Para abordar el problema de la baja precisión en la detección de defectos en la carretera en condiciones de niebla y la gran cantidad de parámetros del modelo, se propone un método liviano para la detección de defectos en carreteras en niebla mejorado basado en YOLO11n, que tiene como objetivo mejorar la precisión de detección en entornos con niebla y facilitar el despliegue liviano. Primero, se construye en la red principal una red frontal de eliminación de niebla (Dehaze-Network, DH-Net), que mediante la normalización de canales y un mecanismo de transmisión de estadísticas entre capas, mantiene la consistencia estructural de la imagen despejada y realiza una optimización conjunta orientada a la tarea de detección, reduciendo el impacto de la niebla en el efecto de detección; segundo, se utiliza un módulo de muestreo adaptativo (ADown) en lugar del muestreo convolucional tradicional para reducir la cantidad de parámetros y conservar las características espaciales clave, fortaleciendo la capacidad de extraer detalles de los defectos; luego, se diseña una red piramidal de características auxiliar eficiente de múltiples ramas que, mediante núcleos de convolución dinámicos adaptativos y una fusión piramidal bidireccional ponderada, mejora la capacidad de representación a diferentes escalas de objetivos borrosos en la niebla, reduciendo aún más el impacto de la niebla en la detección; finalmente, se utiliza una convolución parcial para mejorar la cabeza de detección y reducir el costo computacional. Los experimentos en diferentes conjuntos de datos muestran que el modelo mejorado aumenta el mAP en un 2.1% y 3% respectivamente en comparación con el estándar, y reduce la cantidad de parámetros en un 47.2%. Este método proporciona una solución de alta precisión y bajo consumo de recursos para la inspección de carreteras en condiciones de niebla.

niebla;detección de defectos en carretera;mejora YOLO11n;ligereza