摘要
基于无人驾驶飞行器（UAV）的道路损伤检测（RDD）对于城市日常维护和安全至关重要，尤其是在显著降低人工成本方面。然而，当前基于UAV的RDD研究仍面临诸多挑战。例如，不规则尺寸和方向的损伤、背景对损伤的遮挡以及区分损伤与背景的困难，这些因素严重影响了UAV在日常巡检中检测道路损伤的能力。为了解决这些问题并提高UAV在实时道路损伤检测中的性能，我们设计并提出了三个相应的模块：一个能够灵活适应形状和背景的特征提取模块；一个多尺度感知融合模块，该模块同样能够适应形状和背景；一个高效的下采样模块。基于这些模块，我们设计了一种多尺度自适应道路损伤检测模型，该模型具有自动去除背景干扰的能力，称为动态尺度感知融合检测模型（RT-DSAFDet）。在UAV-PDD2023公开数据集上的实验结果表明，我们的模型RT-DSAFDet达到了54.2%的mAP50值，比最新的实时目标检测模型YOLOv10的有效变体YOLOv10-m高出11.1%，同时参数量减少到1.8M，FLOPs减少到4.6G，分别减少了88%和93%。此外，在大规模通用目标检测公开数据集MS COCO2017上，我们的模型也表现出优越性，其mAP50-95与YOLOv9-t相同，但mAP50高出0.5%，参数量减少10%，FLOPs减少40%。