面向复杂道路场景的轻量化路面异物检测算法

张传伟; 尚召斌; 张佳乐; 许婧; 姚豪

doi:10.3724/CJLCD.2026-0129

您当前的位置：

首页 >

文章列表页 >

面向复杂道路场景的轻量化路面异物检测算法

图像处理 | 更新时间：2026-10-16

- 面向复杂道路场景的轻量化路面异物检测算法
- Lightweight detection of foreign objects on road surfaces in challenging driving environments
- 液晶与显示 2026年41卷第9期页码：1297-1314
- 作者机构：
  
  1.西安科技大学机械工程学院，陕西西安 710054
  2.陕西交通职业技术学院，陕西西安 710018
- 作者简介：
  
  张传伟，男，博士，教授，2006年于西安交通大学获得博士学位，主要从事机电系统智能控制和智能网联汽车方面的研究。E-mail：zhangcw@xust.edu.cn
  尚召斌，男，硕士研究生，2024年于陕西理工大学获得学士学位，主要从事目标检测和图像处理方面的研究。E-mail： 2360601882@qq.com
- 基金信息：
  
  国家自然科学基金(51974229);中国博士后科学基金(2025MD784118);陕西省教育厅专项科研计划(25JK0549)
- DOI：10.3724/CJLCD.2026-0129
  中图分类号： TP391.4
- CSTR：32172.14.CJLCD.2026-0129
- 收稿：2026-07-06，
  
  修回：2026-08-17，
  
  纸质出版：2026-09-05
- 稿件说明：
移动端阅览
张传伟, 尚召斌, 张佳乐, 等. 面向复杂道路场景的轻量化路面异物检测算法[J]. 液晶与显示, 2026,41(9):1297-1314.

ZHANG Chuanwei, SHANG Zhaobin, ZHANG Jiale, et al. Lightweight detection of foreign objects on road surfaces in challenging driving environments[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(9): 1297-1314.
张传伟, 尚召斌, 张佳乐, 等. 面向复杂道路场景的轻量化路面异物检测算法[J]. 液晶与显示, 2026,41(9):1297-1314. DOI： 10.3724/CJLCD.2026-0129. CSTR： 32172.14.CJLCD.2026-0129.

ZHANG Chuanwei, SHANG Zhaobin, ZHANG Jiale, et al. Lightweight detection of foreign objects on road surfaces in challenging driving environments[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(9): 1297-1314. DOI： 10.3724/CJLCD.2026-0129. CSTR： 32172.14.CJLCD.2026-0129.

摘要

针对车载前视复杂道路场景中部分路面异物成像尺度较小、边缘特征弱及背景干扰强的问题，提出基于YOLO11n的轻量化路面异物检测算法YOLO11-MSDF。设计小波频率解耦下采样（WFD-Down）模块，以高低频解耦保留边缘与纹理细节；构建方向空间感知金字塔快速池化（DSA-SPPF）模块，利用条形池化抑制结构化背景干扰；引入形态自适应C3（MAK-C3）模块，通过自适应采样增强不规则边界特征；设计层级非对称动态融合（HADF）模块，实现浅层细节与深层语义融合。实验结果表明，模型参数量为2.9M、计算量为7.5 GFLOPs，精确率（Precision）、召回率（Recall）和mAP@0.5分别为85.8%、73.9%和83.7%，较YOLO11n算法提高7.1、2.0和4.0个百分点，检测速度为90.5 FPS；外部数据集上3项指标分别提高5.2、1.3和1.9个百分点。合成雾和运动模糊实验表明，模型在多数退化场景下优于基线模型；车辆运行约束分析说明了实际车载应用的主要影响因素。

