Pour résoudre les problèmes de grande variation d'échelle des défauts, de forte interférence en arrière-plan et de complexité élevée des modèles de détection dans la détection de routes par drone, cet article propose un modèle de détection amélioré basé sur YOLOv11n appelé WADW-YOLO. Tout d'abord, dans le réseau principal, un module de convolution pondérée C3k2-WC est proposé, qui réalise une pondération spatiale des noyaux convolutionnels à l'aide d'une matrice de poids de renforcement central prédéfinie, réduisant ainsi le nombre de paramètres du modèle tout en se concentrant sur l'extraction des caractéristiques des zones de défauts ; ensuite, un module d'échantillonnage ADown léger est utilisé pour améliorer la conservation des détails des défauts, et en fin de réseau principal, un mécanisme d'attention déformable DAttention est introduit, qui ajuste adaptativement le champ réceptif pour capturer les informations globales et locales ; enfin, une fonction de perte Wise-ShapeIoU est conçue, combinant le mécanisme de focalisation non monotone de Wise-IoU et la contrainte de forme géométrique de ShapeIoU pour améliorer la performance de détection. WADW-YOLO atteint un mAP@0.5 de 74,6 % sur le dataset public China_Drone, soit une amélioration de 3,8 % par rapport à YOLOv11n, tout en réduisant les paramètres du modèle de 17,8 % et la charge de calcul de 23,8 %, réalisant un équilibre efficace entre précision de détection et légèreté du modèle. Sur le dataset China_MotorBike, WADW-YOLO affiche une amélioration de 1,8 % de mAP@0.5 par rapport à YOLOv11n, démontrant une excellente capacité de généralisation. Cet article fournit une référence technique pour une solution de déploiement haute précision et basse consommation pour la détection des défauts routiers par drone.

drone;défauts routiers;YOLOv11n;WADW-YOLO;légèreté