基于無人機機庫的地質災害智能巡檢方案設計與應用

0 引言

近年來，西南山峽谷地區地質災害頻發，給水電工程的建設及安全運行帶來了嚴峻挑戰，由于植被茂密、河谷深切、谷坡陡，傳統的人工調查巡視工作強度大、效率低、風險大，甚至部分區域難以到達，無法快速全面獲取地質災害的詳細信息[1]。隨著低空經濟的發展，采用無人機巡視替代傳統人工巡視，可有效解決高山峽谷地區地質災害隱患排查困難的難題，已廣泛應用于地質災害早期識別、隱患排查、監測預警與應急處置等領域[2-5]。特別是無人機機庫的出現使無人值守作業成為可能，大大減弱了對無人機操作員、地質工程師等專業人員的依賴，促進了無人機自動巡檢技術的快速發展。相關技術及設備已普遍應用于電力巡檢[6]、光伏巡檢[7]、智慧交通[8]、智慧水利[9]、智慧安防[10]、油氣田[\"]等領域，但針對地質災害巡檢場景，由于地災隱患識別的復雜性，暫未形成全自動化的智能解決方案。

無人機傾斜攝影測量[12]、貼近攝影測量[13-14]等技術可為地災巡查提供全方位高精細的影像數據，結合三維建模和圖像識別技術，可獲取更為全面和準確的地質災害信息[15-17]。地質災害巡檢數據量大，采用人工解譯或半自動化解譯繁瑣費時、效率低。圖像智能識別技術可實現大規模地災數據的高效分析和處理，快速識別出潛在的地質災害隱患點。不同地質災害隱患在影像上呈現出不同的紋理、光譜和空間形態特征，識別的精度和難度也不盡相同。常用的圖像智能識別算法包括特征閾值法、變化檢測、機器學習、深度學習等[18-20]。其中，深度學習方法是當前研究熱點，更適合水電站等大場景下地質災害的識別，但也面臨著一些挑戰。如復雜背景下的地表裂縫識別往往受到噪聲干擾，識別準確性難以保證；基于無人機影像和深度學習的單一水庫壩址區滑坡和被動防護網識別應用較少，存在小樣本數據的困難。

因此，為實現地質災害智能巡檢的全流程自動化，需在無人機機庫自動采集數據的基礎上，針對不同地質災害體的影像特征和實際需求，設計不同的深度學習算法，并將無人機巡檢和地災智能識別功能模塊納入統一的地災管理平臺，為地災巡檢提供數據和平臺支撐。本文基于無人機機庫、攝影測量、三維建模、圖像識別、數字孿生等技術，研究了一種從地質災害數據獲取、識別到監測預警的自動化和智能化軟硬件系統方案，并在西南某電站壩址區開展應用。

1地災智能巡檢關鍵技術

1.1 無人機機庫技術

無人機機庫又稱無人機機場或無人機蜂巢，其主要功能包括停放無人機、自主充電、自主巡檢、一鍵起飛、精準定位、實時氣象監測、航線規劃、機場控制、遠程監控等功能。國內無人機行業自2018年開始試點無人機機庫，2020年開始小規模應用，目前已有多家企業涉及無人機機庫業務，并針對不同的應用場景研發了不同型號的無人機機庫和配套飛控平臺[21-2] 。例如：深圳大疆公司推出了大疆機場1代和2代，并研發了大疆司空2無人機管理平臺，同時開放上云API接口接入第三方行業應用平臺；上海復亞智能推出了智方S20小型充電機場、A30E大型換電機場、V10移動式機場等；蘇州星邏智能推出了UltraHive Mk4Pro 固定式充換電一體機庫、MobileHiveMk3無人機移動航母等;武漢普宙科技推出了K01無人機自動機庫、K02小型自動換電機庫、K03輕型自動充電機庫等。借助無人機機庫實現全自動化無人值守作業，可有效實現地災巡檢作業的自動化和遠程化，降低巡檢工作對人工的依賴，提高及時響應能力。