Abstract

To address the issues of small apparent size， weak edge features， and strong background interference of some road-surface foreign objects in complex road scenes captured by forward-facing vehicle-mounted cameras， a lightweight YOLO11n-based detection algorithm， YOLO11-MSDF， is proposed. The WFD-Down module decouples high- and low-frequency features to preserve edge and texture details. The DSA-SPPF module employs strip pooling to suppress structured background interference. The MAK-C3 module introduces adaptive sampling to enhance irregular-boundary features. The HADF module fuses shallow-layer details with deep-layer semantic information. Experimental results show that the model contains 2.9 million parameters and requires 7.5 GFLOPs， achieving a precision of 85.8%， a recall of 73.9%， and an mAP@0.5 of 83.7%， which are 7.1， 2.0， and 4.0 percentage points higher than those of YOLO11n， respectively. The detection speed reaches 90.5 FPS on the experimental platform. On an external dataset， the three metrics improve by 5.2， 1.3， and 1.9 percentage points， respectively. Experiments under synthetic fog and motion blur show that the proposed model outperforms the baseline under most degraded conditions， while the analysis of vehicle operating constraints identifies the main factors affecting practical vehicle-mounted applications.

关键词

Keywords

references

蒋弘毅，王永娟，康锦煜 . 目标检测模型及其优化方法综述［J］. 自动化学报， 2021 ， 47 （ 6 ）： 1232 - 1255 ． doi: 10.16383/j.aas.c190756 http://dx.doi.org/10.16383/j.aas.c190756

JIANG H Y ， WANG Y J ， KANG J Y . A survey of object detection models and its optimization methods ［J］. Acta Automatica Sinica ， 2021 ， 47 （ 6 ）： 1232 - 1255 . （in Chinese） . doi: 10.16383/j.aas.c190756 http://dx.doi.org/10.16383/j.aas.c190756

GIRSHICK R ， DONAHUE J ， DARRELL T ， et al . Rich feature hierarchies for accurate object detection and semantic segmentation ［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition . Columbus， OH， USA ： IEEE ， 2014 ： 580 - 587 . doi: 10.1109/cvpr.2014.81 http://dx.doi.org/10.1109/cvpr.2014.81

REN S Q ， HE K M ， GIRSHICK R ， et al . Faster R-CNN： towards real-time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2017 ， 39 （ 6 ）： 1137 - 1149 . doi: 10.1109/tpami.2016.2577031 http://dx.doi.org/10.1109/tpami.2016.2577031

REDMON J ， DIVVALA S ， GIRSHICK R ， et al . You only look once： unified， real-time object detection ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition . Las Vegas， NV， USA ： IEEE ， 2016 ： 779 - 788 . doi: 10.1109/cvpr.2016.91 http://dx.doi.org/10.1109/cvpr.2016.91

LIU W ， ANGUELOV D ， ERHAN D ， et al . SSD： single shot MultiBox detector ［C］. 14th European Conference on Computer Vision-ECCV 2016. Amsterdam， The Netherlands ： Springer ， 2016 ： 21 - 37 . doi: 10.1007/978-3-319-46448-0_2 http://dx.doi.org/10.1007/978-3-319-46448-0_2

ZUO X ， YU J ， XIAN T ， et al . Road obstacle object detection based on improved YOLO V4 ［J］. International Journal of Advanced Network， Monitoring and Controls ， 2021 ， 6 （ 3 ）： 18 - 25 . doi: 10.21307/ijanmc-2021-023 http://dx.doi.org/10.21307/ijanmc-2021-023

冉险生，李锐，贺帅 . 基于改进YOLOv5s的道路障碍物检测算法［J］. 电子测量技术， 2023 ， 46 （ 22 ）： 177 - 185 ．

RAN X S ， LI R ， HE S . Road obstacle detection algorithm based on improved YOLOv5s ［J］. Electronic Measurement Technology ， 2023 ， 46 （ 22 ）： 177 - 185 . （in Chinese）

王龙春，方巍，张丽娟，等 . 基于YOLOv8s改进的自动驾驶目标检测［J］. 液晶与显示， 2025 ， 40 （ 5 ）： 773 - 784 ． doi: 10.37188/cjlcd.2024-0290 http://dx.doi.org/10.37188/cjlcd.2024-0290

WANG L C ， FANG W ， ZHANG L J ， et al . Improved autonomous driving object detection based on YOLOv8s ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 5 ）： 773 - 784 . （in Chinese） . doi: 10.37188/cjlcd.2024-0290 http://dx.doi.org/10.37188/cjlcd.2024-0290

