Para abordar los problemas de escasez de muestras, alta tasa de omisión de texturas débiles e interferencias de fondos complejos en la detección de daños en carreteras, se propone un algoritmo de detección de daños en carreteras SimCLR-YOLO que fusiona el preentrenamiento no supervisado SimCLR con YOLOv8n. Primero, se reemplaza la columna vertebral SimCLR por el CSPDarknet de YOLOv8n para lograr una alineación estructural y una migración fluida de características, resolviendo el problema de pérdida de características debido a la incompatibilidad estructural de la red. En segundo lugar, se incorpora la reconstrucción de máscaras en el aprendizaje contrastivo para impulsar al codificador a enfocarse en los contornos texturales de grietas y baches, compensando el ajuste insuficiente a características de textura débil. Finalmente, se integra el módulo de atención CBAM para guiar al modelo a suprimir ruido de fondo como texturas de la carretera y sombras durante la fase de preentrenamiento, mejorando la respuesta de características en áreas clave. Los experimentos en el conjunto de datos público RDD2022 muestran que el algoritmo SimCLR-YOLO alcanza un mAP@0.5 de 89.4%, mejorando en 1.7% respecto al modelo base, un mAP@0.5:0.95 con mejora del 1.1% y un F1-score aumentado en 1.8%. Los resultados de validación con diferentes proporciones de anotación muestran que la introducción de pesos preentrenados supera el entrenamiento desde cero en todos los gradientes, manteniendo un mAP@0.5 de 87% con un 50% de anotación, acercándose al modelo base con anotación completa, reduciendo significativamente la dependencia de datos anotados. Además, la mejora solo tiene efecto durante el preentrenamiento, sin costo adicional en los parámetros de inferencia (3.01M), proporcionando una solución técnica eficaz para la detección en tiempo real de daños en carreteras bajo condiciones de escasez de muestras.

daños en carreteras;YOLOv8n;SimCLR;no supervisado;baja dependencia de anotación;preentrenamiento