基于无人机的铁路外部环境智能巡检技术研究

Intelligent Inspection Technology for Railway External Environment Based on UAVs

摘要

铁路沿线自然灾害种类多，发生频率高，特别是暴雨、地震、泥石流、雷电等灾害一直是影响行车安全的重要因素，同时沿线周边的人为活动也在一定程度上影响线路安全运行。铁路外部环境隐患排查范围广、类型多，工作量巨大，在复杂地形与环境条件下传统人工巡查模式存在人员可达性差、视角限制等不利因素，巡查效率与质量难以保证。为探讨铁路外部环境安全隐患快速排查方法，提出基于无人机的铁路外部环境智能巡检技术，建立铁路外部环境无人机巡检标准化作业流程，研究涵盖无人机基础数据管理、飞行计划审批、病害隐患统计监管、巡检数据管理、可视化展示等功能的铁路无人机巡检管理平台，实现作业人员、巡检设备、数据成果的全链条管理及典型病害的智能识别，为铁路外部环境隐患排查提供重要的技术支撑与安全保障。

Abstract

Railway lines are subject to numerous types of natural disasters with high frequency of occurrence. Disasters such as heavy rain, earthquakes, mudslides, and lightning have consistently been significant factors affecting driving safety. Meanwhile, human activities around the line also affect the safe operation of the line to a certain extent. The investigation of hidden dangers in the railway external environment has a wide range and diverse types, resulting in a huge workload. The traditional manual inspection mode suffers from unfavorable factors such as poor accessibility and limited viewing angle under complex terrain and environmental conditions, and making it difficult to ensure the efficiency and quality of inspection. To explore the rapid investigation method of potential safety hazards in the railway external environment, this paper proposed the intelligent inspection technology of the railway external environment based on unmanned aerial vehicles (UAVs). The standardized operation process of UAV inspection in the railway external environment was established. Furthermore, the railway UAV inspection management platform was studied, which covered functions such as UAV basic data management, flight plan approval, statistical supervision of disease hazards, inspection data management, and visual display. This platform enables the full-chain management of operators, inspection equipment and data results and the intelligent identification of typical diseases. It provides important technical support and safety guarantee for the investigation of hidden dangers in the railway external environment.

Graphical abstract

关键词

高速铁路 / 无人机巡检 / 外部环境 / 平台设计 / 可视化展示

Key words

High Speed Railway / Unmanned Aerial Vehicle (UAV) Inspection / External Environment / Platform Design / Visualization

0　引言

截至2024年底，全国铁路营业里程达到16.2万km，其中高速铁路4.8万km。铁路沿线自然灾害种类多，发生频率高，特别是暴雨、地震、泥石流、雷电等灾害一直是影响行车安全的重要因素。同时沿线外部环境如硬飘浮物类、轻飘浮物类、违法施工类、违建违占类等风险隐患在一定程度上影响线路安全运行。外部环境隐患排查范围广、类型多，工作量巨大，在复杂地形与环境条件下传统人工巡查模式存在人员可达性差、视角限制等不利因素，巡查效率与质量难以保证。

《铁路安全管理条例》(铁安监〔2020〕173号)将铁路外部环境隐患细化为违法施工类、违建违占类、轻飘浮物类等18类，给出了相应的安全管理制度。基于无人机航测视频及影像数据，可及时监测铁路沿线路外安全环境，结合人工排查或智能算法，实现废旧钢轨、彩钢瓦、农用薄膜、塑料大棚、广告牌、树木^[1]等外部环境隐患的高效排查。李博闻等^[2]、Besl等^[3]、Dimitri等^[4]基于铁路无人机巡检影像和Efficient Net V2图像自动分类算法，实现了铁路排水沟异物自动检测；李颖婕等^[5]提出基于空天光学遥感的高铁外部环境监测方法；中国铁道科学研究院集团有限公司提出基于图像识别的彩钢房、废旧轨枕侵限、防护栅栏缺损等隐患的智能检测与标注算法，并在邯长线(邯郸—长治北)开展了现场验证与应用。

