Pour résoudre les problèmes de rareté des échantillons, de taux élevé de détection manquée des textures faibles et d’interférences de fond complexes dans la détection des dommages routiers, un algorithme de détection des dommages routiers SimCLR-YOLO intégrant l’auto-apprentissage non supervisé SimCLR et YOLOv8n est proposé. Premièrement, le backbone SimCLR est remplacé par le CSPDarknet de YOLOv8n pour aligner la structure et transférer les caractéristiques de manière transparente, résolvant ainsi la perte de caractéristiques due à la non-correspondance des structures réseau. Deuxièmement, la reconstruction par masque est intégrée à l’apprentissage contrastif, incitant l’encodeur à se concentrer sur les contours texturaux des fissures et des nids-de-poule, compensant la sous-adaptation aux caractéristiques texturales faibles. Enfin, le module d’attention CBAM est intégré pour guider le modèle à supprimer le bruit de fond comme les textures de la route et les ombres lors de la phase de pré-entraînement, renforçant la réponse des caractéristiques dans les zones clés. Les expériences sur le jeu de données public RDD2022 montrent que l’algorithme SimCLR-YOLO atteint un mAP@0.5 de 89,4 %, soit une amélioration de 1,7 % par rapport au modèle de référence, un mAP@0.5:0.95 en hausse de 1,1 % et une F1-score améliorée de 1,8 %. Les résultats de validation à différents taux d’annotation montrent que l’introduction des poids pré-entraînés est supérieure à l’entraînement à partir de zéro à tous les niveaux d’équilibre. À 50 % d’annotation, le SimCLR-YOLO atteint toujours un mAP@0.5 de 87 %, proche du modèle de base avec annotation complète, réduisant considérablement la dépendance aux données annotées. De plus, l’amélioration s’applique uniquement au pré-entraînement, sans coût supplémentaire pour les paramètres d’inférence (3,01M), fournissant une solution technique efficace pour la détection en temps réel des dommages routiers dans des conditions de rareté d’échantillons.

dommages routiers;YOLOv8n;SimCLR;non supervisé;faible dépendance d’annotation;pré-entraînement