李玉娟，葛动元，姚锡凡，等 . 融合混合注意力与检测头的道路障碍物检测［J］. 科学技术与工程， 2026 ， 26 （ 1 ）： 253 - 261 ．

LI Y J ， GE D Y ， YAO X F ， et al . Fusion of hybrid attention and detection head for road obstacle detection ［J］. Science Technology and Engineering ， 2026 ， 26 （ 1 ）： 253 - 261 . （in Chinese）

PANG D F ， GUAN Z W ， LUO T ， et al . RGE-YOLO enables lightweight road packaging bag detection for enhanced driving safety ［J］. Scientific Reports ， 2025 ， 15 （ 1 ）： 18306 . doi: 10.1038/s41598-025-03240-z http://dx.doi.org/10.1038/s41598-025-03240-z

纪文杰，宋廷伦，容小洛，等 . PATD-YOLO：基于YOLOv11的道路障碍目标检测算法［J］. 计算机工程与应用， 2025 ， 61 （ 21 ）： 129 - 143 ．

JI W J ， SONG T L ， RONG X L ， et al . PATD-YOLO： road obstacle object detection algorithm based on YOLOv11 ［J］. Computer Engineering and Applications ， 2025 ， 61 （ 21 ）： 129 - 143 . （in Chinese）

HUANG J W ， WANG K B ， HOU Y ， et al . LW-YOLO11： a lightweight arbitrary-oriented ship detection method based on improved YOLO11 ［J］. Sensors ， 2025 ， 25 （ 1 ）： 65 .

ZHENG Z H ， WANG P ， LIU W ， et al . Distance-IoU loss： faster and better learning for bounding box regression ［C］// Proceedings of the Thirty-Fourth AAAI Conference on Artificial Intelligence . New York， NY， USA ： AAAI ， 2020 ： 12993 - 13000 . doi: 10.1609/aaai.v34i07.6999 http://dx.doi.org/10.1609/aaai.v34i07.6999

LI X ， WANG W H ， WU L J ， et al . Generalized focal loss： learning qualified and distributed bounding boxes for dense object detection ［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems . Vancouver， Canada ： Curran Associates Inc. ， 2020 ： 1763 .

李智杰，惠爱婷，李昌华，等 . 面向遥感图像道路提取的多尺度上下文感知网络［J］. 光学精密工程， 2025 ， 33 （ 4 ）： 610 - 623 ． doi: 10.37188/ope.20253304.0610 http://dx.doi.org/10.37188/ope.20253304.0610

LI Z J ， HUI A T ， LI C H ， et al . Multi-scale context-aware network for road extraction in remote sensing images ［J］. Optics and Precision Engineering ， 2025 ， 33 （ 4 ）： 610 - 623 . （in Chinese） . doi: 10.37188/ope.20253304.0610 http://dx.doi.org/10.37188/ope.20253304.0610

LIU P J ， ZHANG H Z ， LIAN W ， et al . Multi-level wavelet convolutional neural networks ［J］. IEEE Access ， 2019 ， 7 ： 74973 - 74985 . doi: 10.1109/access.2019.2921451 http://dx.doi.org/10.1109/access.2019.2921451

刘旭，宋佩博，包芳勋，等 . 融合小波卷积与频域注意力的小目标检测［J］. 中国图象图形学报， 2026 ， 31 （ 4 ）： 1125 - 1141 ． doi: 10.11834/jig.250293 http://dx.doi.org/10.11834/jig.250293

LIU X ， SONG P B ， BAO F X ， et al . Small-object detection model integrating wavelet convolution and frequency-domain attention ［J］. Journal of Image and Graphics ， 2026 ， 31 （ 4 ）： 1125 - 1141 . （in Chinese） . doi: 10.11834/jig.250293 http://dx.doi.org/10.11834/jig.250293

DAUPHIN Y N ， FAN A ， AULI M ， et al . Language modeling with gated convolutional networks ［C］// Proceedings of the 34th International Conference on Machine Learning . Sydney， Australia ： PMLR ， 2017 ： 933 - 941 .

