Angesichts der geringen Genauigkeit von Algorithmen zur Erkennung von Straßenkrankheiten in der aktuellen Zeit, der variablen Skala von Krankheiten und der Komplexität der Umgebung, die zu einer geringen Erkennungsgenauigkeit führt, wird ein Algorithmus zur Erkennung von städtischen Straßenkrankheiten YOLOv8-road vorgeschlagen. Zunächst wurde in das Hauptnetzwerk ein Mechanismus für die mehrstufige Wahrnehmungsaufmerksamkeit (MLPA) eingeführt, um Fernbeziehungen zu erfassen, reichhaltige Kontextinformationen zu extrahieren, die Fähigkeit zur Darstellung von Krankheitsmerkmalen zu stärken, so dass das Modell sich auf den Bereich der Krankheit konzentrieren kann. Anschließend wurde in die Halsstruktur ein Modul DWR_Conv (Dilated Wrapping Residual Convolution) eingeführt, um das Modul C2f_D zur mehrskaligen Merkmalsextraktion zu erhalten, feinere Krankheitsmerkmale zu erfassen und die Störungen des Straßenhintergrunds im Modell zu verringern. Schließlich wurde eine WIoU-Verlustfunktion zur Optimierung der Zielrahmenregression verwendet, um die Anpassungsfähigkeit des Modells an verschiedene Arten von Krankheiten zu verbessern und die negativen Auswirkungen von minderwertigen Proben auf das Modelllernen zu verringern. Die Experimente zeigten, dass mAP50 für YOLOv8-road 98,5% erreicht, mit einer Genauigkeit und Rückgewinnung von jeweils 96,8% und 96%, was im Vergleich zum Originalmodell YOLOv8n um 4,2%, 3,6% und 4,7% gestiegen ist. Im Vergleich zu anderen gängigen Objekterkennungsmodellen zeigt YOLOv8-road eine gute Leistung bei der Erkennung von Straßenkrankheiten in realen Straßenbauaufgaben und kann die Anforderungen des Straßenbaus in Anwendungen erfüllen.

road engineering;road defect;YOLOv8n;YOLOv8-road;attention mechanism