基于無人機機庫的地質(zhì)災(zāi)害智能巡檢方案設(shè)計與應(yīng)用

0 引言

近年來，西南山峽谷地區(qū)地質(zhì)災(zāi)害頻發(fā)，給水電工程的建設(shè)及安全運行帶來了嚴(yán)峻挑戰(zhàn)，由于植被茂密、河谷深切、谷坡陡，傳統(tǒng)的人工調(diào)查巡視工作強度大、效率低、風(fēng)險大，甚至部分區(qū)域難以到達(dá)，無法快速全面獲取地質(zhì)災(zāi)害的詳細(xì)信息[1]。隨著低空經(jīng)濟(jì)的發(fā)展，采用無人機巡視替代傳統(tǒng)人工巡視，可有效解決高山峽谷地區(qū)地質(zhì)災(zāi)害隱患排查困難的難題，已廣泛應(yīng)用于地質(zhì)災(zāi)害早期識別、隱患排查、監(jiān)測預(yù)警與應(yīng)急處置等領(lǐng)域[2-5]。特別是無人機機庫的出現(xiàn)使無人值守作業(yè)成為可能，大大減弱了對無人機操作員、地質(zhì)工程師等專業(yè)人員的依賴，促進(jìn)了無人機自動巡檢技術(shù)的快速發(fā)展。相關(guān)技術(shù)及設(shè)備已普遍應(yīng)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(lǐng)域，但針對地質(zhì)災(zāi)害巡檢場景，由于地災(zāi)隱患識別的復(fù)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(shù)可為地災(zāi)巡查提供全方位高精細(xì)的影像數(shù)據(jù)，結(jié)合三維建模和圖像識別技術(shù)，可獲取更為全面和準(zhǔn)確的地質(zhì)災(zāi)害信息[15-17]。地質(zhì)災(zāi)害巡檢數(shù)據(jù)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(shù)可實現(xiàn)大規(guī)模地災(zāi)數(shù)據(jù)的高效分析和處理，快速識別出潛在的地質(zhì)災(zāi)害隱患點。不同地質(zhì)災(zāi)害隱患在影像上呈現(xiàn)出不同的紋理、光譜和空間形態(tài)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(xué)習(xí)、深度學(xué)習(xí)等[18-20]。其中，深度學(xué)習(xí)方法是當(dāng)前研究熱點，更適合水電站等大場景下地質(zhì)災(zāi)害的識別，但也面臨著一些挑戰(zhàn)。如復(fù)雜背景下的地表裂縫識別往往受到噪聲干擾，識別準(zhǔn)確性難以保證；基于無人機影像和深度學(xué)習(xí)的單一水庫壩址區(qū)滑坡和被動防護(hù)網(wǎng)識別應(yīng)用較少，存在小樣本數(shù)據(jù)的困難。

因此，為實現(xiàn)地質(zhì)災(zāi)害智能巡檢的全流程自動化，需在無人機機庫自動采集數(shù)據(jù)的基礎(chǔ)上，針對不同地質(zhì)災(zāi)害體的影像特征和實際需求，設(shè)計不同的深度學(xué)習(xí)算法，并將無人機巡檢和地災(zāi)智能識別功能模塊納入統(tǒng)一的地災(zāi)管理平臺，為地災(zāi)巡檢提供數(shù)據(jù)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(shù)字孿生等技術(shù)，研究了一種從地質(zhì)災(zāi)害數(shù)據(jù)獲取、識別到監(jiān)測預(yù)警的自動化和智能化軟硬件系統(tǒng)方案，并在西南某電站壩址區(qū)開展應(yīng)用。

1地災(zāi)智能巡檢關(guān)鍵技術(shù)

1.1 無人機機庫技術(shù)

