随着我国公路网络的快速发展，高效准确的道路病害检测技术成为确保道路安全运营和延长公路服务期限的关键。探地雷达（Ground Penetrating Radar，简称 GPR）技术以其高分辨率、非破坏性和能够进行深入地下结构探测的优势，已成为道路病害检测领域的重要工具。 同时，深度学习的兴起为探地雷达 B 扫描（B-scan）图像自动识别提供了新的解决方案，大大提高了病害检测的效率和准确性。然而，现 有研究仍面临模型精度不足、数据稀缺和实时处理能力有限等挑战。本文设计了一种基于自注意力生成式对抗神经网络（SAGAN）的路面 病害 B 扫描图像扩充算法，并利用 YOLOv4 和 YOLOv5 模型进行改进，提出了轻量级病害检测模型（MC-YOLOv4）及高精度病害检测 模型（EV2-YOLOv5）。实验结果表明，所提出的方法能够有效提高路面病害检测的准确性和实时性，且具有良好的泛化能力。 关键词：深度学习；探地雷达；路面病害检测；数据扩充；YOLO 模型
