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(yùn)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(qiáng)度大、效率低、風(fēng)險(xiǎn)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(jī)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(shí)別、隱患排查、監(jiān)測(cè)預(yù)警與應(yīng)急處置等領(lǐng)域[2-5]。特別是無人機(jī)機(jī)庫(kù)的出現(xiàn)使無人值守作業(yè)成為可能，大大減弱了對(duì)無人機(jī)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(jī)自動(dòng)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(duì)地質(zhì)災(zāi)害巡檢場(chǎng)景，由于地災(zāi)隱患識(shí)別的復(fù)雜性，暫未形成全自動(dòng)化的智能解決方案。

無人機(jī)傾斜攝影測(cè)量[12]、貼近攝影測(cè)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(shí)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(dòng)化解譯繁瑣費(fèi)時(shí)、效率低。圖像智能識(shí)別技術(shù)可實(shí)現(xiàn)大規(guī)模地災(zāi)數(shù)據(jù)的高效分析和處理，快速識(shí)別出潛在的地質(zhì)災(zāi)害隱患點(diǎn)。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(shí)別的精度和難度也不盡相同。常用的圖像智能識(shí)別算法包括特征閾值法、變化檢測(cè)、機(jī)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(diǎn)，更適合水電站等大場(chǎng)景下地質(zhì)災(zāi)害的識(shí)別，但也面臨著一些挑戰(zhàn)。如復(fù)雜背景下的地表裂縫識(shí)別往往受到噪聲干擾，識(shí)別準(zhǔn)確性難以保證；基于無人機(jī)影像和深度學(xué)習(xí)的單一水庫(kù)壩址區(qū)滑坡和被動(dòng)防護(hù)網(wǎng)識(shí)別應(yīng)用較少，存在小樣本數(shù)據(jù)的困難。

因此，為實(shí)現(xiàn)地質(zhì)災(zāi)害智能巡檢的全流程自動(dòng)化，需在無人機(jī)機(jī)庫(kù)自動(dòng)采集數(shù)據(jù)的基礎(chǔ)上，針對(duì)不同地質(zhì)災(zāi)害體的影像特征和實(shí)際需求，設(shè)計(jì)不同的深度學(xué)習(xí)算法，并將無人機(jī)巡檢和地災(zāi)智能識(shí)別功能模塊納入統(tǒng)一的地災(zāi)管理平臺(tái)，為地災(zāi)巡檢提供數(shù)據(jù)和平臺(tái)支撐。本文基于無人機(jī)機(jī)庫(kù)、攝影測(cè)量、三維建模、圖像識(shí)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(shí)別到監(jiān)測(cè)預(yù)警的自動(dòng)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(jī)機(jī)庫(kù)技術(shù)

無人機(jī)機(jī)庫(kù)又稱無人機(jī)機(jī)場(chǎng)或無人機(jī)蜂巢，其主要功能包括停放無人機(jī)、自主充電、自主巡檢、一鍵起飛、精準(zhǔn)定位、實(shí)時(shí)氣象監(jiān)測(cè)、航線規(guī)劃、機(jī)場(chǎng)控制、遠(yuǎn)程監(jiān)控等功能。國(guó)內(nèi)無人機(jī)行業(yè)自2018年開始試點(diǎn)無人機(jī)機(jī)庫(kù)，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(jī)機(jī)庫(kù)業(yè)務(wù)，并針對(duì)不同的應(yīng)用場(chǎng)景研發(fā)了不同型號(hào)的無人機(jī)機(jī)庫(kù)和配套飛控平臺(tái)[21-2] 。例如：深圳大疆公司推出了大疆機(jī)場(chǎng)1代和2代，并研發(fā)了大疆司空2無人機(jī)管理平臺(tái)，同時(shí)開放上云API接口接入第三方行業(yè)應(yīng)用平臺(tái)；上海復(fù)亞智能推出了智方S20小型充電機(jī)場(chǎng)、A30E大型換電機(jī)場(chǎng)、V10移動(dòng)式機(jī)場(chǎng)等；蘇州星邏智能推出了UltraHive Mk4Pro 固定式充換電一體機(jī)庫(kù)、MobileHiveMk3無人機(jī)移動(dòng)航母等;武漢普宙科技推出了K01無人機(jī)自動(dòng)機(jī)庫(kù)、K02小型自動(dòng)換電機(jī)庫(kù)、K03輕型自動(dòng)充電機(jī)庫(kù)等。借助無人機(jī)機(jī)庫(kù)實(shí)現(xiàn)全自動(dòng)化無人值守作業(yè)，可有效實(shí)現(xiàn)地災(zāi)巡檢作業(yè)的自動(dòng)化和遠(yuǎn)程化，降低巡檢工作對(duì)人工的依賴，提高及時(shí)響應(yīng)能力。

