图像处理 | SimCLR-YOLO:面向低标注依赖的公路病害检测算法
图像处理 | SimCLR-YOLO:面向低标注依赖的公路病害检测算法
摘要:针对公路病害检测中样本稀缺、弱纹理漏检率高及复杂背景干扰等难题,提出融合无监督预训练SimCLR与YOLOv8n的公路病害检测算法SimCLR-YOLO。首先,将SimCLR骨干替换为YOLOv8n的CSPDarknet,实现结构对齐与特征无缝迁移,解决网络结构不匹配导致的特征丢失问题。其次,将掩码重构融入对比学习,驱使编码器聚焦裂缝与坑槽的纹理轮廓,弥补对比学习对弱纹理特征的欠拟合缺陷。最后,嵌入CBAM注意力模块,引导模型在预训练阶段抑制路面纹理、阴影等背景噪声,增强关键区域的特征响应。在RDD2022公开数据集上的实验表明,SimCLR-YOLO算法的mAP@0.5达到89.4%,较基线模型提升1.7%,mAP@0.5:0.95提升1.1%,F1-score提升1.8%。不同标注比例下的验证结果显示,引入预训练权重在各梯度下均优于从头训练,在50%标注比例下,SimCLR-YOLO算法的mAP@0.5仍可达87%,接近全量标注下的基线模型,显著降低了对标注数据的依赖。此外,改进仅在预训练生效,推理参数(3.01M)无额外开销,为样本匮乏条件下的公路病害实时检测提供了有效技术方案。