Um das Problem zu lösen, dass bei komplexen Fahrzeugszenarien vor dem Fahrzeug einige Fremdkörper auf der Straßenoberfläche eine kleine Abbildungsgröße, schwache Kanteneigenschaften und starke Hintergrundstörungen aufweisen, wurde ein leichtgewichtiges Fremdkörpererkennungsalgorithmus namens YOLO11-MSDF basierend auf YOLO11n vorgeschlagen. Es wurde ein Wellenfrequenz-Entkopplungs-Downsampling-Modul (WFD-Down) entwickelt, um Kanten- und Texturdetails durch Hoch- und Niedrigfrequenzentkopplung zu erhalten; ein Richtungsraumwahrnehmungs-Pyramiden-Schnell-Pooling-Modul (DSA-SPPF) wurde gebaut, das Streifenpooling zur Unterdrückung strukturierter Hintergrundstörungen nutzt; ein morphologisch-adaptives C3-Modul (MAK-C3) wurde eingeführt, das unregelmäßige Kanteneigenschaften durch adaptive Abtastung verstärkt; es wurde ein hierarchisches asymmetrisches dynamisches Fusionsmodul (HADF) entworfen, das eine Fusion von oberflächlichen Details und tiefen Semantiken ermöglicht. Die Experimentergebnisse zeigen, dass das Modell 2,9 Mio. Parameter hat, die Berechnungsmenge 7,5 GFLOPs beträgt, Precision, Recall und mAP@0,5 jeweils 85,8 %, 73,9 % und 83,7 % erreichen und damit im Vergleich zu YOLO11n um 7,1, 2,0 bzw. 4,0 Prozentpunkte verbessert wurden; die Detektionsgeschwindigkeit beträgt 90,5 FPS; bei einem externen Datensatz wurden alle drei Kennzahlen um 5,2, 1,3 und 1,9 Prozentpunkte verbessert. Experimente mit synthetischem Nebel und Bewegungsunschärfe zeigen, dass das Modell in den meisten Verschlechterungsszenarien besser als die Basislinie ist; eine Fahrbetriebsbeschränkungsanalyse erläutert die Hauptfaktoren, die den praktischen Fahrzeugeinsatz beeinflussen.

Deep Learning;Fremdkörpererkennung auf der Straße;leichtgewichtiges Modell;Merkmalsfusion;Objekterkennung