基于无人机的公路边坡巡检技术研究

柴 香，张 帅,2，周 鹏，冯镇宇，刘滋源

（1. 重庆交通大学，重庆 400074；2. 城市空间信息工程北京市重点实验室，北京 100038；3. 重庆地质矿产研究院，重庆 400042；4. 遵义市汇川区自然资源局，贵州 遵义 563000；5. 广西北斗星测绘科技有限公司西南分公司，重庆 409000）

随着国内交通网络的不断完善，产生了较多的边坡工程，边坡病害的及时治理可以保证人类出行安全[1]。多地都曾发生由于暴雨导致边坡突然坍塌，列车躲避不及时导致脱轨、人员重大伤亡等事故。传统的人工巡检存在着一定的局限性，无人机摄影测量技术凭借其高效、安全、便捷等优势脱颖而出，成为防灾减灾工作的新宠[2]。利用无人机技术可为数字边坡提供实景三维模型，其良好的可视化效果与传统的数字化资料形成鲜明对比[3]，这将更有利于决策人员根据测区情况采取措施来维护边坡安全。

1 公路边坡概况及影像数据采集

1.1 测区概况

本次实验测区选择位于重庆市广阳镇东港园区内最大的一号边坡，该边坡长100 m，坡高60 m，坡度约为60°[4]，岩体由泥岩和砂岩组成，易风化碎落；水文资源匮乏，以第四系松散岩类孔隙水与基岩裂隙水为主。此外，年降雨量约为1 100 mm，雨量充沛。

1.2 整体巡检影像数据采集

本次使用大疆Phantom 4 Pro 无人机进行影像获取，并基于ContextCapture 软件实现模型成果的生成。图1 为影像数据获取流程，使用Pix4Dmapper 对原始影像数据进行质量检查，将不合格数据及时剔除并进行补拍，验收合格后利用ContextCapture 获取高精度的测区三维模型[5]，然后实现边坡病害的位置及类别等信息在模型中的标记，以便于后期对特殊病害位置采取定点防护措施。

图1 无人机影像获取流程图

本次实验设计了南北走向的5 条航线，航向、旁向重叠度分别为80%和70%，航高为70 m。此外采集了4 个像控点和6 个检查点，像控点用于数据处理过程中有效提高模型精度以及参与空三精度分析，检查点用于三维模型成果的精度分析，精度达标后才可将模型成果用于实际工程中。

1.3 精细巡检影像数据采集

大疆Phantom 4 Pro配备先进的视觉定位和障碍物感知系统，能够实现指点飞行和悬停功能[6]，基于此，对重点位置或疑似病害位置开展精细巡检工作才变为可能。本次实验按从左到右、从上到下的顺序，对排水沟，防护结构等进行安全隐患的抓拍，将病害信息在模型成果中进行标记，从而充分发挥两大巡检模式协同作业的优势，有效实现边坡安全巡检。

2 无人机影像数据处理

2.1 整体巡检数据处理

本次整体巡检共得到383 张高质量影像，相机焦距为8.8 mm，影像分辨率为5 472×3 468 像素，像元分辨率为2.41 um。图2 为整体巡检数据处理流程，首先对原始影像进行空中三角加密，通过多视角影像密集匹配得到密集点云，而后进行TIN 网格构建、白模创建及纹理映射操作，最终得到测区三维模型。此外，基于密集点云数据还可获取数字表面模型，进而得到以图幅为单位的多幅数字正射影像（DOM）[7]，最后将其拼接为完整的DOM 成果数据，利用该成果可宏观了解测区边坡及其周围地物的关系。

图2 整体巡检数据处理技术路线

空中三角测量是倾斜影像和正射影像间的混合平差，图3 即为空三加密流程图，最终可解算得到所有影像精确的外方位元素[8]。它是无人机影像处理中的关键步骤，其实现效果直接关系着后续三维建模的成果精度[9]。

图3 空三加密过程图

2.2 精细巡检数据处理

本次实验主要对边坡的重点区域进行精细巡检，如边坡的排水沟以及防护结构等。通过人工目视判别影像数据中的病害情况，对其位置以及类别信息进行详细记录，以便后期巡检人员根据病害情况对该边坡的后续治理提供建议并采取相应的防护措施。

