Pour résoudre le problème de la petite échelle de l’imagerie de certains objets étrangers sur la chaussée dans des scénarios routiers complexes devant le véhicule, ainsi que des caractéristiques de bord faibles et un fort bruit de fond, un algorithme léger de détection des objets étrangers sur la chaussée basé sur YOLO11n, nommé YOLO11-MSDF, est proposé. Un module d’échantillonnage descendant découplé en fréquence ondulée (WFD-Down) a été conçu pour conserver les détails des bords et des textures en découplant les hautes et basses fréquences ; un module de regroupement rapide en pyramide avec conscience directionnelle d’espace (DSA-SPPF) a été construit en utilisant un pool en bandes pour supprimer les interférences de fond structurées ; un module adaptatif morphologique C3 (MAK-C3) a été introduit pour renforcer les caractéristiques de contours irréguliers par échantillonnage adaptatif ; un module de fusion dynamique hiérarchique asymétrique (HADF) a été conçu pour intégrer les détails superficiels et la sémantique profonde. Les résultats expérimentaux montrent que le nombre de paramètres du modèle est de 2.9 M, la complexité de calcul est de 7.5 GFLOPs, les métriques Precision, Recall et mAP@0.5 sont respectivement de 85.8 %, 73.9 % et 83.7 %, ce qui représente une amélioration de 7.1, 2.0 et 4.0 points par rapport à YOLO11n, avec une vitesse de détection de 90.5 FPS ; sur un jeu de données externe, les trois indicateurs ont augmenté respectivement de 5.2, 1.3 et 1.9 points. Les expériences de brouillard synthétique et de flou de mouvement montrent que le modèle surpasse la base dans la plupart des scénarios dégradés ; l’analyse des contraintes de fonctionnement du véhicule explique les principaux facteurs influençant l’application pratique embarquée.

apprentissage profond;détection d’objets étrangers sur la chaussée;modèle léger;fusion de caractéristiques;détection d’objets