1.2 貼近攝影測(cè)量技術(shù)

貼近攝影測(cè)量[13指利用無人機(jī)相機(jī)貼近物體表面攝影，以物體的“面”為拍攝對(duì)象，更近距離采集目標(biāo)表面亞厘米級(jí)甚至毫米級(jí)高清影像，解決了傾斜攝影測(cè)量技術(shù)對(duì)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(shí)存在局限性的問題。貼近攝影測(cè)量需要保持相對(duì)航高一致并根據(jù)目標(biāo)表面形狀調(diào)整無人機(jī)和相機(jī)拍攝角度，為保證照片的采集質(zhì)量和無人機(jī)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(cè)量處理，能夠恢復(fù)被攝對(duì)象的精確坐標(biāo)和精細(xì)形狀結(jié)構(gòu)，從而實(shí)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(shí)別等提供有力的數(shù)據(jù)支撐。

1.3 地災(zāi)智能識(shí)別技術(shù)

地災(zāi)智能識(shí)別技術(shù)是實(shí)現(xiàn)地質(zhì)災(zāi)害自動(dòng)化、智能化巡檢的關(guān)鍵。深度學(xué)習(xí)可實(shí)現(xiàn)大規(guī)模地災(zāi)數(shù)據(jù)的高效分析和處理，快速識(shí)別出潛在的地質(zhì)災(zāi)害隱患點(diǎn)，降低人力成本和安全風(fēng)險(xiǎn)，并及時(shí)向運(yùn)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(shí)別中主要有4個(gè)任務(wù)，即圖像分類、目標(biāo)檢測(cè)、語義分割和實(shí)例分割。對(duì)于滑坡、裂縫等地質(zhì)災(zāi)害隱患的識(shí)別，圖像分類無法精確找出每個(gè)地質(zhì)災(zāi)害隱患點(diǎn)的位置，目標(biāo)檢測(cè)的結(jié)果通常是粗略位置的包圍盒，無法給出單個(gè)屬同一類地災(zāi)隱患的精確邊界。因此，語義分割和實(shí)例分割更適宜地質(zhì)災(zāi)害的定位和識(shí)別。語義分割常用模型包括FCN[24] U-Net^[25] DeepLab[26]等，實(shí)例分割常用模型包括MaskR-CNN[27]、SOLO[28]等。

1.4 地災(zāi)管理平臺(tái)化技術(shù)

地質(zhì)災(zāi)害數(shù)據(jù)具有海量、多維度、多時(shí)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(tái)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(shí)現(xiàn)地質(zhì)災(zāi)害監(jiān)測(cè)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(dòng)化和實(shí)時(shí)化[29-30]

2地災(zāi)智能巡檢方案設(shè)計(jì)

2.1 總體設(shè)計(jì)

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(jī)傾斜攝影測(cè)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(tái)的數(shù)字底座，并為貼近攝影測(cè)量航線規(guī)劃提供參考。

（2）巡檢航線規(guī)劃。針對(duì)不同的重點(diǎn)地質(zhì)災(zāi)害體，根據(jù)災(zāi)害體的分布特點(diǎn)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(jī)機(jī)庫(kù)根據(jù)提前設(shè)定的巡檢航線和計(jì)劃任務(wù)安排，自動(dòng)開展地災(zāi)巡檢。無人機(jī)巡檢作業(yè)完成后，自動(dòng)上傳照片和視頻至服務(wù)器。

