных RDD2022 и UAV-PDD2023, с увеличением mAP@0.5 на 1,9% и 3,7% по сравнению с базовым методом, что может предоставить эффективную техническую поддержку для обнаружения повреждений дорожного покрытия.

обнаружение повреждений дорожного покрытия; трансформер для реального времени; двойная пространственно-частотная область; реконструкция с контекстным управлением; динамическая групповая свертка и совместная оптимизация с трансформером