В связи с низкой точностью алгоритмов обнаружения дорожных болезней на текущем этапе, изменчивым масштабом болезней и сложной средой приводящей к низкой точности обнаружения, был представлен алгоритм обнаружения дорожных болезней города YOLOv8-road. Во-первых, в основной сети был введен механизм внимания многоуровневого восприятия (MLPA) для захвата отношений дальнего действия и извлечения богатой контекстной информации, усиления способности выражения признаков болезни, что позволяет модели сосредоточиться на зоне болезней. Затем в структуру шеи был введен модуль DWR_Conv (Dilated Wrapping Residual Convolution) для получения C2f_D модуля, реализации многомасштабного извлечения признаков и захвата более точных признаков болезни, снижения вмешательства фона дорожного полотна в модель. Наконец, для оптимизации регрессии целевой рамки была использована функция потерь WIoU, чтобы улучшить приспособляемость модели к различным типам болезней, уменьшить негативное влияние низкокачественных образцов на обучение модели. Результаты эксперимента показали, что mAP50 для YOLOv8-road достиг 98,5%, точность и полнота составляют 96,8% и 96% соответственно, что увеличилось на 4,2%, 3,6% и 4,7% по сравнению с исходной моделью YOLOv8n. По сравнению с другими основными моделями обнаружения объектов, YOLOv8-road обладает хорошей производительностью обнаружения в задачах обнаружения дорожных болезней в реальной дорожной инженерии, что может удовлетворить потребности дорожной инженерии в приложениях.

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