1.2 貼近攝影測量技術

貼近攝影測量[13指利用無人機相機貼近物體表面攝影，以物體的“面”為拍攝對象，更近距離采集目標表面亞厘米級甚至毫米級高清影像，解決了傾斜攝影測量技術對于高山峽谷地區大壩、邊坡、危巖體等非常規地面拍攝時存在局限性的問題。貼近攝影測量需要保持相對航高一致并根據目標表面形狀調整無人機和相機拍攝角度，為保證照片的采集質量和無人機的飛行安全，需根據“粗模”規劃精細航線[23]。通過高精度空中三角測量處理，能夠恢復被攝對象的精確坐標和精細形狀結構，從而實現地質災害區域的精細化三維重建，為變形體裂縫識別等提供有力的數據支撐。

1.3 地災智能識別技術

地災智能識別技術是實現地質災害自動化、智能化巡檢的關鍵。深度學習可實現大規模地災數據的高效分析和處理，快速識別出潛在的地質災害隱患點，降低人力成本和安全風險，并及時向運行管理人員提供預警信息，以減輕或避免地質災害帶來的損失。深度學習在圖像識別中主要有4個任務，即圖像分類、目標檢測、語義分割和實例分割。對于滑坡、裂縫等地質災害隱患的識別，圖像分類無法精確找出每個地質災害隱患點的位置，目標檢測的結果通常是粗略位置的包圍盒，無法給出單個屬同一類地災隱患的精確邊界。因此，語義分割和實例分割更適宜地質災害的定位和識別。語義分割常用模型包括FCN[24] U-Net^[25] DeepLab[26]等，實例分割常用模型包括MaskR-CNN[27]、SOLO[28]等。

1.4 地災管理平臺化技術

地質災害數據具有海量、多維度、多時序、異構等特性。隨著三維技術的發展，地災管理平臺逐漸發展為可在B/S架構下進行三維展示的Web系統。結合BIM、WebGIS、數字孿生、大數據等技術構建地質災害信息管理系統，可通過Internet獲取、傳輸、發布、共享和應用地理信息數據，供用戶地圖瀏覽、三維展示、數據處理、數據分析等，實現地質災害監測和地災數據管理與應用的信息化、網絡化、自動化和實時化[29-30]

2地災智能巡檢方案設計

2.1 總體設計

如圖1所示，地災智能巡檢方案主要內容包括：

（1）基礎模型建模。利用無人機傾斜攝影測量技術，采集并構建大范圍基礎模型，作為地災管理平臺的數字底座，并為貼近攝影測量航線規劃提供參考。

（2）巡檢航線規劃。針對不同的重點地質災害體，根據災害體的分布特點及巡檢精度要求，規劃專屬精細航線。

（3）地災智能巡檢。無人機機庫根據提前設定的巡檢航線和計劃任務安排，自動開展地災巡檢。無人機巡檢作業完成后，自動上傳照片和視頻至服務器。

（4）地災智能識別分析。采集數據上傳至服務器后，自動進行三維建模。根據預訓練好的智能識別算法模型，自動識別不同的地質災害隱患，并進行多期對比分析。

（5）地災數據集成管理。采用系統平臺對地質災害數據進行集成管理，可有效管理海量的巡檢數據，并實現對地質災害的快速預警。

2.2 無人機機庫選型

本文選用大疆機場2（Matrice3D套裝）作為地質災害自動巡檢的設備平臺，如圖2所示。新一代機場具有輕量化、易部署、高效作業等特點，并集成風速、雨量、環境溫度、水浸等傳感器，可實時感知天氣變化，有效降低飛行風險；其適配的Matrice3D無人機搭載長焦相機和機械快門廣角相機（4/3CMOS，有效像素2000萬），能夠滿足1：500高精度測繪作業要求，結合貼近攝影測量技術，可采集高清地災隱患數據。

