摘要
自动化路面损坏检测对于交通基础设施维护和道路资产管理至关重要。然而，在实际应用中，这类检测器通常需要运行在安装在检测车辆上的嵌入式设备上，而两个挑战阻碍了其实际部署：(1) 裂缝和坑洞的几何特征差异显著——前者呈细长形态，后者则类似斑点；因此，通用检测模型往往无法准确识别其中某一类；(2) 高精度检测器的计算负担较重，超出了检测平台上常用嵌入式GPU的处理能力。为了解决这些问题，本文提出了一种轻量级的实时路面损坏检测网络。首先，该网络引入了多尺度坐标注意力（MSCA）模块，将长距离的行/列依赖关系与多尺度局部信息结合在一起进行编码，这有助于准确识别细长裂缝，同时保持较高的计算效率。其次，该网络采用了“细长特征感知检测头”（SADH），将不对称分支结构与标准方形分支结构相结合，使检测器对细长物体具有明确的识别偏向。第三，设计了多粒度知识蒸馏（MGKD）机制，将“教师模型”的知识以三种互补的粒度形式传递给“学生模型”：像素级别的注意力掩蔽特征、实例对关系以及解耦的类别概率值，从而覆盖了多类别密集检测器所需的三个关键信息层次。该网络在公开的RDD2022基准测试集以及内部准备的沥青坑洞数据集上进行了训练和评估。在本研究采用固定种子、单次运行的评估方法下，该方法在作者定义的测试集上实现了71.65%的mAP@0.5准确率。虽然这一结果无法直接与RDD2022官方测试集的评估结果进行比较（因为后者使用了不同的评估协议），但在相同的评估协议下，该方法在NVIDIA Jetson Orin Nano平台上实现了72.5帧每秒的推理速度。尽管其延迟略高于YOLOv8s，但仍具备适用于车载路面检测的实时推理能力。
