城市道路智能测绘：市政车队即路面传感器

技术简报。

摘要。 巴西的道路养护至今仍是被动式的：坑洞只有在收到投诉之后——也就是损害发生之后——才会转为工单。本文介绍一种“车队即传感器”的方法：利用市政本已运营的车辆（公交车、垃圾清运车、养护巡查车）持续采集路面；由计算机视觉模型检测并分类各类异常；每一起事件都附带照片、日期与严重程度进行地理参照；再由一个中央看板依据危急程度、交通流量和成本对修复工作进行优先级排序。其成果是一套持续、可审计且无需新增工程的巡检——从检测直至修复的取证。

路面坑洞如今是城市管理中最大的可避免成本来源之一：车辆受损演变为司法赔偿、应急修复的费用高达计划性养护的 3 倍，以及每逢降雨便进一步恶化的公众观感。现行模式——人工巡检加市民投诉——既缓慢，又必须以损害已经存在为前提，且无法产生可用于排定优先级的数据。

• 事件通过电话／市民热线上报，既无精确定位也无证据。
• 缺乏严重程度和交通流量数据，工班只能按投诉到达的先后顺序处理——而非按风险高低。
• 缺少可审计的记录：哪里曾有坑洞、何时被填补、修补质量如何——这些正是监管填坑合同不可或缺的信息。

系统分四层运作，既无需新增工程，也不中断车队的正常运营：

• 采集 —— 在市政车队上安装紧凑型车载摄像头。每辆车覆盖其日常行驶路线；路网被持续重复访问，无需额外的行驶成本。
• AI 检测 —— 针对巴西路面训练的计算机视觉模型（YOLO 家族／语义分割），对坑洞、裂缝、劣化补丁和路面沉陷进行分类，并估算尺寸与严重程度。可在车载端（edge）或云端运行。
• 地理参照数据 —— 每一次检测都将照片、GPS 坐标、道路、日期／时间和严重程度写入地理空间数据库（PostgreSQL + PostGIS）。同一地点的重复检测会合并为一起带有历史记录的事件——其中也包括修复的可视化取证。
• 管理看板 —— 展示全城事件的地图，按严重程度分类、进行优先级排序（危急程度 × 交通流量 × 复发率）、跟踪修复工班的 SLA，并生成高管报表。

每一层都采用成熟且可移植的参考技术：

• 采集 —— 带 GNSS 的 IP67 车规级摄像头，通过 4G／Wi-Fi 卸载数据。
• 推理 —— 依据连通性和成本，在车载端（Jetson 或同类设备）或云端运行 YOLO／语义分割。
• 数据 —— PostgreSQL + PostGIS，按半径与道路进行去重。
• 服务 —— REST API 和 webhook，用于对接 156／市民热线系统及工程 ERP。
• 可视化 —— 搭载路网地图与 BI 的 Web 仪表盘（Metabase）。
• 安全 —— 自动对车牌和人脸进行匿名化处理（模糊）；LGPD 合规内建于设计之中。

整个平台可依据当地数据政策，运行于云端或市政府自有基础设施之上——数据归市政府所有，采用开放格式，自始至终皆然。

本系统观察的是路面，而非人。车牌和人脸在存储之前会被自动匿名化处理（模糊）；影像仅记录公共资产（道路本身）。数据处理以公共政策的行使为法律依据（LGPD 第 7 条第三款及第 23 条），并在部署时交付影响评估报告（RIPD），同时具备访问审计记录。

同一套基础设施——车队摄像头 + 计算机视觉流水线——只需更新模型，检测能力便远不止坑洞：缺失的窨井盖、内涝积水、垃圾违规倾倒、路灯熄灭、损坏的交通标志以及倒伏的树木。这是通往智慧城市平台的自然路径，且无需更换硬件。“车队即传感器”的方法已在巴西落地——马瑙斯（Manaus）、圣若泽杜斯坎普斯（São José dos Campos）以及 Sabesp 都在使用同一理念的不同变体——从而降低市政府的创新风险。

我们日常就在集成 SASCAR、Autotrac、Omnilink 等系统：安装并运营车载传感器是我们二十多年来深耕的领域。我们自建并运营自有平台（WMS、TMS、BI、数据增强）——绝不转售黑盒。我们也为公共决策设计看板：优先级排序、SLA 与问责，并在 LGPD、渗透测试和数据治理方面拥有成熟实践。对市政府而言，一切始于一次48 小时内的免费诊断：盘点可用车队、需对接的路线与系统，并制定路网覆盖方案，配合 90 天试点。