2.3地災智能識別算法設計

深度學習通常需要大量的樣本數據訓練，對于單個水庫的地質災害而言，存在無人機影像樣本不足的問題。對此，一方面，采用數據增強、網絡爬蟲等方式擴充樣本量；另一方面，基于開源的衛星影像等數據集進行預訓練，采用遷移學習方法，利用示范點區域無人機航飛影像進行最終的模型訓練和優化。

語義分割和實例分割更適宜地質災害的定位和識別。滑坡和被動防護網識別選擇實例分割 SOLOv2[28]模型。SOLOv2通過位置敏感的分割方法、動態卷積掩碼生成機制，以及簡化的架構設計，實現更高效和準確的分割（圖3）。其中，滑坡識別基于衛星影像的黃土滑坡識別模型進行預訓練，被動防護網識別采用ImageNet作為預訓練主干模型。訓練配置的GPU為Tes-lav100，訓練參數見表1。

由于裂縫具有細長和可以無限延展的特征，不具有個體即實例特征，因此裂縫識別選擇UPerNet-Swin^[31-32] 模型。UPerNet-Swin 選用 Swin Transformer作為骨干網絡，在統一的框架中處理實例分割和語義分割兩個任務，從而簡化流程并提高模型的性能，其結構如圖4所示。訓練分別進行了Base、B 、Base + Focal Loss .Base+OHEM+Foca 1Loss的模塊比選，以提高識別效果。

2.4地災綜合管理平臺功能設計

地災綜合管理平臺基于自研水利數字孿生應用集成開發平臺進行開發，實現對地質災害風險的集成管理和有效預警。平臺系統由無人機管理、圖像識別、三維展示、成果管理、系統管理等5個子系統組成，每個子系統具備多個功能模塊，如圖5所示。

（1）無人機管理。基于大疆上云API接口研發，具備人員設備管理、航線規劃、飛行任務管理、實時監控、指令飛行等功能。為保證數據的安全性，采用私有化部署方式，將無人機采集后的數據通過特定網絡上傳至服務器。

（2）圖像識別模塊。利用智能識別算法對無人機回傳的圖像進行識別，包括地表裂縫及巖體張開縫識別、滑坡識別、被動防護網識別等，定量分析并做好標識；對新增裂縫或滑坡、被動防護網變形，依據預警閾值進行預警；對已存在數據進行歷史比對。

（3）三維展示。將三維模型、衛星影像、地面測繪數據、地質模型及識別出的地災對象等信息融合至三維場景，并疊加傳感器數據、氣象數據、第三方監控等實時監測數據，提供用戶交互式漫游功能；用戶可在三維場景中添加地質信息標注，如災害隱患點、地質構造、重要建筑等；支持多期三維數據對比分析；支持對歷史地質災害數據的三維回溯。

（4）成果管理。數據處理完畢，可根據預設閾值進行預警，并將最終成果輸出為報表。（5）系統管理。管理平臺的用戶及權限，以及管理員對預警閾值的管理與設置。

3 應用案例

3.1 試驗區域

西南某電站位于高山峽谷地區，壩址區兩側谷坡陡峭、地質結構復雜，存在多處崩塌（危巖）泥石流、滑坡（變形體）等地質災害隱患。綜合考慮隱患點位置、地質條件、安全風險等情況，本文選取以下示范點開展現場測試與應用： ① 某隧道進口變形體（圖6（a））所處邊坡高陡，受斷層影響，坡面巖體破碎，卸荷強烈，在自重作用下邊坡中上部出現拉裂變形，存在失穩風險； ② 左岸某泥石流溝（圖6（b））溝口距大壩僅0.9km ，溝口布置有泄洪洞、電站尾水洞等隧洞出口建筑物，溝內多見巨石堆積，溝道兩側多發生崩塌，極端暴雨下可能爆發較大規模的泥石流； ③ 左岸某區高位自然邊坡存在塊體和潛在不穩定傾倒巖體，坡面隨機分布孤石或浮石，目前已實施孤石清除和主、被動網防護等工程措施（圖6（c））。

