لمعالجة مشكلة أن مقياس تصوير بعض الأجسام الغريبة على الطرق في مشاهد الطرق المعقدة أمام السيارة صغير نسبيًا، وميزات الحواف ضعيفة، والتداخل الخلفي قوي، تم اقتراح خوارزمية كشف خفيفة الوزن للأجسام الغريبة على الطريق تعتمد على YOLO11n تحت اسم YOLO11-MSDF. تم تصميم وحدة أخذ العينات المقيدة بتفكيك تردد الموجة الصغيرة (WFD-Down) للاحتفاظ بالتفاصيل الحافة والملمس من خلال التفكيك بين الترددات العالية والمنخفضة؛ وتم بناء وحدة الكشف الهرمي المدركة للمجال الاتجاهي ذات التجميع السريع (DSA-SPPF) باستخدام تجميع شريطي لقمع التداخل الهيكلي للخلفية؛ تم إدخال وحدة C3 التكيفية المورفولوجية (MAK-C3) لتعزيز ميزات الحافة غير المنتظمة عبر أخذ العينات التكيفي؛ تم تصميم وحدة الدمج الديناميكي غير المتماثل الهرمي (HADF) لتحقيق دمج بين التفاصيل السطحية والمعاني العميقة. أظهرت نتائج التجارب أن عدد معلمات النموذج 2.9 مليون، وعبء الحوسبة 7.5 جيجا فلوبس، ودقة النموذج (Precision)، الاستدعاء (Recall)، ومعدل متوسط الدقة عند 0.5 (mAP@0.5) هي 85.8٪، 73.9٪، و83.7٪ على التوالي، مع تحسينات بنسبة 7.1 و 2.0 و 4.0 نقطة مقارنة بـYOLO11n، وسرعة الكشف 90.5 إطار في الثانية؛ وعلى مجموعة بيانات خارجية، زادت المؤشرات الثلاثة بنسبة 5.2 و1.3 و1.9 نقطة على التوالي. أظهرت تجارب الضباب الصناعي والتشويش الحركي أن النموذج يتفوق على الخط الأساسي في معظم مشاهد التدهور؛ كما يوضح تحليل قيود تشغيل السيارة العوامل المؤثرة الرئيسية في التطبيق العملي على متن السيارة.

التعلم العميق;كشف الأجسام الغريبة على الطريق;النموذج الخفيف;دمج الميزات;كشف الأهداف