朱世松，高虹，芦碧波，等 . 基于改进YOLOv8n的城市道路病害检测算法［J］. 液晶与显示， 2025 ， 40 （ 9 ）： 1356 - 1368 ． doi: 10.37188/cjlcd.2025-0101 http://dx.doi.org/10.37188/cjlcd.2025-0101

ZHU S S ， GAO H ， LU B B ， et al . Urban road defect detection algorithm based on improved YOLOv8n ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 9 ）： 1356 - 1368 . （in Chinese） . doi: 10.37188/cjlcd.2025-0101 http://dx.doi.org/10.37188/cjlcd.2025-0101

HOU Q B ， ZHANG L ， CHENG M M ， et al . Strip pooling： rethinking spatial pooling for scene parsing ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition . Seattle， WA， USA ： IEEE ， 2020 ： 4002 - 4011 . doi: 10.1109/cvpr42600.2020.00406 http://dx.doi.org/10.1109/cvpr42600.2020.00406

ZHANG X ， SONG Y Z ， SONG T T ， et al . LDConv： linear deformable convolution for improving convolutional neural networks ［J］. Image and Vision Computing ， 2024 ， 149 ： 105190 . doi: 10.1016/j.imavis.2024.105190 http://dx.doi.org/10.1016/j.imavis.2024.105190

HE K M ， ZHANG X Y ， REN S Q ， et al . Deep residual learning for image recognition ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition . Las Vegas， NV， USA ： IEEE ， 2016 ： 770 - 778 . doi: 10.1109/cvpr.2016.90 http://dx.doi.org/10.1109/cvpr.2016.90

张洋，孙海江，张笑闻，等 . 基于局部上下文增强的快速3D弱特征目标检测方法［J］. 液晶与显示， 2025 ， 40 （ 11 ）： 1675 - 1687 ． doi: 10.37188/cjlcd.2025-0145 http://dx.doi.org/10.37188/cjlcd.2025-0145

ZHANG Y ， SUN H J ， ZHANG X W ， et al . Fast 3D weak feature object detection method based on local context enhancement ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 11 ）： 1675 - 1687 . （in Chinese） . doi: 10.37188/cjlcd.2025-0145 http://dx.doi.org/10.37188/cjlcd.2025-0145

LIN T Y ， DOLLÁR P ， GIRSHICK R ， et al . Feature pyramid networks for object detection ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition . Honolulu， HI， USA ： IEEE ， 2017 ： 936 - 944 . doi: 10.1109/cvpr.2017.106 http://dx.doi.org/10.1109/cvpr.2017.106

LIU S ， QI L ， QIN H F ， et al . Path aggregation network for instance segmentation ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition . Salt Lake City， UT， USA ： IEEE ， 2018 ： 8759 - 8768 . doi: 10.1109/cvpr.2018.00913 http://dx.doi.org/10.1109/cvpr.2018.00913

TAN M X ， PANG R M ， LE Q V . EfficientDet： scalable and efficient object detection ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition . Seattle， WA， USA ： IEEE ， 2020 ： 10778 - 10787 . doi: 10.1109/cvpr42600.2020.01079 http://dx.doi.org/10.1109/cvpr42600.2020.01079

PADILLA R ， PASSOS W L ， DIAS T L B ， et al . A comparative analysis of object detection metrics with a companion open-source toolkit ［J］. Electronics ， 2021 ， 10 （ 3 ）： 279 . doi: 10.3390/electronics10030279 http://dx.doi.org/10.3390/electronics10030279

American Association of State Highway and Transportation Officials . A Policy on Geometric Design of Highways and Streets ［M］. Washington， DC， USA ： AASHTO ， 2001 .

JEONG Y ， SON S ， LEE B ， et al . The braking-pressure and driving-direction determination system （BDDS） using road roughness and passenger conditions of surrounding vehicles ［J］. Sensors ， 2022 ， 22 （ 12 ）： 4414 . doi: 10.3390/s22124414 http://dx.doi.org/10.3390/s22124414

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进YOLOv11n的轻量化锥筒识别算法

基于MLC-YOLO的折纸动作关键目标检测方法

基于改进YOLO11n的导电粒子目标检测算法

基于时空三维卷积网络的复杂背景下红外弱小目标检测方法

基于ZYNQ与YOLO26n的PCB缺陷检测