Para resolver o problema de que alguns objetos estranhos na superfície da estrada em cenários rodoviários complexos diante do veículo têm escala de imagem pequena, características de borda fracas e forte interferência de fundo, é proposto um algoritmo leve de detecção de objetos estranhos na estrada baseado em YOLO11n, denominado YOLO11-MSDF. Um módulo de downsampling desacoplado por frequência wavelet (WFD-Down) foi projetado para preservar detalhes de bordas e texturas por meio do desacoplamento de frequências altas e baixas; foi construído um módulo piramidal de pooling rápido com percepção espacial direcional (DSA-SPPF), que utiliza pooling em faixas para suprimir interferências estruturadas do fundo; foi introduzido um módulo C3 adaptativo morfológico (MAK-C3), que melhora as características de borda irregulares por meio de amostragem adaptativa; foi projetado um módulo de fusão dinâmica assimétrica hierárquica (HADF), que integra detalhes superficiais com semântica profunda. Os resultados experimentais mostram que o número de parâmetros do modelo é 2,9 M, a carga computacional é 7,5 GFLOPs, precisely, recall e mAP@0,5 são 85,8 %, 73,9 % e 83,7 %, respectivamente, melhorando 7,1, 2,0 e 4,0 pontos percentuais em comparação com o YOLO11n, com velocidade de detecção de 90,5 FPS; no conjunto de dados externo, os três indicadores aumentaram 5,2, 1,3 e 1,9 pontos percentuais, respectivamente. Experimentos com neblina sintética e desfoque de movimento mostram que o modelo supera a linha de base na maioria dos cenários degradados; a análise das restrições operacionais do veículo explica os principais fatores que influenciam a aplicação prática embarcada.

aprendizado profundo;detecção de objetos estranhos na estrada;modelo leve;fusão de características;detecção de objetos