도로 손상 탐지에서 샘플 부족, 약한 텍스처 누락률 증가 및 복잡한 배경 간섭과 같은 문제를 해결하기 위해 비지도 사전학습 SimCLR과 YOLOv8n을 융합한 도로 손상 탐지 알고리즘 SimCLR-YOLO를 제안한다. 먼저, SimCLR 백본을 YOLOv8n의 CSPDarknet으로 교체하여 구조 정렬과 특징의 원활한 전이를 실현하고 네트워크 구조 불일치로 인한 특징 손실 문제를 해결했다. 다음으로 마스크 재구성을 대조 학습에 통합하여 인코더가 균열 및 포트홀의 텍스처 윤곽에 집중하도록 하여 대조 학습의 약한 텍스처 특징 미적합 문제를 보완한다. 마지막으로 CBAM 주의 모듈을 삽입하여 모델이 사전학습 단계에서 도로 텍스처, 그림자 등의 배경 잡음을 억제하도록 유도하여 주요 영역의 특징 반응을 강화한다. RDD2022 공개 데이터셋에서의 실험 결과 SimCLR-YOLO 알고리즘은 mAP@0.5 89.4%를 달성하여 베이스라인 모델 대비 1.7%, mAP@0.5:0.95는 1.1%, F1-score는 1.8% 향상되었다. 다양한 주석 비율에서의 검증 결과, 사전학습 가중치 도입이 모든 단계에서 처음부터 학습하는 것보다 우수함을 나타내며, 50% 주석 비율에서도 SimCLR-YOLO 알고리즘의 mAP@0.5는 87%에 달해 전체 주석 모델과 근접하며 주석 데이터 의존도를 크게 낮췄다. 또한 개선은 사전학습 단계에서만 유효하며 추론 파라미터(3.01M)에 추가 비용이 없어 샘플 부족 환경에서 실시간 도로 손상 탐지를 위한 효과적인 기술 솔루션을 제공한다.

도로 손상;YOLOv8n;SimCLR;비지도 사전학습;낮은 주석 의존성;사전학습