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(zhǔn)定位、實時氣象監(jiān)測、航線規(guī)劃、機場控制、遠(yuǎn)程監(jiān)控等功能。國內(nèi)無人機行業(yè)自2018年開始試點無人機機庫，2020年開始小規(guī)模應(yīng)用，目前已有多家企業(yè)涉及無人機機庫業(yè)務(wù)，并針對不同的應(yīng)用場景研發(fā)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(fā)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(yè)應(yīng)用平臺；上海復(fù)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(xiàn)全自動化無人值守作業(yè)，可有效實現(xiàn)地災(zāi)巡檢作業(yè)的自動化和遠(yuǎn)程化，降低巡檢工作對人工的依賴，提高及時響應(yīng)能力。

1.2 貼近攝影測量技術(shù)

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(biāo)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(shù)對于高山峽谷地區(qū)大壩、邊坡、危巖體等非常規(guī)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(jù)目標(biāo)表面形狀調(diào)整無人機和相機拍攝角度，為保證照片的采集質(zhì)量和無人機的飛行安全，需根據(jù)“粗?！币?guī)劃精細(xì)航線[23]。通過高精度空中三角測量處理，能夠恢復(fù)被攝對象的精確坐標(biāo)和精細(xì)形狀結(jié)構(gòu)，從而實現(xiàn)地質(zhì)災(zāi)害區(qū)域的精細(xì)化三維重建，為變形體裂縫識別等提供有力的數(shù)據(jù)支撐。

1.3 地災(zāi)智能識別技術(shù)

地災(zāi)智能識別技術(shù)是實現(xiàn)地質(zhì)災(zāi)害自動化、智能化巡檢的關(guān)鍵。深度學(xué)習(xí)可實現(xiàn)大規(guī)模地災(zāi)數(shù)據(jù)的高效分析和處理，快速識別出潛在的地質(zhì)災(zāi)害隱患點，降低人力成本和安全風(fēng)險，并及時向運行管理人員提供預(yù)警信息，以減輕或避免地質(zhì)災(zāi)害帶來的損失。深度學(xué)習(xí)在圖像識別中主要有4個任務(wù)，即圖像分類、目標(biāo)檢測、語義分割和實例分割。對于滑坡、裂縫等地質(zhì)災(zāi)害隱患的識別，圖像分類無法精確找出每個地質(zhì)災(zāi)害隱患點的位置，目標(biāo)檢測的結(jié)果通常是粗略位置的包圍盒，無法給出單個屬同一類地災(zāi)隱患的精確邊界。因此，語義分割和實例分割更適宜地質(zhì)災(zāi)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(zāi)管理平臺化技術(shù)

地質(zhì)災(zāi)害數(shù)據(jù)具有海量、多維度、多時序、異構(gòu)等特性。隨著三維技術(shù)的發(fā)展，地災(zāi)管理平臺逐漸發(fā)展為可在B/S架構(gòu)下進(jìn)行三維展示的Web系統(tǒng)。結(jié)合BIM、WebGIS、數(shù)字孿生、大數(shù)據(jù)等技術(shù)構(gòu)建地質(zhì)災(zāi)害信息管理系統(tǒng)，可通過Internet獲取、傳輸、發(fā)布、共享和應(yīng)用地理信息數(shù)據(jù)，供用戶地圖瀏覽、三維展示、數(shù)據(jù)處理、數(shù)據(jù)分析等，實現(xiàn)地質(zhì)災(zāi)害監(jiān)測和地災(zāi)數(shù)據(jù)管理與應(yīng)用的信息化、網(wǎng)絡(luò)化、自動化和實時化[29-30]

2地災(zāi)智能巡檢方案設(shè)計

2.1 總體設(shè)計

如圖1所示，地災(zāi)智能巡檢方案主要內(nèi)容包括：

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

（2）巡檢航線規(guī)劃。針對不同的重點地質(zhì)災(zāi)害體，根據(jù)災(zāi)害體的分布特點及巡檢精度要求，規(guī)劃專屬精細(xì)航線。

（3）地災(zāi)智能巡檢。無人機機庫根據(jù)提前設(shè)定的巡檢航線和計劃任務(wù)安排，自動開展地災(zāi)巡檢。無人機巡檢作業(yè)完成后，自動上傳照片和視頻至服務(wù)器。

