Zur Lösung der Probleme von Stichprobenmangel, hoher Auslassungsrate bei schwacher Textur und komplexen Hintergrundstörungen bei der Erkennung von Straßenschäden wird ein Straßen- Schadensdetektionsalgorithmus SimCLR-YOLO vorgeschlagen, der unbeaufsichtigtes Vortraining SimCLR mit YOLOv8n kombiniert. Zunächst wird das SimCLR-Backbone durch CSPDarknet von YOLOv8n ersetzt, um strukturelle Ausrichtung und nahtlose Merkmalsmigration zu realisieren und somit den durch Netzwerkstrukturinkompatibilität verursachten Merkmalsverlust zu beheben. Zweitens wird die Maskenrekonstruktion in das kontrastive Lernen integriert, um den Encoder dazu zu bringen, sich auf die Texturkonturen von Rissen und Schlaglöchern zu konzentrieren und so Defizite im Kontrastlernen bei schwachen Texturmerkmalen auszugleichen. Schließlich wird das CBAM-Aufmerksamkeitsmodul eingebettet, das das Modell in der Vortrainingsphase anleitet, Hintergrundrauschen wie Straßenstruktur und Schatten zu unterdrücken und die Merkmalsantwort in Schlüsselbereichen zu verstärken. Experimente auf dem öffentlichen RDD2022-Datensatz zeigen, dass der SimCLR-YOLO-Algorithmus eine mAP@0.5 von 89,4 % erreicht, was eine Steigerung von 1,7 % gegenüber dem Basismodell bedeutet, mAP@0.5:0.95 steigt um 1,1 % und der F1-Score verbessert sich um 1,8 %. Validierungsergebnisse bei unterschiedlichen Annotierungsraten zeigen, dass die Einführung vortrainierter Gewichte unter allen Gradienten besser ist als das Training von Grund auf. Bei 50 % Annotierungsrate erreicht der SimCLR-YOLO-Algorithmus immer noch eine mAP@0.5 von 87 %, was dem Basismodell mit vollständiger Annotation nahekommt und die Abhängigkeit von annotierten Daten erheblich reduziert. Außerdem wirkt sich die Verbesserung nur während des Vortrainings aus, ohne zusätzlichen Aufwand für die Inferenzparameter (3,01M), wodurch eine effektive technische Lösung für die Echtzeit-Erkennung von Straßenschäden unter Stichprobenmangelbedingungen bereitgestellt wird.

Straßenschäden;YOLOv8n;SimCLR;unbeaufsichtigt;geringe Abhängigkeitskennzeichnung;Vortraining