林区道路表面劣化制图：基于近场传感平台RoadSens的检测、定位与养护特征评估

可运行且低影响的林区道路网络是实现可持续森林经营的基础，但此类基础设施的维护成本高昂，并且需要足够可靠且足够简便、能够用于业务实践的监测工具。研究人员提出了一种自动化方法，用于检测、制图并评估林区道路表面劣化，旨在支持终端用户——包括道路专业知识有限的使用者——指示所需的养护措施。该系统依赖车载近场传感平台RoadSens采集的数据。该平台集成立体相机影像与基于全球导航卫星系统（GNSS）的地理参考，用于获取详细的道路表面信息。采集数据在一个监测与调度环境中进行处理，采用基于近14,000幅标注图像训练的YOLOv8目标检测模型。该模型识别六类关键劣化特征：坑槽、车辙、冲沟、搓板状起伏、石块和植被。基于这些检测结果，可定位与养护相关的特征，并依据覆盖阈值将道路区段划分为3个劣化等级，随后通过交通信号灯系统进行可视化。挪威南部一条林区道路上的案例研究表明，该系统具备检测与分类养护需求的能力。尽管对于植被等较为均一的特征表现较强，但对于车辙等不规则结构的识别更具挑战性，偶尔会导致对实际养护需求的误判。尽管如此，研究结果证实了将目标检测模型集成到数据驱动的林区道路养护调度中的技术可行性。未来改进仍需更大规模且更多样化的训练数据集，以及适配地方条件和特定道路使用者需求的分类框架。

该文发表于《International Journal of Forest Engineering》，围绕林区道路表面劣化的自动化检测、空间定位与养护需求评估展开，核心目标是验证近场传感平台RoadSens与计算机视觉流程结合后，是否能够形成面向实际业务应用的林区道路监测与养护调度支持体系。研究背景在于，林区道路网络是森林经营、木材运输和多种生态系统服务实现的基础设施，但道路在交通荷载、风化作用和植被侵入影响下会持续劣化，若缺乏及时维护，不仅会降低通行能力，还会增加侵蚀、水文风险与后续重建成本。传统人工巡查虽然仍被广泛采用，但存在耗时、成本高、主观性强和难以与数字化决策支持系统高效衔接等问题。因此，研究人员开展本研究，试图以车载近场感知、地理定位与深度学习识别相结合的方式，建立一套能够自动发现养护问题、识别重点区段并对道路状态进行分级表达的技术路线。

从研究设计看，RoadSens被构建为一种灵活安装于车辆上的近场传感平台，集成立体相机、惯性测量单元（IMU，惯性测量单元）集成的测量级全球导航卫星系统（GNSS）模块、嵌入式计算设备和通信模块。其概念并非仅停留在图像采集，而是面向终端用户服务，强调数据上云、后处理分析以及对林区道路技术分类和运行监测的支持。本文在已有RoadSens研究基础上，进一步将道路养护相关病害识别纳入处理链，重点聚焦六类常见养护特征：坑槽、车辙、冲沟、搓板状起伏、石块和道路表面植被。研究人员并非只进行单一目标识别，而是将识别结果进一步聚合到道路区段尺度，构建一个交通灯式的劣化等级表达体系，使非专业用户也能直接理解何处无需干预、何处应尽快维护、何处需要立即处置。

方法上，研究人员首先通过RoadSens同步采集GNSS原始观测数据与立体视频影像，并采用RTKLIB 2.4.3进行差分后处理，以提高林冠遮挡条件下的定位精度。对于局部信号遮挡，处理流程还结合立体视觉里程计输出与样条插值平滑轨迹，在必要时可进一步整合航位推算。随后，以后处理坐标结果为基础生成带地理参考的道路三维点云。每一帧图像经YOLOv8-small目标检测模型处理，识别对应病害像素，再将这些像素映射到三维点云中的对应点，从而得到带病害布尔标记的地理参考三维点云。在此基础上，系统按固定间隔提取道路横断面，并在设定滑动窗口内计算被某类病害影响的横断面比例，以此估计各道路区段受不同养护特征影响的覆盖程度，最终生成单项病害和综合病害的道路状态图。训练数据由RoadSens外业采集影像与车载行车记录仪影像组成，主要来源于挪威南部林道和非铺装乡村道路，并补充德国部分样本，总计约14,000幅标注图像，按训练集70%、验证集20%、测试集10%划分。研究人员采用YOLOv8-small开展六类别目标检测，并以精确率、召回率、F1值、mAP@0.5和mAP@0.5–0.95评价性能。案例应用对象为挪威南部Sønsterud附近一条长2.7 km的Solor林道。

主要技术方法可概括为以下几方面：第一，基于车载近场传感平台RoadSens进行道路影像与GNSS同步采集，并利用差分后处理、视觉里程计和轨迹平滑提升林冠遮挡环境下的定位质量；第二，使用YOLOv8-small卷积神经网络（CNN，卷积神经网络）对约14,000幅多时段、多道路条件图像进行六类养护特征目标检测；第三，将二维检测结果映射到立体视觉生成的地理参考三维点云中，通过横断面提取与滑动窗口统计实现道路区段尺度的病害覆盖评估；第四，在样本来源上，训练数据主要来自挪威南部林道与非铺装农村道路，另补充德国北莱茵-威斯特法伦州数据，案例验证则采用挪威南部Solor林道实测数据。

