近日，建设工程学院2022级本科生团队在中科院一区SCI期刊《Expert Systems with Applications》（影响因子7.6）上发表学术论文，题目为“Slope rockfall detection with impact localization and motion classification based on RAL-YOLO”。智能建造专业本科生钟方源为第一作者，指导教师庞锐为通讯作者。该成果为近五年我院本科生首次以第一作者身份在高水平SCI期刊发表学术论文，标志着学院本科生科研科创工作取得重要突破！

钟方源自大二开始对科研产生浓厚兴趣，他牵头组建由四名本科生组成的研究小组，依托庞锐副教授指导的大学生创新创业训练计划项目：“基于深度学习滨海城市边坡落石智能检测方法研究”（国家级项目），逐步开展科研工作，在开题、中期等节点，庞锐副教授与研究小组多次展开研讨会议、指明方向、协助解决难点问题。最终，研究小组提出了基于YOLOv8目标检测框架的改进模型RAL-YOLO，有效克服了YOLOv8在判别岩石运动状态与判断落点区域上的技术难题，为边坡落石灾害的智能监测提供了有效解决方案。

团队成员：钟方源、崔文博、李天翊、卢富斌（均为智能建造专业本科生）

建工学院始终高度重视本科生创新实践能力培养，聚焦“拔尖创新人才”培养目标，完善创新创业工作“三提升三保障”工作模式，积极推动各项科创竞赛工作与创新项目培育工作。未来，建工学院将继续以创新创业教育助力拔尖创新人才培养，以实际举措取得更大突破！

论文摘要：

当前用于边坡落石监测的目标检测模型面临两大瓶颈问题，即落石目标检测易受边坡静态岩石干扰，以及无法进行落点区域判断。为解决上述问题，本研究提出基于YOLOv8的增强型检测框架RAL-YOLO（Rockfall Alert Launcher -You Only Look Once）。该创新模型包含两个新型模块：用于精确分类岩石运动状态的MC（Motion Classification）运动分类模块，以及实现落石影响区域相对于道路区域的精准分割的RTM（Road Tracking and Mapping）道路追踪与映射模块。实验构建包含三种不同地表条件（裸露地表、草甸覆盖和森林覆盖）的道路边坡模型，并开发了涵盖多种气候场景的落石检测数据集。实验结果表明，RAL-YOLO通过集成MC与RTM模块，有效克服了YOLOv8在判别岩石运动状态与判断落点区域上的技术难题，为边坡落石灾害智能监测提供了有效解决方案。

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

文章链接：

https://doi.org/10.1016/j.eswa.2025.127797