面向复杂道路场景的轻量化路面异物检测算法

研究背景与问题

随着社会经济的快速发展和城市化进程的加快，交通安全问题日益受到关注。在车载前视系统中，路面异物的及时检测对保障行车安全至关重要。然而，在复杂道路场景下，由于路面异物成像尺度较小、边缘特征弱及背景干扰强等因素，传统路面异物检测算法在准确率和实时性方面存在较大局限性。

研究方法

针对上述问题，本文提出了一种基于YOLO11n的轻量化路面异物检测算法YOLO11-MSDF。算法主要包含以下几个方面： 1. 设计小波频率解耦下采样（WFD-Down）模块，通过对图像进行高低频解耦，有效地保留了路面异物的边缘和纹理细节，增强了特征信息的提取； 2. 构建方向空间感知金，结合空间和频率信息，增强了检测模型对边缘和纹理特征的敏感性； 3. 引入注意力机制，使得模型在处理复杂场景时能够更加关注路面异物区域，提高检测准确性； 4. 基于深度学习，采用YOLO11n框架，通过迁移学习和数据增强等手段，实现轻量化检测算法，降低算法复杂度和计算资源消耗。

核心结果

本文提出的YOLO11-MSDF算法在多个复杂道路场景数据集上进行了实验，结果表明： 1. 与传统路面异物检测算法相比，YOLO11-MSDF算法在准确率和实时性方面均有所提高； 2. 通过实验验证，WFD-Down模块、方向空间感知金和注意力机制对提高检测性能具有显著作用； 3. 在保证检测效果的同时，YOLO11-MSDF算法在计算资源消耗方面具有显著优势。

结论与意义

本文提出了一种基于YOLO11n的轻量化路面异物检测算法YOLO11-MSDF，有效地解决了车载前视复杂道路场景中路面异物检测问题。实验结果表明，该算法在准确率、实时性和计算资源消耗方面均具有显著优势。该研究成果对于提高交通安全水平、降低行车风险具有重要的理论意义和应用价值。

上一篇：基于高斯径向基函数的非饱和随机共振低照度图

下一篇：基于ZYNQ与YOLO26n的PCB缺陷检测