3.2基礎模型構建及巡檢航線規劃

利用大疆M300RTK搭載禪思P1相機開展壩址區傾斜攝影測量作業，完成壩址區上游 2.5km 和下游1km 范圍內兩岸三維實景基礎模型的構建，作為地災綜合管理平臺的數據底座。同時，根據基礎模型規劃各地災體的精細巡檢航線，如圖7所示。

利用大疆機場2開展地災自動巡檢，機場部署于壩址區左岸出線場，距各示范點均在 3km 內。巡檢界面如圖8所示，將提前規劃好的巡檢航線導入地災綜合管理平臺，并根據地質隱患排查技術要求設置巡檢作業計劃，任務自動下發至機場。如遇大風、大雨等惡劣天氣，機場可根據自帶傳感器和現場氣象數據，取消本次作業，反之則按計劃執行任務。無人機作業完成后回到機庫，并將采集的照片和視頻上傳至服務器。采集的照片分辨率約為 5mm ，照片上大小裂縫和被動防護網清晰可見。

3.4地災智能識別結果和分析

3.3 地災自動巡檢

地災綜合管理平臺可對無人機巡檢采集的數據進行自動智能處理、分析和集成管理。智能識別模塊是地災智能巡檢的核心，基于已訓練好的深度學習模型，可自動識別裂縫、被動防護網和滑坡邊界，計算并記錄每個地災隱患的屬性信息。后臺處理完成后將識別后的矢量和關鍵屬性信息自動推送至隱患點管理界面（圖9）顯示，并繪制折線圖。

裂縫識別采用UperNet-Swin模型，某典型裂縫的識別結果如圖10（a）所示。精度評價指標選用IoU、準確率（Precision）、召回率（Recall）和F1值（F1-Score）。表2為整個研究區域裂縫識別結果的精度統計，在IoU閾值為0.5時，裂縫識別的準確率、召回率和F1值分別為0.6843，0.7768，0.7276。算法傾向于陰影效果較好、具有良好延展的裂縫，對地表破碎、裂縫填充等陰影效果不連續的識別結果有待改進。

滑坡和被動防護網識別采用SOLOv2模型，識別結果分別如圖10（b），（c）所示。滑坡和被動防護網識別為實例分割，采用更加綜合的平均準確率（Aver-agePrecision，AP）和 IoU=0. 5 時的平均準確率（AP50）作為精度評價指標。表3為整個研究區域的滑坡和防護網識別結果的精度統計，滑坡識別的AP和AP50分別為0.6326和0.748，防護網識別的AP和AP50分別為0.7047和0.936。算法對于滑動邊界明顯的滑坡識別效果較好，對滑動邊界不明顯的滑坡識別效果有待改進。

綜合分析可得，該研究采用的智能識別算法對裂縫、滑坡邊界和被動防護網均有不錯的識別效果，但也不可避免地存在識別誤差，為自動多期對比分析帶來不確定性。

3.5地災綜合管理

地災管理平臺對巡檢數據和智能識別成果進行綜合管理（圖11），根據多期識別結果的屬性對比分析，即可獲取每個地災隱患點的風險變化信息。根據后臺設置的閾值，可自動向管理人員推送預警信息，給出穩定性評判和防治措施建議，為管理人員決策提供依據。但是，由于地災識別結果誤差的存在，系統給出的預警也可能存在誤判。因此，在平臺中提供了風險復核、人工處置等功能，方便人員做進一步的決策管理。

4結語

本文針對高山峽谷地區水電工程運行期地質災害隱患排查和管理困難的問題，構建了一套軟硬件一體化的地質災害智能巡檢方案，研發了智能巡檢管理系統。該系統可實現無人機數據采集、地災隱患智能識別、監測預警和地質災害管理的全流程自動化，并在某電站壩址區開展應用。試驗結果表明：該方法可有效實現裂縫、滑坡體、被動防護網等地質災害隱患點的動態巡查、實時監測、智能識別分析和綜合管理，可大幅提高地質災害巡檢效率、提升地質災害管理信息化水平，為水電站運行期防災減災工作提供技術支撐。后續考慮在現場部署多臺無人機機庫以覆蓋更多的地災隱患點，并拓展智能巡檢和識別的應用場景，如滑坡體蠕滑大變形識別、排水溝淤堵識別、水工結構損傷識別等

參考文獻：

[1]郭晨，許強，董秀軍，等.無人機在重大地質災害應急調查中的應用[J].測繪通報，2020（10）：6-11，73.

