PATD-YOLO：基于YOLOv11的道路障碍目标检测算法

来源：计算机工程与应用杂志2025年第21期北京时间：

作者：纪文杰, 宋廷伦, 容小洛, 周迈

单位：1.南京航空航天大学 能源与动力学院， 南京 210016；2.奇瑞汽车股份有限公司，安徽 芜湖 241007

摘要：道路障碍检测对车辆驾驶操控的稳定性与行驶的安全性极为重要，针对路面复杂纹理和异物多样性导致的误检、漏检及小目标物体检测精度不足问题，提出基于YOLOv11的改进道路障碍目标检测模型（PATD-YOLO）。设计融合双主干网络，其中MCPStem（multi-convolution pooling）模块共享浅层特征，HGNetV2作为第二主干引入动态卷积增强参数表达能力，特征动态校准融合（feature dynamic aligning merge）模块消除多源特征空间差异，实现高效特征融合。设计小目标物体增强特征金字塔，增加P2层高分辨率特征图，采用SPDConv切片操作保留小目标信息，设计GLAFI（global-local aggregate feature information）模块进行特征整合模块融合浅层细粒度与深层语义特征。引入可重参数化卷积（reparameterizable convolution）设计了重参数轻量化检测头（reparameterized lightweight detection head），提高参数利用率。实验结果表明，在参数量与计算量基本不变的情况下，改进算法在自建数据集与RDD2022公开数据集上的检测精度mAP@0.5相较于基准算法分别提升3.0和4.3个百分点，均超越了主流算法，并且检测速度达到131.6 FPS，能够满足车辆检测的实时性要求。

关键词：道路障碍检测,YOLOv11,特征动态融合,可重参数化