（4）地災(zāi)智能識別分析。采集數(shù)據(jù)上傳至服務(wù)器后，自動進(jìn)行三維建模。根據(jù)預(yù)訓(xùn)練好的智能識別算法模型，自動識別不同的地質(zhì)災(zāi)害隱患，并進(jìn)行多期對比分析。

（5）地災(zāi)數(shù)據(jù)集成管理。采用系統(tǒng)平臺對地質(zhì)災(zāi)害數(shù)據(jù)進(jìn)行集成管理，可有效管理海量的巡檢數(shù)據(jù)，并實現(xiàn)對地質(zhì)災(zāi)害的快速預(yù)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(zhì)災(zāi)害自動巡檢的設(shè)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(yè)等特點，并集成風(fēng)速、雨量、環(huán)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(fēng)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(yè)要求，結(jié)合貼近攝影測量技術(shù)，可采集高清地災(zāi)隱患數(shù)據(jù)。

2.3地災(zāi)智能識別算法設(shè)計

深度學(xué)習(xí)通常需要大量的樣本數(shù)據(jù)訓(xùn)練，對于單個水庫的地質(zhì)災(zāi)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(shù)據(jù)增強、網(wǎng)絡(luò)爬蟲等方式擴充樣本量；另一方面，基于開源的衛(wèi)星影像等數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，采用遷移學(xué)習(xí)方法，利用示范點區(qū)域無人機航飛影像進(jìn)行最終的模型訓(xùn)練和優(yōu)化。

語義分割和實例分割更適宜地質(zhì)災(zāi)害的定位和識別?；潞捅粍臃雷o(hù)網(wǎng)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(tài)卷積掩碼生成機制，以及簡化的架構(gòu)設(shè)計，實現(xiàn)更高效和準(zhǔn)確的分割（圖3）。其中，滑坡識別基于衛(wèi)星影像的黃土滑坡識別模型進(jìn)行預(yù)訓(xùn)練，被動防護(hù)網(wǎng)識別采用ImageNet作為預(yù)訓(xùn)練主干模型。訓(xùn)練配置的GPU為Tes-lav100，訓(xùn)練參數(shù)見表1。

由于裂縫具有細(xì)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(wǎng)絡(luò)，在統(tǒng)一的框架中處理實例分割和語義分割兩個任務(wù)，從而簡化流程并提高模型的性能，其結(jié)構(gòu)如圖4所示。訓(xùn)練分別進(jìn)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(zāi)綜合管理平臺功能設(shè)計

地災(zāi)綜合管理平臺基于自研水利數(shù)字孿生應(yīng)用集成開發(fā)平臺進(jìn)行開發(fā)，實現(xiàn)對地質(zhì)災(zāi)害風(fēng)險的集成管理和有效預(yù)警。平臺系統(tǒng)由無人機管理、圖像識別、三維展示、成果管理、系統(tǒng)管理等5個子系統(tǒng)組成，每個子系統(tǒng)具備多個功能模塊，如圖5所示。

（1）無人機管理?；诖蠼显艫PI接口研發(fā)，具備人員設(shè)備管理、航線規(guī)劃、飛行任務(wù)管理、實時監(jiān)控、指令飛行等功能。為保證數(shù)據(jù)的安全性，采用私有化部署方式，將無人機采集后的數(shù)據(jù)通過特定網(wǎng)絡(luò)上傳至服務(wù)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(jìn)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(hù)網(wǎng)識別等，定量分析并做好標(biāo)識；對新增裂縫或滑坡、被動防護(hù)網(wǎng)變形，依據(jù)預(yù)警閾值進(jìn)行預(yù)警；對已存在數(shù)據(jù)進(jìn)行歷史比對。

（3）三維展示。將三維模型、衛(wèi)星影像、地面測繪數(shù)據(jù)、地質(zhì)模型及識別出的地災(zāi)對象等信息融合至三維場景，并疊加傳感器數(shù)據(jù)、氣象數(shù)據(jù)、第三方監(jiān)控等實時監(jiān)測數(shù)據(jù)，提供用戶交互式漫游功能；用戶可在三維場景中添加地質(zhì)信息標(biāo)注，如災(zāi)害隱患點、地質(zhì)構(gòu)造、重要建筑等；支持多期三維數(shù)據(jù)對比分析；支持對歷史地質(zhì)災(zāi)害數(shù)據(jù)的三維回溯。

