近日，建設工程學院2022級本科生團隊在中科院一區SCI期刊《Expert Systems with Applications》（影響因子7.6）上發表學術論文，題目為“Slope rockfall detection with impact localization and motion classification based on RAL-YOLO”。智能建造專業本科生鐘方源為第一作者，指導教師龐銳為通訊作者。該成果為近五年我院本科生首次以第一作者身份在高水平SCI期刊發表學術論文，標志著學院本科生科研科創工作取得重要突破！
鐘方源自大二開始對科研產生濃厚興趣，他牽頭組建由四名本科生組成的研究小組，依托龐銳副教授指導的大學生創新創業訓練計劃項目：“基于深度學習濱海城市邊坡落石智能檢測方法研究”（國家級項目），逐步開展科研工作，在開題、中期等節點，龐銳副教授與研究小組多次展開研討會議、指明方向、協助解決難點問題。最終，研究小組提出了基于YOLOv8目標檢測框架的改進模型RAL-YOLO，有效克服了YOLOv8在判別巖石運動狀態與判斷落點區域上的技術難題，為邊坡落石災害的智能監測提供了有效解決方案。
團隊成員：鐘方源、崔文博、李天翊、盧富斌（均為智能建造專業本科生）
建工學院始終高度重視本科生創新實踐能力培養，聚焦“拔尖創新人才”培養目標，完善創新創業工作“三提升三保障”工作模式，積極推動各項科創競賽工作與創新項目培育工作。未來，建工學院將繼續以創新創業教育助力拔尖創新人才培養，以實際舉措取得更大突破！
論文摘要：
當前用于邊坡落石監測的目標檢測模型面臨兩大瓶頸問題，即落石目標檢測易受邊坡靜態巖石干擾，以及無法進行落點區域判斷。為解決上述問題，本研究提出基于YOLOv8的增強型檢測框架RAL-YOLO（Rockfall Alert Launcher -You Only Look Once）。該創新模型包含兩個新型模塊：用于精確分類巖石運動狀態的MC（Motion Classification）運動分類模塊，以及實現落石影響區域相對于道路區域的精準分割的RTM（Road Tracking and Mapping）道路追蹤與映射模塊。實驗構建包含三種不同地表條件（裸露地表、草甸覆蓋和森林覆蓋）的道路邊坡模型，并開發了涵蓋多種氣候場景的落石檢測數據集。實驗結果表明，RAL-YOLO通過集成MC與RTM模塊，有效克服了YOLOv8在判別巖石運動狀態與判斷落點區域上的技術難題，為邊坡落石災害智能監測提供了有效解決方案。
引用信息：
Zhong FY, Cui WB, Li TY, Lu FB, Pang R. Slope rockfall detection with impact localization and motion classification based on RAL-YOLO. Expert Systems with Applications. 2025; 285: 127797
文章鏈接：
https://doi.org/10.1016/j.eswa.2025.127797
