لمواجهة المشاكل مثل ندرة العينات، ارتفاع معدل التسرب في النصوص الضعيفة، والتشويش من الخلفيات المعقدة في كشف تلف الطرق، تم اقتراح خوارزمية كشف تلف الطرق SimCLR-YOLO التي تدمج التدريب المسبق غير الخاضع للإشراف SimCLR مع YOLOv8n. أولاً، تم استبدال العمود الفقري SimCLR بـ CSPDarknet الخاص بـ YOLOv8n لتحقيق محاذاة هيكلية وانتقال سلس للخصائص، مما يحل مشكلة فقدان الخصائص الناجمة عن عدم تطابق الهيكل الشبكي. ثانياً، تم دمج إعادة البناء بالقناع في التعلم التبايني، مما يحث المشفر على التركيز على ملامح التشققات والحفر لتعويض نقص التكيف في التعلم التبايني للميزات ذات النصوص الضعيفة. أخيراً، تم إدخال وحدة انتباه CBAM لإرشاد النموذج خلال مرحلة التدريب المسبق لقمع ضوضاء الخلفية مثل نسيج الطريق والظلال، وتعزيز استجابة الميزات في المناطق الرئيسية. أظهرت التجارب على مجموعة بيانات RDD2022 العامة أن خوارزمية SimCLR-YOLO حققت mAP@0.5 بنسبة 89.4%، بزيادة 1.7% عن النموذج الأساسي، وزيادة 1.1% في mAP@0.5:0.95، وزيادة 1.8% في F1-score. أظهرت نتائج التحقق بنسب تعبئة مختلفة أن إدخال أوزان التدريب المسبق يتفوق على التدريب من الصفر في جميع الدرجات، مع تحقيق 87% mAP@0.5 عند 50% تعبئة، وهو قريب من نموذج الأساس مع التعبئة الكاملة، مما يقلل بشكل كبير من الاعتماد على بيانات الوسم. بالإضافة إلى ذلك، يكون التحسين فعالاً فقط أثناء التدريب المسبق ولا يضيف أي تكلفة على المعلمات أثناء الاستدلال (3.01M)، مما يوفر حلاً تقنياً فعالاً للكشف في الوقت الحقيقي عن تلف الطرق في ظل ظروف ندرة العينات.

تلف الطرق;YOLOv8n;SimCLR;تدريب مسبق غير خاضع للإشراف;اعتماد منخفض على الوسم;تدريب مسبق