Frente a la baja precisión de los algoritmos de detección de enfermedades de carreteras en la actualidad, la variabilidad de la escala de las enfermedades y la complejidad del entorno que conlleva una baja precisión en la detección, se propone un algoritmo de detección de enfermedades de carreteras en la ciudad YOLOv8-road. En primer lugar, se introdujo un mecanismo de atención de percepción multinivel (MLPA) en la red principal para capturar relaciones de larga distancia y extraer información contextual abundante, fortalecer la capacidad de expresión de las características de la enfermedad, permitiendo que el modelo se centre en la zona de la enfermedad. Luego, en la estructura del cuello, se introdujo un módulo DWR_Conv (Dilated Wrapping Residual Convolution) para obtener el módulo C2f_D para realizar una extracción de características de múltiples escalas, capturando características de enfermedad más finas, reduciendo la interferencia del fondo del pavimento en el modelo. Por último, se utilizó una función de pérdida WIoU para optimizar la regresión del cuadro objetivo, mejorar la adaptabilidad del modelo a diferentes tipos de enfermedades, reducir el impacto negativo de las muestras de baja calidad en el aprendizaje del modelo. Los resultados de los experimentos muestran que mAP50 para YOLOv8-road alcanza el 98,5%, con una precisión y recuperación del 96,8% y 96% respectivamente, lo que aumentó en un 4,2%, 3,6% y 4,7% respectivamente en comparación con el modelo original YOLOv8n. En comparación con otros modelos populares de detección de objetos, YOLOv8-road tiene un buen rendimiento de detección en las tareas de detección de enfermedades de carreteras en la ingeniería vial real, satisfaciendo las necesidades de la ingeniería vial en las aplicaciones.

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