Для решения проблем дефицита выборки, высокого уровня пропуска слаботекстурных дефектов и сложных фонов в обнаружении дорожных повреждений предложен алгоритм SimCLR-YOLO, объединяющий безучастное предварительное обучение SimCLR и YOLOv8n. Во-первых, каркас SimCLR заменён на CSPDarknet из YOLOv8n для достижения структурного согласования и бесшовной миграции признаков, что решает проблему потери признаков из-за несовместимости сетевых структур. Во-вторых, масочная реконструкция интегрирована в контрастное обучение, что заставляет кодировщик фокусироваться на текстурных контурах трещин и выбоин, компенсируя недообученность слабых текстурных признаков. В-третьих, внедрён модуль внимания CBAM, направляющий модель на подавление фонового шума, такого как текстура дорожного покрытия и тени, в фазе предварительного обучения, усиливая отклик признаков в ключевых областях. Эксперименты на открытом датасете RDD2022 показали, что алгоритм SimCLR-YOLO достиг mAP@0.5 89,4%, что на 1,7% выше базовой модели, mAP@0.5:0.95 увеличился на 1,1%, F1-score вырос на 1,8%. Валидация при разных пропорциях разметки показала, что введение весов предварительного обучения превосходит обучение с нуля на всех уровнях, при 50% разметке mAP@0.5 составил 87%, близко к базовой модели с полной разметкой, что существенно снижает зависимость от размеченных данных. Кроме того, улучшение действует только на этапе предобучения, без дополнительной нагрузки на параметры вывода (3,01M), обеспечивая эффективное техническое решение для реального времени обнаружения дорожных повреждений при недостатке выборки.

дорожные повреждения;YOLOv8n;SimCLR;безучастное обучение;низкая зависимость от разметки;предварительное обучение