Pour relever les défis liés à la rareté des échantillons, au taux élevé de détection manquée des textures faibles et aux interférences de fond complexes dans la détection des défauts routiers, un algorithme de détection des défauts routiers SimCLR-YOLO combinant l’apprentissage non supervisé SimCLR et YOLOv8n est proposé. Tout d’abord, le backbone SimCLR est remplacé par CSPDarknet de YOLOv8n pour réaliser un alignement structurel et un transfert fluide des caractéristiques, résolvant ainsi le problème de perte de caractéristiques dû à l’incompatibilité des architectures réseau. Ensuite, la reconstruction par masque est intégrée à l’apprentissage contrastif, incitant l’encodeur à se concentrer sur les contours des fissures et des nids-de-poule pour compenser le sous-ajustement de l’apprentissage contrastif sur les caractéristiques à texture faible. Enfin, le module d’attention CBAM est intégré pour guider le modèle à supprimer le bruit de fond tel que la texture de la chaussée et les ombres durant 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 base, un mAP@0.5:0.95 augmenté de 1,1 % et un score F1 amélioré de 1,8 %. Les résultats de validation sous différentes proportions d’annotations indiquent que l’introduction des poids pré-entraînés surpasse l’entraînement from scratch à tous les niveaux, avec un mAP@0.5 encore de 87 % à 50 % d’annotations, proche du modèle de base avec annotation complète, réduisant ainsi considérablement la dépendance aux données annotées. De plus, l’amélioration ne se manifeste que durant le pré-entraînement, les paramètres d’inférence (3,01M) n’engendrant pas de coûts supplémentaires, fournissant une solution technique efficace pour la détection en temps réel des défauts routiers dans des conditions de rareté d’échantillons.

défauts routiers;YOLOv8n;SimCLR;pré-entraînement non supervisé;faible dépendance à l’annotation;pré-entraînement