（4）成果管理。數(shù)據(jù)處理完畢，可根據(jù)預(yù)設(shè)閾值進(jìn)行預(yù)警，并將最終成果輸出為報表。（5）系統(tǒng)管理。管理平臺的用戶及權(quán)限，以及管理員對預(yù)警閾值的管理與設(shè)置。

3 應(yīng)用案例

3.1 試驗區(qū)域

西南某電站位于高山峽谷地區(qū)，壩址區(qū)兩側(cè)谷坡陡峭、地質(zhì)結(jié)構(gòu)復(fù)雜，存在多處崩塌（危巖）泥石流、滑坡（變形體）等地質(zhì)災(zāi)害隱患。綜合考慮隱患點位置、地質(zhì)條件、安全風(fēng)險等情況，本文選取以下示范點開展現(xiàn)場測試與應(yīng)用： ① 某隧道進(jìn)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(xiàn)拉裂變形，存在失穩(wěn)風(fēng)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(nèi)多見巨石堆積，溝道兩側(cè)多發(fā)生崩塌，極端暴雨下可能爆發(fā)較大規(guī)模的泥石流； ③ 左岸某區(qū)高位自然邊坡存在塊體和潛在不穩(wěn)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(wǎng)防護(hù)等工程措施（圖6（c））。

3.2基礎(chǔ)模型構(gòu)建及巡檢航線規(guī)劃

利用大疆M300RTK搭載禪思P1相機開展壩址區(qū)傾斜攝影測量作業(yè)，完成壩址區(qū)上游 2.5km 和下游1km 范圍內(nèi)兩岸三維實景基礎(chǔ)模型的構(gòu)建，作為地災(zāi)綜合管理平臺的數(shù)據(jù)底座。同時，根據(jù)基礎(chǔ)模型規(guī)劃各地災(zāi)體的精細(xì)巡檢航線，如圖7所示。

利用大疆機場2開展地災(zāi)自動巡檢，機場部署于壩址區(qū)左岸出線場，距各示范點均在 3km 內(nèi)。巡檢界面如圖8所示，將提前規(guī)劃好的巡檢航線導(dǎo)入地災(zāi)綜合管理平臺，并根據(jù)地質(zhì)隱患排查技術(shù)要求設(shè)置巡檢作業(yè)計劃，任務(wù)自動下發(fā)至機場。如遇大風(fēng)、大雨等惡劣天氣，機場可根據(jù)自帶傳感器和現(xiàn)場氣象數(shù)據(jù)，取消本次作業(yè)，反之則按計劃執(zhí)行任務(wù)。無人機作業(yè)完成后回到機庫，并將采集的照片和視頻上傳至服務(wù)器。采集的照片分辨率約為 5mm ，照片上大小裂縫和被動防護(hù)網(wǎng)清晰可見。

3.4地災(zāi)智能識別結(jié)果和分析

3.3 地災(zāi)自動巡檢

地災(zāi)綜合管理平臺可對無人機巡檢采集的數(shù)據(jù)進(jìn)行自動智能處理、分析和集成管理。智能識別模塊是地災(zāi)智能巡檢的核心，基于已訓(xùn)練好的深度學(xué)習(xí)模型，可自動識別裂縫、被動防護(hù)網(wǎng)和滑坡邊界，計算并記錄每個地災(zāi)隱患的屬性信息。后臺處理完成后將識別后的矢量和關(guān)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(jié)果如圖10（a）所示。精度評價指標(biāo)選用IoU、準(zhǔn)確率（Precision）、召回率（Recall）和F1值（F1-Score）。表2為整個研究區(qū)域裂縫識別結(jié)果的精度統(tǒng)計，在IoU閾值為0.5時，裂縫識別的準(zhǔn)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(xù)的識別結(jié)果有待改進(jìn)。

