1.基于SLCD-YOLO网络的道路缺陷目标检测方法，其特征是，具体步骤如下：S1、选用道路损伤的数据集并进行预处理；

S2、配置训练环境；

S3、设计SLCD-YOLO网络模型；本步骤具体如下：

S3.1、在Backbone中使用SimSPPF模块，该模块使用ReLU激活函数的表达式如下：S3.2、采用轻量级跨尺度特征融合模块CCFM，将不同尺度的特征通过融合操作整合；

S3.3、使用LSKA特征选择模块，作为主干之后的输出层，LSKA自适应地聚合来自空间维度上的大内核的特征信息，LSKA特征输出表达式如下：其中，表示全局空间特征信息的输出，是膨胀率，分别为特征图的高度和宽度，C为输入通道数，表示输入特征图；

S3.4、使用DWRSeg扩张残差模块，DWRSeg扩张残差模块使用多速率深度方向扩张卷积，在每个简明特征图上使用期望的感受野执行形态滤波；采用两步法提取多尺度上下文信息，然后融合由多尺度感受野生成的特征图，再将此模块与C2f融合构成C2f_DWRSeg模块；本步骤中，两步法具体如下：第一步从输入特征生成相关的残留特征，称为区域残留；

第二步采用多速率扩展的深度方向卷积对不同大小的区域特征进行形态滤波，称为语义剩余化；第二步公式如下：其中，k表示扩张率，dk表示扩张率为k的卷积块组，F表示输出特征；

S3.5、使用一个轻量级的上采样算子CARAFE进行采样操作，上采样算子包括核预测模块和内容感知重组模块；给定一个形状为的输入特征图，首先利用核预测模块预测上采样核，然后利用内容感知重组模块完成上采样；

S4、将步骤S3得到的SLCD-YOLO网络模型整合到步骤S2配置好的训练环境中，并将设定好的参数文件添加至网络模型中；利用划分好的训练集和验证集图片进行模型训练和验证。

2.如权利要求1所述基于SLCD-YOLO网络的道路缺陷目标检测方法，其特征是，步骤S1中，采用公开RDD2022数据集，写脚本对于数据集进行清洗和格式化。

3.如权利要求1所述基于SLCD-YOLO网络的道路缺陷目标检测方法，其特征是，步骤S2中，根据模型所需要的环境以及基本的硬件条件搭建环境，配置训练轮次、检测目标的类别。

4.如权利要求1所述基于SLCD-YOLO网络的道路缺陷目标检测方法，其特征是，步骤S3.5中，CARAFE中的核预测模块和内容感知重组模块，公式如下：其中，为核预测模块，为内容感知重组模块，表示是以l为中心的k*k的区域，表示目标位置的重组核大小，表示重组核大小。

5.如权利要求4所述基于SLCD-YOLO网络的道路缺陷目标检测方法，其特征是，CARAFE执行步骤如下：首先，预测每个目标位置的重组核，后用预测的核重组特征；给定一个尺寸为 的特征图和一个上采样比率，CARAFE产生一个新的尺寸为  的特征图；其次，CARAFE的核预测模块根据输入特征的内容生成位置特定的核，对于每个特定的核，特征重组模块通过函数对局部区域内的特征进行重组，核预测模块对于输出特征图中的每个位置，将其映射回输入特征图，取出以之为中心的的区域，和预测出的点的上采样核作点积，得到输出核的图，内容感知重组模块使用核重组特征。

6.如权利要求1所述基于SLCD-YOLO网络的道路缺陷目标检测方法，其特征是，步骤S4中，在训练过程中，从测试集中选取的图片进行测试，以获取每个阶段训练的效果。

7.如权利要求1-6任一项所述基于SLCD-YOLO网络的道路缺陷目标检测方法，其特征是，在步骤S4后进行步骤S5、分析结果：模型在训练结束后生成相应的权重文件，导入训练好的权重以及待检测的图片和对应的标签；得到检测后的数据和图片，比较识别效果和检测精度。

8.基于SLCD-YOLO网络的道路缺陷目标检测系统，基于权利要求1-7任一项所述的方法，其特征是，包括如下模块：数据获取模块：选用道路损伤的数据集并进行预处理；

训练环境配置模块：配置训练环境；

网络模型构建模块：设计SLCD-YOLO网络模型；

训练和验证模块：将得到的SLCD-YOLO网络模型整合到配置好的训练环境中，并将设定好的参数文件添加至网络模型中；利用划分好的训练集和验证集图片进行模型训练和验证。