阿旭算法与机器学习 | PATD-YOLO：基于YOLOv11的智能道路障碍检测算法突破

本文来源公众号“阿旭算法与机器学习”，仅用于学术分享，侵权删，干货满满。

原文链接：PATD-YOLO：基于YOLOv11的智能道路障碍检测算法突破

1. 研究摘要与背景

在这里插入图片描述

道路安全新挑战
在智能驾驶时代，路面障碍物（如井盖、减速带、坑洞等）的实时精准检测直接影响行车安全与舒适性。传统激光雷达方案存在实时性差、成本高的问题，而基于振动信号的方法又存在预警延迟。深度学习虽带来突破，但小目标漏检、复杂纹理误判仍是行业痛点。

创新解决方案
南京航空航天大学团队提出PATD-YOLO算法，基于YOLOv11进行三大革新：

• 双主干动态特征融合（MSB-FDAM）

• 小目标增强金字塔（ESTO-FPN）

• 轻量化检测头（RLDH）
  在保持131.6FPS实时性能的同时，检测精度提升3%，参数量仅2.4M，完美平衡效率与精度。

---

2. 方法原理

2.1 双主干动态特征融合（MSB-FDAM）

在这里插入图片描述

技术亮点：

• MCPStem模块：共享浅层特征，减少30%计算量

• 动态卷积块：参数利用率提升4倍

• FDAM模块：消除多源特征差异，精度提升1.8%

  

2.2 小目标检测增强（ESTO-FPN）

在这里插入图片描述

三大突破：

1. 新增P2高分辨率层（160×160）

2. SPDConv切片操作保留微小目标特征

3. GLAFI模块融合深浅层特征

2.3 轻量化检测头（RLDH）

在这里插入图片描述

• 可重参数化卷积减少15%参数量

• 分组归一化实现参数共享

• 动态Scale层自适应调节定位精度

---

3. 实验验证

3.1 性能对比

指标	YOLOv11n	PATD-YOLO	提升
mAP@0.5	91.3%	94.3%	+3%
参数量(M)	2.6	2.4	-8%
FPS	122.1	131.6	+7.8%

3.2 实际场景测试

光照挑战：

在阴影条件下，传统模型漏检率高达32%，而PATD-YOLO通过多尺度特征融合，误检率降低60%。

3.3 泛化能力验证

在RDD2022公开数据集上：

• 裂缝检测mAP@0.5提升4.3%

• 坑洞（D40）识别精度提高9%

---

4. 总结与展望

技术价值：
PATD-YOLO以"轻量化+高精度"的组合拳，解决了道路检测中三大核心问题：小目标漏检（<16×16像素）、复杂纹理干扰、实时性要求。其创新模块设计已申请多项专利。

未来方向：

• 模型压缩：探索剪枝与蒸馏技术

• 多模态融合：结合红外与毫米波雷达数据

• 极端天气优化：针对雨雪场景增强鲁棒性

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。