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

（5）地災(zāi)數(shù)據(jù)集成管理。采用系統(tǒng)平臺(tái)對(duì)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(shí)現(xiàn)對(duì)地質(zhì)災(zāi)害的快速預(yù)警。

2.2 無人機(jī)機(jī)庫(kù)選型

本文選用大疆機(jī)場(chǎng)2（Matrice3D套裝）作為地質(zhì)災(zāi)害自動(dòng)巡檢的設(shè)備平臺(tái)，如圖2所示。新一代機(jī)場(chǎng)具有輕量化、易部署、高效作業(yè)等特點(diǎn)，并集成風(fēng)速、雨量、環(huán)境溫度、水浸等傳感器，可實(shí)時(shí)感知天氣變化，有效降低飛行風(fēng)險(xiǎn)；其適配的Matrice3D無人機(jī)搭載長(zhǎng)焦相機(jī)和機(jī)械快門廣角相機(jī)（4/3CMOS，有效像素2000萬），能夠滿足1：500高精度測(cè)繪作業(yè)要求，結(jié)合貼近攝影測(cè)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(shí)別算法設(shè)計(jì)

深度學(xué)習(xí)通常需要大量的樣本數(shù)據(jù)訓(xùn)練，對(duì)于單個(gè)水庫(kù)的地質(zhì)災(zāi)害而言，存在無人機(jī)影像樣本不足的問題。對(duì)此，一方面，采用數(shù)據(jù)增強(qiáng)、網(wǎng)絡(luò)爬蟲等方式擴(kuò)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(diǎn)區(qū)域無人機(jī)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(shí)例分割更適宜地質(zhì)災(zāi)害的定位和識(shí)別?；潞捅粍?dòng)防護(hù)網(wǎng)識(shí)別選擇實(shí)例分割 SOLOv2[28]模型。SOLOv2通過位置敏感的分割方法、動(dòng)態(tài)卷積掩碼生成機(jī)制，以及簡(jiǎn)化的架構(gòu)設(shè)計(jì)，實(shí)現(xiàn)更高效和準(zhǔn)確的分割（圖3）。其中，滑坡識(shí)別基于衛(wèi)星影像的黃土滑坡識(shí)別模型進(jìn)行預(yù)訓(xùn)練，被動(dòng)防護(hù)網(wǎng)識(shí)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(zhǎng)和可以無限延展的特征，不具有個(gè)體即實(shí)例特征，因此裂縫識(shí)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(shí)例分割和語義分割兩個(gè)任務(wù)，從而簡(jiǎn)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(shí)別效果。

2.4地災(zāi)綜合管理平臺(tái)功能設(shè)計(jì)

地災(zāi)綜合管理平臺(tái)基于自研水利數(shù)字孿生應(yīng)用集成開發(fā)平臺(tái)進(jìn)行開發(fā)，實(shí)現(xiàn)對(duì)地質(zhì)災(zāi)害風(fēng)險(xiǎn)的集成管理和有效預(yù)警。平臺(tái)系統(tǒng)由無人機(jī)管理、圖像識(shí)別、三維展示、成果管理、系統(tǒng)管理等5個(gè)子系統(tǒng)組成，每個(gè)子系統(tǒng)具備多個(gè)功能模塊，如圖5所示。

（1）無人機(jī)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(shí)時(shí)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(jī)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(shí)別模塊。利用智能識(shí)別算法對(duì)無人機(jī)回傳的圖像進(jìn)行識(shí)別，包括地表裂縫及巖體張開縫識(shí)別、滑坡識(shí)別、被動(dòng)防護(hù)網(wǎng)識(shí)別等，定量分析并做好標(biāo)識(shí)；對(duì)新增裂縫或滑坡、被動(dòng)防護(hù)網(wǎng)變形，依據(jù)預(yù)警閾值進(jìn)行預(yù)警；對(duì)已存在數(shù)據(jù)進(jìn)行歷史比對(duì)。

