Para abordar el problema de que algunos objetos extraños en la superficie de la carretera en escenarios viales complejos frente al vehículo tienen una escala de imagen pequeña, características de borde débiles y fuerte interferencia de fondo, se propone un algoritmo ligero de detección de objetos extraños en la carretera basado en YOLO11n, llamado YOLO11-MSDF. Se diseñó un módulo de muestreo descendente desacoplado de frecuencia wavelet (WFD-Down) para conservar los detalles de bordes y texturas mediante el desacoplamiento de frecuencias altas y bajas; se construyó un módulo de pirámide espacial direccional con agrupación rápida (DSA-SPPF) que utiliza agrupación en bandas para suprimir la interferencia de fondo estructurada; se introdujo un módulo adaptativo morfológico C3 (MAK-C3) que mejora las características de límites irregulares mediante muestreo adaptativo; se diseñó un módulo de fusión dinámica asimétrica jerárquica (HADF) para integrar detalles superficiales y semántica profunda. Los resultados experimentales muestran que el número de parámetros del modelo es de 2.9 M, la carga computacional es de 7.5 GFLOPs, la Precisión, Recall y mAP@0.5 son 85.8%, 73.9% y 83.7% respectivamente, mejorando 7.1, 2.0 y 4.0 puntos porcentuales en comparación con YOLO11n, con una velocidad de detección de 90.5 FPS; en un conjunto de datos externo, los tres indicadores aumentaron 5.2, 1.3 y 1.9 puntos porcentuales respectivamente. Los experimentos de niebla sintética y desenfoque de movimiento muestran que el modelo supera la línea base en la mayoría de los escenarios degradados; el análisis de las restricciones operativas del vehículo explica los principales factores que afectan la aplicación práctica a bordo.

aprendizaje profundo;detección de objetos extraños en la carretera;modelo ligero;fusión de características;detección de objetos