针对目前铁路外部环境传统人工巡检效率低、成本高、覆盖范围有限的问题，提出基于无人机的铁路外部环境智能巡检技术，建立铁路外部环境无人机巡检标准化作业流程，开发铁路无人机巡检管理平台，实现铁路外部环境智能巡检，为铁路外部环境隐患排查提供重要的技术支撑与安全保障^[6]。

1　无人机数据采集方案

无人机数据采集方案采用无人机搭载高清摄像、红外热成像等设备，对铁路沿线外部环境进行多维度自动化巡检，通过航线规划或实时遥控实现高效数据采集。结合人机交互的方法，精准获取铁路周边硬飘浮物、轻飘浮物、违法施工、非法烧荒等隐患信息，同步将影像、坐标及分析结果上传至无人机巡检管理平台，实现数据实时查看，为铁路安全运维提供智能化、高精度的决策支持，有效提升巡检效率并降低人工风险。

1.1　无人机平台

铁路外部环境巡检平台使用的无人机如图1所示，支持三路1080p高清传输，传输距离远达8 km。无人机搭载四天线收发系统，可智能选择信号最优的2根天线发射信号，四天线同时接收，抗干扰能力强，传输稳定。

无人机具备避障功能，具有全六向环境感知及定位、避障能力；防护等级达到IP55，支持在小雨天气进行作业。

1.2　荷载

无人机搭载高精度相机，集成广角相机、变焦相机、热成像相机、激光测距仪和近红外补光五大模组^[7]，并应用前沿智能算法，全面提升感知与成像能力，突破昼夜视觉局限，能够完成铁路巡检的作业任务。同时配备像素高达4 000万的变焦相机，最大支持34倍光学变焦和400倍数字变焦。凭借最新图像增稳算法，可有效减弱长焦画面的抖动，能够在距离铁路横向距离50 m外拍清接触网绝缘子等细部构件。

热成像相机如图2所示，模组分辨率为1 280×1 024，最大支持32倍数码变焦，既能纵观全局，也能放大局部。

1.3　航线规划

1.3.1　常规巡检

外部环境巡检航线按照距线路水平距离100~120 m，距地面真高高度100~120 m，采用广角相机拍摄^[8]，无人机巡检飞行速度为5 m/s。外部环境巡检航线路径示意图如图3所示。

1.3.2　精细巡检

精细巡检主要目的是针对重点区段进行定量化评估。巡检主要数字成果是通过无人机航摄建立三维模型^[9]。

（1）航摄分区。①划分航摄分区主要原则。分区内的地形相对高差不大于1/6摄影航高^[10]；分区内的地物景物反差、地貌类型应尽量一致；划分分区时，应考虑航摄飞机侧前方安全距离与安全高度。②分区基准面高度的确定。分区摄影基准面的高度，以分区内具有代表性的高点平均高程与低点平均高程之和的平均值求得。按照80%航向重叠度、65%旁向重叠度航飞拍摄，按照仿地飞行模式，无人机飞行真高200~400 m，精细巡检航线规划参数如表1所示，精细巡检三维建模航摄分区如图4所示。

（2）航线的敷设。三维模型航线规划如图5所示，航线敷设应遵循以下原则。①航线一般按东西向平行于图廓线直线飞行，每个航摄分区下的航线沿铁路方向飞行。②航线间隔应尽量采用数字高程模型依地形起伏确定。③计算出每条航线的首尾站的经纬度坐标，作为GNSS的领航坐标。④航线首尾摄站坐标应在测区范围线外。

（3）航摄时间选择。航摄时间的选择应该满足以下条件。①条件允许时在天窗时间开展。②既要保证具有充足的光照度，又要避免过大的阴影。③陡峭山区和高层建筑物密集的区域应在当地正午前后各1 h内摄影，条件允许时，可实施云下摄影^[11]。