在结果部分，论文首先报告了“Maintenance feature detection model performance”。多用途YOLO模型在验证集上总体取得较好的精确率与召回率平衡，在置信度阈值0.605时总体F1值为0.81。坑槽检测具有最高精确率0.920，说明模型对该类目标识别较准，但mAP@50与mAP@50–95之间存在明显差距，表明面对形态更复杂的坑槽时，边界定位稳定性仍有限。植被作为外观相对均一的特征，取得精确率0.895、召回率0.929和F1值0.912，表现稳健。石块同样具有较高精确率0.895，但召回率仅0.587，说明模型易漏检形态多变或与背景路面材料相似的石块。车辙与冲沟由于训练样本较少，mAP@50–95分别仅为0.590和0.393，显示泛化能力仍待加强。值得注意的是，搓板状起伏虽实例数不多，却获得最高F1值0.931以及最佳mAP指标，但作者同时指出，由于该类样本多样性有限，这一高性能可能存在过拟合与评估偏倚风险，外推到真实场景时应谨慎理解。混淆矩阵还显示，在较低置信度阈值下，植被和搓板状起伏的正确预测率最高，而石块最低；坑槽虽召回较高，但假阳性比例也高，强阳光与树冠阴影交替是造成误判的重要因素之一。

随后，“Real-world application to the test road”部分验证了系统在真实林道中的适用性。测试道路在林冠遮挡下仍出现GNSS信号退化，6.2%的原始数据无法获得定位解；其余数据中，多数历元定位精度可达适合道路病害定位与制图的水平，89.8%的历元平均精度约0.09 m，中位数0.07 m，说明整体地理定位效果可满足监测任务需求。对Solor道路视频的主观观察显示，局部存在表面劣化与植被侵入。分类流程运行后，对坑槽与搓板状起伏的判定大多为轻度劣化；石块与植被则识别出若干中度和重度区段，约四分之一道路因此进入需要优先安排维护的类别，部分热点区段需要立即处理以防止进一步恶化。更值得关注的是，模型将76%的道路识别为存在严重车辙，在综合所有病害后，有86%的道路被降为最高劣化等级。作者进一步通过回看影像指出，路面确实普遍可见轻微轮迹，但这些浅层轮迹虽提示路拱受扰、应开展预防性养护，却不足以将整条道路判为严重失效状态。这一结果表明，系统虽然具备“发现问题”的能力，但若仅依据病害是否出现而不考虑其严重程度，综合分级可能会高估实际养护优先级。

讨论部分围绕该系统的优势与当前限制展开。研究人员指出，RoadSens的价值不仅在于自动检测病害，更在于以高分辨率、带空间定位的信息支持不同终端用户开展有针对性的解读和决策。文章特别强调了二元化病害评价的局限，即仅判断“是否存在”而未纳入病害幅度、深度、体积等量化信息。例如浅车辙与深车辙对通行性和维护紧迫性的意义明显不同，但现有规则可能将二者同等看待。此外，训练数据类别不平衡也是限制因素之一，坑槽、石块和植被样本更丰富，因此检测更稳定；车辙、冲沟和搓板状起伏代表性较弱，会影响综合评分的可靠性。论文进一步指出，RoadSens基于立体视觉生成的三维点云实际上为后续病害定量化留下了空间，例如可对坑槽深度、车辙深度、病害面积和体积进行分割估计，再与阈值结合区分轻度、中度和重度病害；另一种思路则是直接在目标检测模型层面扩展病害等级分类。不过无论采取哪种方案，前提都是建立区域化、标准化的林区道路劣化分级框架。

研究还总结了复杂环境对目标检测的影响。林区道路相较于铺装道路在材料组成、纹理外观和光照条件上更具异质性，因此深度学习模型对大规模、多样化训练数据的需求更高。强光、阴影和天气变化会显著影响识别表现，本研究主要在稳定、晴朗条件下验证可行性，而恶劣天气和低光照情景尚未纳入。另一个困难是病害之间存在连续演化关系，例如车辙可进一步发展为冲沟，二者在人工和自动识别上都不总是易于区分。尽管如此，从养护意义上看，这两类病害往往都意味着排水受损和侵蚀风险增加，需要尽快采取整形、增强承载力等措施；若病害根源来自道路纵坡或线形问题，则可能需要道路线形改造而非一般维护。这说明仅识别病害类别并不足够，还需要结合成因与区域道路条件，才能为养护决策提供真正可操作的信息。

结论部分可译为：RoadSens近场传感平台展示了为计算机视觉支持的林区道路监测系统采集原始数据的技术可行性。研究人员提出了一条利用带地理参考的RoadSens影像、并集成目标检测模型识别养护相关道路特征的处理流程，通过简化的交通灯系统判定林区道路状态。结果表明该方法具有良好前景；通过持续增加实例多样性以及总体训练数据量，目标检测模型的检测精度仍有进一步提升空间。然而，所提出系统的限制并不只在于模型检测性能，对检测结果在道路劣化效应层面的实际评价同样关键。因此，所检测到的养护特征还需要依据深度等附加属性进一步分级，或细分为更多视觉子类别，这要求扩展评价因子和相应训练数据输入。关于林区道路劣化阶段的分类标准，目前在区域层面尚未形成统一共识，这是一个需要道路使用者与管理者协同解决的问题，而非单纯的计算机视觉问题。本文提出的流程是一种功能上可行的方法，其性能能够通过更优目标检测模型持续提升，但其业务应用价值最终仍取决于所采用的分类标准。尽管如此，将适配后的标准整合进该流程，或依据特定区域规章进行调整，并不存在根本性技术障碍，因此该研究可被视为自动化林区道路管理系统向前迈出的具有功能意义的一步。