（3）三維展示。將三維模型、衛(wèi)星影像、地面測(cè)繪數(shù)據(jù)、地質(zhì)模型及識(shí)別出的地災(zāi)對(duì)象等信息融合至三維場(chǎng)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(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，提供用戶交互式漫游功能；用戶可在三維場(chǎng)景中添加地質(zhì)信息標(biāo)注，如災(zāi)害隱患點(diǎn)、地質(zhì)構(gòu)造、重要建筑等；支持多期三維數(shù)據(jù)對(duì)比分析；支持對(duì)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(bào)表。（5）系統(tǒng)管理。管理平臺(tái)的用戶及權(quán)限，以及管理員對(duì)預(yù)警閾值的管理與設(shè)置。

3 應(yīng)用案例

3.1 試驗(yàn)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(diǎn)位置、地質(zhì)條件、安全風(fēng)險(xiǎn)等情況，本文選取以下示范點(diǎn)開展現(xiàn)場(chǎng)測(cè)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(qiáng)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(xiǎn)； 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(jī)分布孤石或浮石，目前已實(shí)施孤石清除和主、被動(dòng)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(jī)開展壩址區(qū)傾斜攝影測(cè)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(shí)景基礎(chǔ)模型的構(gòu)建，作為地災(zāi)綜合管理平臺(tái)的數(shù)據(jù)底座。同時(shí)，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(jī)場(chǎng)2開展地災(zāi)自動(dòng)巡檢，機(jī)場(chǎng)部署于壩址區(qū)左岸出線場(chǎng)，距各示范點(diǎn)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(tái)，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(jì)劃，任務(wù)自動(dòng)下發(fā)至機(jī)場(chǎng)。如遇大風(fēng)、大雨等惡劣天氣，機(jī)場(chǎng)可根據(jù)自帶傳感器和現(xiàn)場(chǎng)氣象數(shù)據(jù)，取消本次作業(yè)，反之則按計(jì)劃執(zhí)行任務(wù)。無人機(jī)作業(yè)完成后回到機(jī)庫(kù)，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(dòng)防護(hù)網(wǎng)清晰可見。

3.4地災(zāi)智能識(shí)別結(jié)果和分析

3.3 地災(zāi)自動(dòng)巡檢

地災(zāi)綜合管理平臺(tái)可對(duì)無人機(jī)巡檢采集的數(shù)據(jù)進(jìn)行自動(dòng)智能處理、分析和集成管理。智能識(shí)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(dòng)識(shí)別裂縫、被動(dòng)防護(hù)網(wǎng)和滑坡邊界，計(jì)算并記錄每個(gè)地災(zāi)隱患的屬性信息。后臺(tái)處理完成后將識(shí)別后的矢量和關(guān)鍵屬性信息自動(dòng)推送至隱患點(diǎn)管理界面（圖9）顯示，并繪制折線圖。

裂縫識(shí)別采用UperNet-Swin模型，某典型裂縫的識(shí)別結(jié)果如圖10（a）所示。精度評(píng)價(jià)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(gè)研究區(qū)域裂縫識(shí)別結(jié)果的精度統(tǒng)計(jì)，在IoU閾值為0.5時(shí)，裂縫識(shí)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(duì)地表破碎、裂縫填充等陰影效果不連續(xù)的識(shí)別結(jié)果有待改進(jìn)。

滑坡和被動(dòng)防護(hù)網(wǎng)識(shí)別采用SOLOv2模型，識(shí)別結(jié)果分別如圖10（b），（c）所示?；潞捅粍?dòng)防護(hù)網(wǎng)識(shí)別為實(shí)例分割，采用更加綜合的平均準(zhǔn)確率（Aver-agePrecision，AP）和 IoU=0. 5 時(shí)的平均準(zhǔn)確率（AP50）作為精度評(píng)價(jià)指標(biāo)。表3為整個(gè)研究區(qū)域的滑坡和防護(hù)網(wǎng)識(shí)別結(jié)果的精度統(tǒng)計(jì)，滑坡識(shí)別的AP和AP50分別為0.6326和0.748，防護(hù)網(wǎng)識(shí)別的AP和AP50分別為0.7047和0.936。算法對(duì)于滑動(dòng)邊界明顯的滑坡識(shí)別效果較好，對(duì)滑動(dòng)邊界不明顯的滑坡識(shí)別效果有待改進(jìn)。

