Para enfrentar os desafios da escassez de amostras, alta taxa de falha na detecção de texturas fracas e interferências de fundo complexas na detecção de danos em rodovias, foi proposto o algoritmo de detecção de danos em rodovias SimCLR-YOLO, que integra o pré-treinamento não supervisionado SimCLR com o YOLOv8n. Primeiro, o backbone SimCLR foi substituído pelo CSPDarknet do YOLOv8n para alinhar a estrutura e permitir a migração contínua das características, solucionando o problema da perda de características causada pela incompatibilidade na estrutura da rede. Em segundo lugar, a reconstrução baseada em máscara foi incorporada ao aprendizado contrastivo, induzindo o codificador a focar nos contornos texturais de fissuras e buracos, compensando a subajuste das características de textura fraca pelo aprendizado contrastivo. Por fim, o módulo de atenção CBAM foi embutido, guiando o modelo a suprimir ruídos de fundo, como texturas da superfície da rodovia e sombras, durante a fase de pré-treinamento, reforçando a resposta das características em áreas chave. Experimentos no conjunto de dados público RDD2022 mostraram que o algoritmo SimCLR-YOLO atingiu mAP@0.5 de 89,4%, um aumento de 1,7% em relação ao modelo base, mAP@0.5:0.95 aumentou 1,1% e o F1-score melhorou 1,8%. Resultados de validação com diferentes proporções de anotação mostraram que a introdução dos pesos pré-treinados foi superior ao treinamento do zero em todos os gradientes, mantendo um mAP@0.5 de 87% mesmo com 50% de anotação, aproximando-se do modelo base com anotação completa e reduzindo significativamente a dependência de dados anotados. Além disso, a melhoria ocorre apenas durante o pré-treinamento, sem custo adicional nos parâmetros de inferência (3,01M), proporcionando uma solução técnica eficaz para detecção em tempo real de danos em rodovias em condições de escassez de amostras.

danos em rodovias;YOLOv8n;SimCLR;não supervisionado;baixa dependência de anotação;pré-treinamento