滑坡和被動防護(hù)網(wǎng)識別采用SOLOv2模型，識別結(jié)果分別如圖10（b），（c）所示。滑坡和被動防護(hù)網(wǎng)識別為實例分割，采用更加綜合的平均準(zhǔn)確率（Aver-agePrecision，AP）和 IoU=0. 5 時的平均準(zhǔn)確率（AP50）作為精度評價指標(biāo)。表3為整個研究區(qū)域的滑坡和防護(hù)網(wǎng)識別結(jié)果的精度統(tǒng)計，滑坡識別的AP和AP50分別為0.6326和0.748，防護(hù)網(wǎng)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(jìn)。

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(hù)網(wǎng)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(zāi)綜合管理

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

4結(jié)語

本文針對高山峽谷地區(qū)水電工程運行期地質(zhì)災(zāi)害隱患排查和管理困難的問題，構(gòu)建了一套軟硬件一體化的地質(zhì)災(zāi)害智能巡檢方案，研發(fā)了智能巡檢管理系統(tǒng)。該系統(tǒng)可實現(xiàn)無人機數(shù)據(jù)采集、地災(zāi)隱患智能識別、監(jiān)測預(yù)警和地質(zhì)災(zāi)害管理的全流程自動化，并在某電站壩址區(qū)開展應(yīng)用。試驗結(jié)果表明：該方法可有效實現(xiàn)裂縫、滑坡體、被動防護(hù)網(wǎng)等地質(zhì)災(zāi)害隱患點的動態(tài)巡查、實時監(jiān)測、智能識別分析和綜合管理，可大幅提高地質(zhì)災(zāi)害巡檢效率、提升地質(zhì)災(zāi)害管理信息化水平，為水電站運行期防災(zāi)減災(zāi)工作提供技術(shù)支撐。后續(xù)考慮在現(xiàn)場部署多臺無人機機庫以覆蓋更多的地災(zāi)隱患點，并拓展智能巡檢和識別的應(yīng)用場景，如滑坡體蠕滑大變形識別、排水溝淤堵識別、水工結(jié)構(gòu)損傷識別等

參考文獻(xiàn)：

[1]郭晨，許強，董秀軍，等.無人機在重大地質(zhì)災(zāi)害應(yīng)急調(diào)查中的應(yīng)用[J].測繪通報，2020（10）：6-11，73.

[2] 許強，郭晨，董秀軍.地質(zhì)災(zāi)害航空遙感技術(shù)應(yīng)用現(xiàn)狀及展望[J].測繪學(xué)報，2022，51（10）：2020-2033.

[3] 董秀軍，鄧博，袁飛云，等.航空遙感在地質(zhì)災(zāi)害領(lǐng)域的應(yīng)用：現(xiàn)狀與展望[J」.武漢大學(xué)學(xué)報（信息科學(xué)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(qū)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(yīng)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(yīng)急系統(tǒng)研究[J].低碳世界，2022，12（2）：65-67.

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

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

[12]GRENZDORFFER G J，GURETZKI M，F(xiàn)RIEDLANDER 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(chuàng)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(xué)遙感信息工程學(xué)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(qū)地質(zhì)災(zāi)害隱患的無人機精細(xì)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(zhì)災(zāi)害調(diào)查中的應(yīng)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(shù)在阿娘寨滑坡應(yīng)急調(diào)查中的應(yīng)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(jiān)測系統(tǒng)設(shè)計[D].哈爾濱：哈爾濱理工大學(xué)，2024.

[22] 吳虹君.面向御系列無人機的機庫及控制系統(tǒng)開發(fā)[D].濟(jì)南：山東大學(xué)，2024.

[23]何佳男.貼近攝影測量及其關(guān)鍵技術(shù)研究[D].武漢：武漢大學(xué)，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，F(xiàn)ISCHER 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(shù)字孿生平臺三維模擬仿真技術(shù)研究與應(yīng)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(zhì)災(zāi)害實時監(jiān)測預(yù)警系統(tǒng)設(shè)計及應(yīng)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(yún)）

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