Um Herausforderungen wie Probenknappheit, hohe Ausfallraten bei schwacher Texturerkennung und komplexe Hintergrundstörungen bei der Straßenschadensdetektion zu bewältigen, wurde der SimCLR-YOLO-Algorithmus vorgeschlagen, der das unüberwachte Pretraining SimCLR mit YOLOv8n kombiniert. Zuerst wurde das SimCLR-Backbone durch CSPDarknet von YOLOv8n ersetzt, um eine strukturelle Ausrichtung und nahtlose Merkmalsübertragung zu realisieren, wodurch das Problem des Merkmalsverlusts durch Netzwerkstruktur-Inkompatibilität gelöst wird. Zweitens wurde 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 die Unteranpassung des kontrastiven Lernens an schwache Texturmerkmale auszugleichen. Schließlich wurde das CBAM-Aufmerksamkeitsmodul eingebettet, um das Modell in der Pretraining-Phase zu führen, Hintergrundrauschen wie Straßenstruktur und Schatten zu unterdrücken und die Merkmalsantwort in Schlüsselbereichen zu verstärken. Experimente am öffentlichen RDD2022-Datensatz zeigen, dass der SimCLR-YOLO-Algorithmus eine mAP@0.5 von 89,4 % erreicht, was eine Verbesserung um 1,7 % gegenüber dem Basismodell bedeutet, mAP@0.5:0,95 wurde um 1,1 % erhöht und der F1-Score um 1,8 %. Validierungsergebnisse bei unterschiedlichen Annotierungsquoten zeigen, dass die Einführung vortrainierter Gewichte das Training von Grund auf in allen Stufen übertrifft; bei 50 % Annotation erreicht der SimCLR-YOLO-Algorithmus immer noch eine mAP@0.5 von 87 %, nahe am Basismodell mit vollständiger Annotation, was die Abhängigkeit von annotierten Daten deutlich reduziert. Darüber hinaus wirken sich die Verbesserungen nur im Pretraining aus, die Inferenzparameter (3,01M) verursachen keine zusätzlichen Kosten, wodurch eine effektive technische Lösung für die Echtzeit-Erkennung von Straßenschäden unter Bedingungen mit Probenmangel bereitgestellt wird.

Straßenschäden;YOLOv8n;SimCLR;unüberwachtes Pretraining;geringe Annotierungsabhängigkeit;Pretraining