Para enfrentar desafios como escassez de amostras, alta taxa de falhas na detecção de texturas fracas e interferências de fundos complexos na detecção de danos em rodovias, propomos o algoritmo SimCLR-YOLO, que integra o pré-treinamento não supervisionado SimCLR com o YOLOv8n. Primeiramente, o backbone SimCLR foi substituído pelo CSPDarknet do YOLOv8n para alinhar a estrutura e permitir uma transferência contínua de características, resolvendo o problema da perda de características causada pela incompatibilidade da estrutura da rede. Em seguida, a reconstrução por máscara foi incorporada ao aprendizado contrastivo, incentivando o codificador a focar nos contornos texturais de fissuras e buracos, compensando o subajuste do aprendizado contrastivo para características de textura fraca. Finalmente, o módulo de atenção CBAM foi inserido para guiar o modelo a suprimir ruídos de fundo, como textura da superfície e sombras, durante a fase de pré-treinamento, fortalecendo a resposta de características em áreas-chave. Experimentos no conjunto de dados público RDD2022 mostram que o algoritmo SimCLR-YOLO alcançou mAP@0.5 de 89,4%, um aumento de 1,7% em relação ao modelo base, aumento de 1,1% em mAP@0.5:0.95 e melhoria de 1,8% no F1-score. Resultados de validação com diferentes proporções de anotação indicam que a introdução de pesos pré-treinados supera o treinamento do zero em todos os gradientes; com 50% de anotação, o mAP@0.5 do SimCLR-YOLO ainda pode alcançar 87%, próximo ao modelo base com anotação completa, reduzindo significativamente a dependência de dados anotados. Além disso, a melhoria atua apenas durante o pré-treinamento, sem custo adicional nos parâmetros de inferência (3,01M), fornecendo uma solução técnica eficaz para detecção em tempo real de danos em rodovias sob condições de escassez de amostras.

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