3 数据成果及分析

3.1 整体巡检成果

整体巡检数据处理后，可按需生成测区实景三维模型及数字正射影像，后续精细巡检过程主要对三维模型成果进行应用。图4 即为测区边坡的正射影像拼接图，可以看出边坡与相邻两条公路的位置分布情况，上方乡村公路旁有碎石但未影响通行，中部园区公路畅通；骨架防护设施分布明显，坡顶植物生长茂盛，且设有抗滑桩和排水沟；尚未发生地质灾害，应在精细巡检中注意小型病害的发展情况。图5 为测区三维模型，与二维数据相比，三维模型可视化效果极强，基于实景模型对边坡病害进行标记及详细分析，可充分发挥三维可视化的巨大优势[10]。

图4 边坡正射影像图

图5 边坡三维模型

3.2 空三成果精度分析

空三精度对于后续测量成果精度的影响极大，本文根据控制点及空三匹配成果进行精度验证，如表3 所示。经分析，控制点的水平中误差为0.41 cm，垂直中误差为0.07 cm，达到了厘米级精度，这表明影像空三匹配效果较好，很大程度上确保了后续所建模型的精度。

表3 空三加密控制点误差/cm

3.3 三维模型精度分析

中误差作为误差精度分析中效果较好的一种指标，常被用于衡量观测精度[11]。本次实验采用6 个检查点对模型精度进行判定，将其坐标实测值与模型中对应量测值进行对比分析，结合中误差计算方式（见式1～4），即可得到模型成果的平面以及高程误差，如表4、5所示。

表4 检查点精度统计表/m

经分析可知，本测区边坡三维模型x方向、y方向的中误差分别为0.077 m、0.058 m，其平面最大误差为0.123 m、中误差为0.097 m，高程最大误差为0.065 m、中误差为0.058 m。根据《三维地理信息模型数据产品规范》，Ⅰ级1∶500 成图比例尺三维模型产品的平面中误差应小于0.3 m，高程中误差应小于0.5 m[12]，本次测区三维模型的平面及高程中误差均小于该规范要求，精度较高，可用于实际边坡工程应用中。

表5 模型成果平面及高程误差

3.4 精细巡检成果及分析

通过对测区边坡排水沟及防护结构等重要区域的影像数据进行目视判别，该边坡的的岩体结构较为完整，有2 处局部岩体风化较为严重；坡顶1 处排水沟存在裂缝病害。此外，由于坡顶植物茂密，无人机无法判定隐藏于植被之下的地表病害，本文使用多边形要素将无法判别的区域在模型中进行面状标记，如图6 所示，该区域后续可采用人工辅助巡检，从而实现无人机+人工辅助式的测区范围全覆盖性巡检，以充分确保边坡安全。

图6 病害信息标记

3.5 边坡安全等级判定

依据《高速公路路堑高边坡工程施工安全风险评估指南》，采用指标体系法，基于建设规模、地质条件、诱发因素、施工环境、资料完整性5 大指标分类，结合测区实际情况，最终选取施工季节、坡形坡率、边坡高度、地层岩性、周边环境、自然灾害的影响、地质资料7 个评估指标，且重要性由高到低依次排序为7～1，以此展开边坡的安全等级判定。评估指标的权重计算如式（5），则所选7 个评估指标的权重系数依次为：0.020、0.061、0.102、0.143、0.184、0.224、0.265。根据总体风险评估指标体系表，结合测区实际情况，各评估指标的基本分值依次为100、100、100、85、80、45、100。

式中，r为权重系数；n为评估指标项数；m为重要性排号，m≤n。

边坡安全总体风险按下式（6）、（7）计算确定：

式中，Xij为评估指标的分值；Rij为各指标基本分值；i=1,2,3,4,5；j=1,2，……，n。

计算可知该边坡工程的总体风险值为81.84，风险等级为Ⅳ级，风险极高。因此，工作人员应加强该边坡的安全巡检和监测工作，采用无人机作业+人工巡检的方式，详细掌握边坡病害的类型、位置、形成条件以及发展趋势等情况并采取相应防护措施，以保证边坡长期安全。

4 Web端模型可视化

Wish3D Earth是基于底层WebGL技术所开发的集数据上传、管理、展示和快速分享于一体的三维地球平台[13]。本文基于该平台实现测区三维模型的管理与可视化展示，通过对模型进行调整，使其与底图影像间实现高度贴合。

5 结 论

本文基于整体巡检和精细巡检2种模式实现了病害信息在三维模型上的标记与管理，对成果精度进行验证、边坡安全等级进行了判定并实现了测区Web端的模型可视化。通过无人机摄影测量技术，加以人工辅助，结合2种巡检模式，能够及时发现边坡隐患、预防事故突发，有效保障人员人身安全和避免更大的经济损失。后续将在上述工作的基础上，基于开源的Cesium 三维开发框架，设计实现一套完整的边坡数据管理与灾害预警系统，以实现数字边坡智能化的信息管理。