綜合分析可得，該研究采用的智能識(shí)別算法對(duì)裂縫、滑坡邊界和被動(dòng)防護(hù)網(wǎng)均有不錯(cuò)的識(shí)別效果，但也不可避免地存在識(shí)別誤差，為自動(dòng)多期對(duì)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(tái)對(duì)巡檢數(shù)據(jù)和智能識(shí)別成果進(jìn)行綜合管理（圖11），根據(jù)多期識(shí)別結(jié)果的屬性對(duì)比分析，即可獲取每個(gè)地災(zāi)隱患點(diǎn)的風(fēng)險(xiǎn)變化信息。根據(jù)后臺(tái)設(shè)置的閾值，可自動(dòng)向管理人員推送預(yù)警信息，給出穩(wěn)定性評(píng)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(shí)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(tái)中提供了風(fēng)險(xiǎn)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(duì)高山峽谷地區(qū)水電工程運(yùn)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(shí)現(xiàn)無人機(jī)數(shù)據(jù)采集、地災(zāi)隱患智能識(shí)別、監(jiān)測(cè)預(yù)警和地質(zhì)災(zāi)害管理的全流程自動(dòng)化，并在某電站壩址區(qū)開展應(yīng)用。試驗(yàn)結(jié)果表明：該方法可有效實(shí)現(xiàn)裂縫、滑坡體、被動(dòng)防護(hù)網(wǎng)等地質(zhì)災(zāi)害隱患點(diǎn)的動(dòng)態(tài)巡查、實(shí)時(shí)監(jiān)測(cè)、智能識(shí)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(yùn)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(chǎng)部署多臺(tái)無人機(jī)機(jī)庫(kù)以覆蓋更多的地災(zāi)隱患點(diǎn)，并拓展智能巡檢和識(shí)別的應(yīng)用場(chǎng)景，如滑坡體蠕滑大變形識(shí)別、排水溝淤堵識(shí)別、水工結(jié)構(gòu)損傷識(shí)別等

參考文獻(xiàn)：

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

[2] 許強(qiáng)，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(cè)繪學(xué)報(bào)，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(bào)（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(jī)融合建模的危巖運(yùn)動(dòng)模擬及影響區(qū)劃分[J].人民長(zhǎng)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(jī)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(jī)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(jī)自動(dòng)巡檢可行性探究[J].中國(guó)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(dòng)機(jī)庫(kù)無人機(jī)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(cè)安防系統(tǒng)應(yīng)用研究[J].水電站機(jī)電技術(shù)，2024，47（4）：59-62.

[11]劉欣欣，汪洋，黃麗，等.無人機(jī)遠(yuǎn)程控制在油氣田行業(yè)的研究與應(yīng)用[J].中國(guó)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(dú)辟蹊徑，不斷創(chuàng)新貼近攝影測(cè)量：第三種攝影測(cè)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(guó)測(cè)繪，2019（10）：31-37.

[14］李云城，程子桉.基于無人機(jī)貼近攝影測(cè)量的高精度三維實(shí)景建模[J].水利水電快報(bào)，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(jī)精細(xì)化識(shí)別方法與實(shí)踐[J].測(cè)繪通報(bào)，2024（1）：6-11.

[16］胡才源，章廣成，李小玲.無人機(jī)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(zhǎng)江，2019，50（1）：136－140.

[17］陳巧，袁飛云，付霞，等.無人機(jī)攝影測(cè)量技術(shù)在阿娘寨滑坡應(yīng)急調(diào)查中的應(yīng)用[J].測(cè)繪通報(bào)，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(jī)機(jī)庫(kù)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[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(jī)的機(jī)庫(kù)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(cè)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(tái)三維模擬仿真技術(shù)研究與應(yīng)用[J].人民長(zhǎng)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(shí)時(shí)監(jiān)測(cè)預(yù)警系統(tǒng)設(shè)計(jì)及應(yīng)用[J].人民長(zhǎng)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