Para enfrentar os problemas de grande diferença na escala dos defeitos, forte interferência de fundo e alta complexidade do modelo na detecção de estradas por drone, este artigo propõe um modelo de detecção aprimorado baseado no YOLOv11n chamado WADW-YOLO. Primeiro, na rede principal, foi proposto o módulo de convolução ponderada C3k2-WC, que realiza o ponderamento espacial dos núcleos de convolução por meio de uma matriz de pesos de reforço central predefinida, reduzindo a quantidade de parâmetros do modelo enquanto foca na extração de características das áreas defeituosas; segundo, utiliza-se o módulo de amostragem descendente leve ADown para melhorar a preservação de detalhes dos defeitos, e na extremidade da rede principal é introduzido o mecanismo de atenção deformável DAttention, que ajusta adaptativamente o campo receptivo para capturar informações globais e locais; por fim, foi projetada a função de perda Wise-ShapeIoU, que combina o mecanismo de focalização não monótona do Wise-IoU com as restrições geométricas do ShapeIoU para aprimorar o desempenho da detecção. O WADW-YOLO alcançou um mAP@0.5 de 74,6% no conjunto de dados público China_Drone, um aumento de 3,8% em relação ao YOLOv11n, com redução de 17,8% nos parâmetros e de 23,8% nos cálculos, alcançando um equilíbrio eficaz entre precisão de detecção e leveza do modelo. No conjunto de dados China_MotorBike, o mAP@0.5 do WADW-YOLO aumentou 1,8% em relação ao YOLOv11n, demonstrando excelente desempenho de generalização. Este artigo fornece uma referência técnica para uma solução de implantação de alta precisão e baixo consumo para a detecção de defeitos em estradas por drone.

drone;defeitos em estradas;YOLOv11n;WADW-YOLO;leveza