Um die Probleme großer Unterschiedlichkeit der Defektgrößen, starker Hintergrundstörungen und hoher Modellkomplexität bei der Straßenerkennung mittels Drohnen zu lösen, schlägt dieser Artikel ein verbessertes Erkennungsmodell namens WADW-YOLO auf Basis von YOLOv11n vor. Zunächst wird im Backbonenetzwerk das C3k2-WC gewichtete Faltungsmodul eingeführt, das durch eine vordefinierte zentrale Verstärkungsgewichtsmatrix die räumliche Gewichtung der Faltungskerne ermöglicht, wodurch die Modellparameter reduziert und zugleich die Merkmalextraktion der Defektbereiche fokussiert wird; zweitens wird das leichte ADown Subsampling-Modul verwendet, um die Erhaltung von Defektdetails zu verbessern, und am Ende des Backbones wird der deformierbare Aufmerksamkeitsmechanismus DAttention eingeführt, der das Rezeptivfeld adaptiv anpasst, um globale und lokale Informationen zu erfassen; schließlich wird die Wise-ShapeIoU Verlustfunktion entworfen, die den nicht-monotonen Fokussierungsmechanismus von Wise-IoU mit den geometrischen Beschränkungen von ShapeIoU kombiniert und die Erkennungsleistung verbessert. WADW-YOLO erreicht auf dem öffentlichen Datensatz China_Drone eine mAP@0.5 von 74,6 %, was eine Steigerung um 3,8 % gegenüber YOLOv11n bedeutet, während die Modellparameter um 17,8 % und die Rechenleistung um 23,8 % reduziert werden, womit ein effektives Gleichgewicht zwischen Erkennungsgenauigkeit und Modell-Leichtbau erzielt wird. Auf dem Datensatz China_MotorBike steigt die mAP@0.5 von WADW-YOLO um 1,8 % gegenüber YOLOv11n, was eine herausragende Generalisierungsfähigkeit zeigt. Diese Arbeit bietet eine technische Referenz für eine hochpräzise, energieeffiziente Bereitstellungslösung zur Erkennung von Straßendefekten mittels Drohnen.

Drohne;Straßendefekte;YOLOv11n;WADW-YOLO;Leichtbau