Face à la faible précision des algorithmes de détection des maladies des routes à l'heure actuelle, à l'échelle variable des maladies et à la complexité de l'environnement entraînant une faible précision de la détection, un algorithme de détection des maladies des routes en milieu urbain YOLOv8-road a été proposé. Tout d'abord, un mécanisme d'attention à plusieurs niveaux (MLPA) a été introduit dans le réseau principal pour capturer les relations à longue distance et extraire des informations contextuelles riches, renforcer la capacité d'expression des caractéristiques de la maladie, permettant au modèle de se concentrer sur la zone de la maladie. Ensuite, dans la structure du cou, un module DWR_Conv (Dilated Wrapping Residual Convolution) a été introduit pour obtenir le module C2f_D afin de réaliser une extraction de caractéristiques multi-échelles captant des caractéristiques de maladie plus fines, réduisant l'interférence de l'arrière-plan de la chaussée sur le modèle. Enfin, une fonction de perte WIoU a été utilisée pour optimiser la régression du cadre cible, améliorer l'adaptabilité du modèle à différents types de maladies, réduire l'impact négatif des échantillons de faible qualité sur l'apprentissage du modèle. Les résultats des expériences montrent que mAP50 pour YOLOv8-road atteint 98,5%, la précision et le rappel étant respectivement de 96,8% et 96%, ce qui a augmenté de 4,2%, 3,6% et 4,7% par rapport au modèle d'origine YOLOv8n. Comparé à d'autres modèles populaires de détection d'objets, YOLOv8-road a de bonnes performances de détection dans les tâches de détection de maladies des routes dans l'ingénierie routière réelle, répondant aux besoins de l'ingénierie routière dans les applications.

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