目的道路损伤检测作为道路基础设施智能养护与交通管理的核心环节。传统检测方法易受环境干扰且泛化能力不足，而当前深度学习方法多聚焦于目标提取能力等单维度优化，忽视损伤目标存在细长拓扑结构、形态不规则性及低对比度等复杂物理特性，无法实现高效检测。为解决上述问题，本文提出了多阶段空间感知与细节增强道路损伤检测模型。方法设计空间感知与细节增强的混合注意力模块，通过全局方向感知与细节强化的协同机制，构建长程空间依赖关系，同时显著提升对弱纹理、边缘模糊损伤的细节表征能力。构建跨尺度特征交叉融合模块，优化网络颈部架构以实现跨尺度特征的异构级联融合，有效平衡局部空间细节与全局语义信息的协同表达。此外，改进的C3K2模块嵌入坐标感知卷积，通过空间信息增强有效优化高维特征的空间耦合建模效能。结果在RDD2022基准数据集上的系统实验表明，本文模型有效识别各类道路损伤，在保持142FPS实时推理速度的同时，mAP@0.5、mAP@0.5：0.95和F1-Score较现有最优方法分别提高了1.9%、4.9%和1.8%，其中mAP@0.5达到87.7%，消融实验验证了各模块的贡献度。跨数据集测试与泛化测试进一步证实该模型具备优异的检测鲁棒性与工程适用性。结论本研究构建的多级协同优化框架，通过空间感知强化与细节特征增强的机制耦合，为道路基础设施智能养护提供了具有显著工程价值的技术解决方案。论文代码将开源于https：//www.scidb.cn/s/RZBnIz.
Yusheng et al. (Thu,) studied this question.