무인 비행체(UAV) 기반 도로 손상 탐지(RDD)는 특히 노동 비용을 크게 절감하는 측면에서 도시의 일상적인 유지 관리와 안전에 중요합니다. 그러나 현재 UAV 기반 RDD 연구는 여전히 많은 과제를 안고 있습니다. 예를 들어, 불규칙한 크기와 방향의 손상, 배경에 의한 손상 가림, 그리고 배경과 손상을 구분하는 어려움은 UAV가 일상 점검에서 도로 손상을 탐지하는 능력에 큰 영향을 미칩니다. 이러한 문제들을 해결하고 UAV의 실시간 도로 손상 탐지 성능을 향상시키기 위해, 우리는 세 가지 대응 모듈을 설계하고 제안합니다: 형태와 배경에 유연하게 적응하는 특징 추출 모듈; 다중 스케일 인식을 융합하고 형태 및 배경에 적응하는 모듈; 효율적인 다운샘플링 모듈입니다. 이러한 모듈들을 바탕으로, 배경 간섭을 자동으로 제거할 수 있는 다중 스케일 적응형 도로 손상 탐지 모델인 동적 스케일 인식 융합 탐지 모델(Dynamic Scale-Aware Fusion Detection Model, RT-DSAFDet)을 설계하였습니다. UAV-PDD2023 공개 데이터셋에서의 실험 결과, 우리의 RT-DSAFDet 모델은 최신 실시간 객체 탐지 모델 YOLOv10의 효율적인 변형형인 YOLOv10-m보다 mAP50이 54.2%로 11.1% 높으며, 파라미터 수는 1.8M으로 줄고 FLOPs는 4.6G로 감소하여 각각 88%와 93% 감소하였습니다. 또한 MS COCO2017 대규모 일반화된 객체 탐지 공개 데이터셋에서도 우리의 모델은 mAP50-95가 YOLOv9-t와 같지만, mAP50는 0.5% 더 높고 파라미터 수는 10% 더 적으며 FLOPs는 40% 더 적어 우수성을 입증하였습니다.