[2] 許強，郭晨，董秀軍.地質災害航空遙感技術應用現狀及展望[J].測繪學報，2022，51（10）：2020-2033.

[3] 董秀軍，鄧博，袁飛云，等.航空遙感在地質災害領域的應用：現狀與展望[J」.武漢大學學報（信息科學版），2023，48（12） ：1897-1913.

[4]XU Q，ZHAO B，DAI K，et al. Remote sensing for landslideinvestigations：a progress report from China[J].EngineeringGeology，2023，321：107156.

[5]劉兵兵，吳福，劉昶，等.基于無人機融合建模的危巖運動模擬及影響區劃分[J].人民長江，2024，55（7）：138-144，159.

[6]麥俊佳，崔巍，曾懿輝.輸電線路巡檢無人機巢配置部署方法[J].廣東電力，2023，36（2）：102-108.

[7］郭智俊，丁莞爾，周劍武，等.無人機智能巡檢在光伏電站組件診斷中的應用[J].能源工程，2022，42（2）：40-44.

[8］全輝.高速公路無人機自動巡檢可行性探究[J].中國交通信息化，2022（10）：148－151，159.

[9]張建軍，曹陽，黃宇，等.高落差大型水電站自動機庫無人機巡檢與應急系統研究[J].低碳世界，2022，12（2）：65-67.

[10］李廣勤.水電站智能監測安防系統應用研究[J].水電站機電技術，2024，47（4）：59-62.

[11]劉欣欣，汪洋，黃麗，等.無人機遠程控制在油氣田行業的研究與應用[J].中國新通信，2023，25（11）：49-51，24.

[12]GRENZDORFFER G J，GURETZKI M，FRIEDLANDER I.Photogrammetric image acquisition and image analysisofoblique imagery[J].The Photogrammetric Record，2008，23（124） ：372 -386.

[13］言司.獨辟蹊徑，不斷創新貼近攝影測量：第三種攝影測量方式的誕生——專訪武漢大學遙感信息工程學院張祖勛院士[J].中國測繪，2019（10）：31-37.

[14］李云城，程子桉.基于無人機貼近攝影測量的高精度三維實景建模[J].水利水電快報，2025，46（4）：61-65.

[15］黃海峰，張瑞，周紅，等.小尺度山區地質災害隱患的無人機精細化識別方法與實踐[J].測繪通報，2024（1）：6-11.

[16］胡才源，章廣成，李小玲.無人機遙感在高位崩塌地質災害調查中的應用[J].人民長江，2019，50（1）：136－140.

[17］陳巧，袁飛云，付霞，等.無人機攝影測量技術在阿娘寨滑坡應急調查中的應用[J].測繪通報，2023（1）：77-83，119.

[18]LI Z，SHI W，LU P，et al. Landslide mapping from aerialphotographs using change detection -based Markov randomfield[J].Remote Sensing of Environment，2016，187：76-90.

[19]ZHANG X，YU W，PUN M O，et al. Cross - domain land-slide mapping from large- scale remote sensing images u-sing prototype - guided domain - aware progressive repre-sentation learning[J]. ISPRS Journal of Photogrammetryand Remote Sensing，2023，197：1-17.

[20]JI S，YUD，SHEN C，et al.Landslide detection from anopensatellite imagery and digital elevation model dataset u-sing attention boosted convolutional neural networks[J」.Landslides，2020，17：1337-1352.

[21］趙璞玉.無人機機庫監測系統設計[D].哈爾濱：哈爾濱理工大學，2024.

