道路損傷検出におけるサンプル不足、弱いテクスチャの見逃し率の高さ、複雑な背景ノイズなどの課題に対して、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転送を実現し、ネットワーク構造の不一致による特徴の喪失問題を解決する。次に、マスク再構築を対比学習に組み込み、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小適合欠点を補う。最後にCBAM注意モジュールを組み込み、事前学習段階でモデルが路面のテクスチャや影などの背景ノイズを抑制するよう誘導し、重要領域の特徴応答を強化する。RDD2022公開データセットでの実験から、SimCLR-YOLOアルゴリズムのmAP@0.5は89.4％で、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％改善、F1スコアは1.8％向上した。異なるアノテーション比率での検証結果は、事前学習済み重みの導入がすべてのグラデーションで初期学習より優れており、50％のアノテーションでもSimCLR-YOLOアルゴリズムのmAP@0.5は87％に達し、完全アノテーションのベースラインモデルに近く、アノテーションデータへの依存を大幅に低減している。さらに、改善は事前学習段階のみで発揮され、推論パラメータ（3.01M）に追加コストはなく、サンプル不足環境での道路損傷リアルタイム検出に対する効果的な技術的解決策を提供する。

道路損傷;YOLOv8n;SimCLR;教師なし事前学習;低アノテーション依存;事前学習