Для решения проблемы малого масштаба изображения некоторых посторонних объектов на дорожном покрытии, слабых краевых признаков и сильных помех фона в сложных дорожных ситуациях перед автомобилем предложен легковесный алгоритм обнаружения посторонних объектов на дороге YOLO11-MSDF на основе YOLO11n. Разработан модуль подвыборки с вейвлет-разделением частот (WFD-Down) для сохранения краевых и текстурных деталей за счет разделения низких и высоких частот; построен модуль быстрого пула с ориентировочным пространственным осознанием (DSA-SPPF), использующий полосовой пул для подавления структурированных фоновых помех; введен морфологический адаптивный модуль C3 (MAK-C3) для усиления признаков нерегулярных границ с помощью адаптивной выборки; разработан иерархический асимметричный модуль динамического слияния (HADF) для интеграции мелких деталей и глубоких семантических признаков. Результаты экспериментов показывают, что количество параметров модели составляет 2.9 млн, вычислительная нагрузка — 7.5 GFLOPs, Precision, Recall и mAP@0.5 равны 85.8%, 73.9% и 83.7% соответственно, что на 7.1, 2.0 и 4.0 процентных пункта выше, чем у YOLO11n, скорость обнаружения — 90.5 FPS; по внешнему набору данных все три показателя улучшены на 5.2, 1.3 и 1.9 процентных пункта соответственно. Эксперименты с синтетическим туманом и движущимся размытием показывают, что модель превосходит базовую в большинстве ухудшенных условий; анализ ограничений вождения автомобиля объясняет основные факторы, влияющие на практическое применение в автомобиле.

глубокое обучение;обнаружение посторонних объектов на дороге;легковесная модель;слияние признаков;обнаружение объектов