لمعالجة مشاكل ندرة العينات، ارتفاع معدل الفشل في اكتشاف النسيج الضعيف وتداخل الخلفيات المعقدة في كشف أضرار الطرق، تم اقتراح خوارزمية كشف أضرار الطرق SimCLR-YOLO التي تدمج التدريب المسبق غير المراقب SimCLR مع YOLOv8n. أولاً، تم استبدال العمود الفقري SimCLR بـ CSPDarknet الخاص بـ YOLOv8n لتحقيق التوافق الهيكلي ونقل السمات بدون فواصل، مما يحل مشكلة فقدان السمات الناتجة عن عدم تطابق هيكل الشبكة. ثانياً، تم دمج إعادة بناء القناع في التعلم التبايني لدفع المشفر للتركيز على ملامح النسيج للتشققات والحفر، مع تعويض النقص في التكيف مع السمات ذات النسيج الضعيف. أخيراً، تم تضمين وحدة الانتباه CBAM لتوجيه النموذج أثناء مرحلة التدريب المسبق لقمع ضوضاء الخلفية مثل نسيج الطريق والظلال، وتعزيز استجابة السمات للمناطق المهمة. أظهرت التجارب على مجموعة بيانات RDD2022 أن خوارزمية SimCLR-YOLO حققت mAP@0.5 بنسبة 89.4%، بزيادة 1.7% عن النموذج الأساسي، و mAP@0.5:0.95 بزيادة 1.1%، و F1-score بزيادة 1.8%. أظهرت نتائج التحقق لنسب تعليم مختلفة أن إدخال الوزن المسبق يتفوق في جميع التدرجات على التدريب من الصفر، حيث حافظ SimCLR-YOLO على mAP@0.5 بنسبة 87% عند نسبة تعليم 50%، مما يقترب من النموذج الأساسي مع تعليم كامل ويقلل اعتماد البيانات الموسومة بشكل ملحوظ. بالإضافة إلى ذلك، يعمل التحسين فقط أثناء التدريب المسبق، مع عدم وجود عبء إضافي على معلمات الاستدلال (3.01M)، مما يوفر حلاً تقنياً فعالاً للكشف الفوري لأضرار الطرق في ظل ندرة العينات.

أضرار الطرق;YOLOv8n;SimCLR;غير مراقب;اعتماد منخفض على التعليم;تدريب مسبق