[22] 吳虹君.面向御系列無人機的機庫及控制系統開發[D].濟南：山東大學，2024.

[23]何佳男.貼近攝影測量及其關鍵技術研究[D].武漢：武漢大學，2022.

[24]SHELHAMER E，LONG J，DARRELL T.Fully convolution-al networks for semantic segmentation[J]. IEEE Transac-tions on Pattern Analysis and Machine Intelligence，2016，39（4） ：640 -651.

[25]RONNEBERGER O，FISCHER P，BROX T.U-net：convo-lutional networks for biomedical image segmentation[C]//NAVAB N，HORNEGGER J，WELLS W M，et al. MedicalImage Computing and Computer- Assisted Intervention -MICCAI 2O15：18th International Conference，Munich，Ger-many，October 5-9，2015，Proceedings，Part II.Munich：Springer International Publishing，2015 ：234 -241.

[26]CHEN L C，PAPANDREOU G，KOKKINOS I，et al. Deep-lab：semantic image segmentation with deep convolutionalnets，atrous convolution，and fully connected CRFs[J].IEEE Transactions on Pattern Analysis and Machine Intelli-gence，2017，40（4） ：834-848.

[27]HEK，GKIOXARIG，DOLLAR P，et al.Mask R-CNN[C]//IEEE Conference on Computer Vision and PatternRecognition.Proceedings of the IEEE International Confer-ence on Computer Vision.Venice; IEEE Computer Society，2017：2961 - 2969.

[28]WANG X，ZHANG R，KONG T，et al. Solov2：dynamic andfast instance segmentation[J]. Advances in Neural Informa-tion Processing Systems，2020，33：17721-17732.

[29］張力，張航，劉成堃，等.水利數字孿生平臺三維模擬仿真技術研究與應用[J].人民長江，2023，54（8）：9-18.

[30]覃事河，段斌，周相，等.水電工程地質災害實時監測預警系統設計及應用[J].人民長江，2023，54（10）：105-112.

[31]XIAO T，LIU Y，ZHOU B，et al. Unified perceptual parsingfor scene understanding[C]//FERRARI V，HEBERT M，SMINCHISESCU C. Computer Vision- ECCV 2018：15thEuropean Conference，Munich，Germany，September 8-14，2018，Proceedings，Part V. Munich： Springer，2018 ：418 -434.

[32]LIU Z，LIN Y，CAO Y，et al. Swin transformer：hierarchicalvision transformer using shifted windows[C]//IEEE Com-puter Vision Foundation.Proceedings of the IEEE/CVF In-ternational Conference on Computer Vision. Montreal：IEEE，2021：10012 -10022.

（編輯：高小雲）

Scheme design and application of intelligent inspection of geological hazards based on UAV hangar

ZHAO Xinyi1 ，LYU Xuzhe2，XIAO Yunhua2，GAO Chen' ，TAO Shunyong2 （1.WudongdeHydropoerlnthiangtzeowerCod.ungna；.reorgsGotecicalg Co.，Ltd.，（Wuhan），Wuhan430074，China）

Abstract： Aiming at the problems existing in the geological hazard inspection in high mountain canyon areas by manual means，uchasighoperationalsfetyisks，diultiesinpersonelacceandusatisfactoryinspectionsultsough the keytechnologiesofautomaticinspectionequipment，inteligentgeological hazardsidentification，andplatformased risk management，asetofsoftareandhardwareintegratedsystemforgeologicalhazardsintellgentinspectionwasdevelopedand demonstrated in thedam sitearea of a hydropower station insouthwestern China.Theresults showed that the proposed methodcan effectivelyrealize the intellgent inspection of geological hazards such asfractures，landslides and paiveprotectivenets，improvetheeficiencyof geological hazard inspection，educe theriskofgeological hazardispection，decrease thecostof geologicalhazardrisk management，andenhancethe disaster preventionandmitigationcapacity of hydropower station.

Key words：UAV hangar;geological hazard;intelligent inspection;image recognitio