En el mantenimiento de carreteras y garantizando la seguridad, detectar y reparar rápidamente defectos en el pavimento es crucial. Sin embargo, los métodos de detección convencionales demandan una cantidad considerable de mano de obra, incurren en altos costos y sufren de baja eficiencia. Para mejorar la eficiencia del mantenimiento de carreteras y reducir costos, proponemos un algoritmo mejorado basado en YOLOv8. Nuestro método incorpora varias mejoras clave. En primer lugar, reemplazamos las convoluciones convencionales con un módulo compuesto por capas espaciales a profundidad y capas de convolución no estratificadas (SPD-Conv) en la columna vertebral de la red, mejorando la capacidad de reconocer defectos de tamaño pequeño. En segundo lugar, reemplazamos el cuello de YOLOv8 con el cuello de la red ASF-YOLO para integrar completamente las características espaciales y de escala, mejorando la capacidad de extracción de características multinivel. Además, introducimos el bloque FasterNet de la red FasterNet en C2f para minimizar cálculos redundantes. Además, utilizamos Wise-IoU (WIoU) para optimizar la función de pérdida del modelo, que tiene en cuenta los factores de calidad de los objetos de manera más efectiva, permitiendo ajustes de aprendizaje adaptativos basados en muestras de diferentes calidades. Nuestro modelo fue evaluado en el conjunto de datos de daños en carreteras RDD2022, demostrando mejoras significativas sobre el modelo base. Específicamente, con una mejora del 2,8% y una velocidad de detección de 43 FPS, nuestro método demuestra ser altamente efectivo en tareas de detección de daños en carreteras en tiempo real.