Для решения проблем нехватки образцов, высокого уровня пропуска слаботекстурных дефектов и помех сложного фона в обнаружении дорожных повреждений предложен алгоритм SimCLR-YOLO, объединяющий обучение без учителя SimCLR и YOLOv8n. Во-первых, заменено ядро SimCLR на CSPDarknet из YOLOv8n для структурного выравнивания и бесшовного переноса признаков, что решает проблему потери признаков из-за несоответствия архитектур сетей. Во-вторых, маск-реконструкция интегрирована в контрастное обучение, побуждая кодировщик сосредотачиваться на текстурных контурах трещин и ям, компенсируя недоадаптацию контрастного обучения к слабым текстурам. В конце внедрен модуль внимания CBAM, направляющий модель подавлять шум фона, такой как текстуры дорожного покрытия и тени, на этапе предварительного обучения, усиливая реакцию признаков в ключевых областях. Эксперименты на открытом наборе данных RDD2022 показали, что алгоритм SimCLR-YOLO достигает mAP@0.5 89.4%, что на 1.7% выше базовой модели, mAP@0.5:0.95 повышен на 1.1%, а F1-score — на 1.8%. Результаты тестирования при различных пропорциях аннотаций показали, что введение весов предварительного обучения превосходит обучение с нуля на всех уровнях, при 50% аннотаций mAP@0.5 достигает 87%, что близко к базовой модели с полным набором аннотаций и значительно снижает зависимость от размеченных данных. Кроме того, улучшение действует только в фазе предварительного обучения, параметры при инференсе (3.01M) не имеют дополнительных затрат, что предоставляет эффективное техническое решение для оперативного обнаружения дорожно-технических повреждений при дефиците данных.

дорожные повреждения;YOLOv8n;SimCLR;обучение без учителя;низкая зависимость от аннотаций;предварительное обучение