Para abordar los desafíos de escasez de muestras, alta tasa de omisión en texturas débiles y la interferencia de fondos complejos en la detección de daños en carreteras, se propone el algoritmo de detección de daños en carreteras SimCLR-YOLO que fusiona el preentrenamiento no supervisado SimCLR con YOLOv8n. Primero, se reemplaza el backbone SimCLR por CSPDarknet de YOLOv8n para lograr alineación estructural y transferencia fluida de características, solucionando el problema de pérdida de características causada por la incompatibilidad en la estructura de la red. Segundo, se integra la reconstrucción con máscara en el aprendizaje contrastivo, impulsando al codificador a enfocarse en los contornos de textura de grietas y baches, compensando el ajuste insuficiente del aprendizaje contrastivo en las características de textura débil. Finalmente, se incorpora el módulo de atención CBAM para guiar al modelo en la fase de preentrenamiento a suprimir el ruido de fondo como la textura del pavimento y sombras, fortaleciendo 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%, un aumento de 1.7% respecto al modelo base, mejora de 1.1% en mAP@0.5:0.95 y aumento de 1.8% en la puntuación F1. Los resultados de validación con diferentes proporciones de anotaciones demuestran que la introducción de pesos preentrenados supera el entrenamiento desde cero en todos los gradientes; con un 50% de anotación, el mAP@0.5 del algoritmo SimCLR-YOLO aún alcanza el 87%, cercano al modelo base con anotación completa, reduciendo significativamente la dependencia de datos anotados. Además, la mejora solo se realiza 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;preentrenamiento no supervisado;baja dependencia de anotaciones;preentrenamiento