道路損傷検出におけるサンプル不足、弱いテクスチャの検出漏れ率の高さおよび複雑な背景干渉といった課題に対処するため、教師なし事前学習SimCLRとYOLOv8nを融合した道路損傷検出アルゴリズムSimCLR-YOLOを提案する。まず、SimCLRのバックボーンをYOLOv8nのCSPDarknetに置き換え、構造の整合性と特徴のシームレスな移行を実現し、ネットワーク構造の不一致による特徴損失問題を解決する。次に、マスク再構成を対比学習に統合し、エンコーダがひび割れやポットホールのテクスチャ輪郭に注目するよう促し、弱いテクスチャ特徴に対する対比学習の過少適合問題を補う。最後に、CBAM注意モジュールを組み込み、事前学習段階で道路テクスチャや陰影などの背景ノイズを抑制し、重要領域の特徴応答を強化する。RDD2022公開データセット上の実験により、SimCLR-YOLOアルゴリズムはmAP@0.5で89.4%を達成し、ベースラインモデルと比べて1.7%向上、mAP@0.5:0.95は1.1%、F1スコアは1.8%向上した。異なる注釈比率での検証結果は、事前学習済み重みの導入があらゆるグラデーションで初期学習より優れており、50%注釈比率でもSimCLR-YOLOアルゴリズムのmAP@0.5は87%に達し、全注釈下のベースラインモデルに近く、注釈データへの依存を大幅に低減した。さらに、改善は事前学習段階のみで有効であり、推論パラメータ（3.01M）に追加負荷はなく、サンプル不足条件下での道路損傷リアルタイム検出に有効な技術的ソリューションを提供する。

道路損傷;YOLOv8n;SimCLR;教師なし;低注釈依存;事前学習