Para abordar los problemas de gran diferencia en la escala de los defectos, fuerte interferencia de fondo y alta complejidad del modelo en la detección de caminos mediante drones, este artículo propone un modelo de detección mejorado basado en YOLOv11n denominado WADW-YOLO. Primero, en la red principal se propone el módulo de convolución ponderada C3k2-WC, que realiza el ponderado espacial de los núcleos de convolución mediante una matriz de pesos de refuerzo central predefinida, reduciendo los parámetros del modelo mientras se enfoca en extraer características de las áreas defectuosas; segundo, se utiliza el módulo de submuestreo liviano ADown para mejorar la preservación de detalles defectuosos, y al final de la red principal se introduce el mecanismo de atención deformable DAttention, que ajusta adaptativamente el campo receptivo para capturar información global y local; finalmente, se diseña la función de pérdida Wise-ShapeIoU, que combina el mecanismo de enfoque no monótono de Wise-IoU con las restricciones geométricas de ShapeIoU para mejorar el rendimiento de detección. WADW-YOLO alcanza un mAP@0.5 del 74.6% en el conjunto de datos público China_Drone, con un aumento del 3.8% respecto a YOLOv11n, y reduce los parámetros del modelo en un 17.8% y el cálculo en un 23.8%, logrando un balance efectivo entre precisión de detección y ligereza del modelo. En el conjunto de datos China_MotorBike, WADW-YOLO mostró una mejora de 1.8% en mAP@0.5 respecto a YOLOv11n, demostrando un destacado rendimiento de generalización. Este artículo proporciona una referencia técnica para una solución de despliegue de alta precisión y bajo consumo para la detección de defectos en carreteras mediante drones.

dron;defectos en carreteras;YOLOv11n;WADW-YOLO;ligereza