（4）飞行质量控制。①像片重叠度。为了保证高程精度，像片重叠度应满足以下要求：航片航向重叠度设计为80%；航片旁向重叠度设计为65%。②摄区边界覆盖保证。摄区、分区边界覆盖保证：航向覆盖、旁向覆盖均需超出摄区边界线不少于2条基线。③航高保持。同一航线上相邻像片的航高差不应大于30 m，最大航高与最小航高差不应大于50 m，实际航高与设计航高之差不应大于50 m。④漏洞补摄。航摄中出现的相对漏洞和绝对漏洞均应及时补摄^[12]，应采用前一次航摄飞行的数码相机补摄，补摄航线的两端应超出漏洞之外2条基线。

1.4　铁路外部环境无人机巡检标准化作业流程

铁路外部环境无人机巡检标准化作业流程包括前期准备阶段、现场作业阶段、数据处理与分析阶段及隐患处置与闭环管理阶段^[13]。前期准备阶段需要确定巡检区段，收集线路图纸、历史缺陷数据、气象条件，提前24 h向空管部门申报，标注禁飞区。对无人机、荷载、地面站等进行检查。现场作业阶段要求对无人机进行起飞前检查，设置安全起降区和应急返航点，对重点目标进行多角度拍照，针对突发情况和设备故障应形成应急预案。数据处理与分析阶段对数据处理、智能分析、隐患识别、人工复核进行规范，其中数据处理包括数据标注、子图切分、边缘检测等。隐患处置与闭环管理阶段包括隐患分级处置、报告生成、跟踪验证等。铁路外部环境无人机巡检标准化作业流程如图6所示。

2　数据处理及算法实现

针对外部环境硬飘浮物、轻飘浮物、堆放物、载具类、放养牲畜类、铁路沿线烧荒等典型外部环境隐患，利用改进YOLOv11算法实现典型外部环境隐患智能识别，引入多尺度特征提取模块和SCSA注意力模块，提升模型针对ROI区域的检测能力，增强特征之间的相关性^[14]，从而提高铁路外部环境隐患的检测性能，外部环境智能识别内容如表2所示。

2.1　数据处理

针对现场采集的数据，通过TIF图制作与转换、数据标注、子图切分、边缘检测等数据处理，利用分块训练和检测的策略，结合TIF图像的地理位置信息，有效提高无人机拍摄数据的利用效率。数据处理流程图如图7所示。

（1）TIF图制作与转换。无人机拍摄的原始数据为高分辨率图像，包含了大量的细节信息，但缺少地理位置信息，无法直接用于智能分析和深度学习模型训练，因此需要将无人机拍摄的原始图像转换为包含地理坐标信息的TIF格式图像。在完成TIF图像的制作后，为了满足模型训练的需求，将TIF格式图像转换为JPG格式图像。

（2）数据标注与子图切分。数据标注包括人工标注以及对图像进行子图切分，以适应后续的模型训练与检测。人工标注采用矩形框对TIF图像中的目标进行标注，生成对应的标签文件。原始图像中可能包含较大的区域或背景信息，直接使用全图进行训练可能会影响模型的训练效果，根据图像大小、隐患区域位置等信息，将大尺寸TIF切分为小图块，适应模型输入尺寸，同时记录地理坐标。

（3）边缘检测。利用形态学闭运算来减少图像拼接时产生的黑边，增强图像特征，得到目标区域。

2.2　算法实现

利用改进YOLOv11算法实现典型外部环境隐患智能识别，首先，在YOLO11的主干网络将C2PSA注意力模块替换为具有通道注意力和空间注意力C2f_SimAM注意力模块，提高模型关注和加权图像不同特征维度的能力。其次，引入多尺度特征提取模块，提升铁路典型外部环境隐患的检测能力。测试结果表明，改进后的YOLOv11算法大幅度提升了铁路外部环境隐患检测的准确率。外部环境隐患识别结果如图8所示。

3　铁路外部环境无人机巡检系统框架设计

3.1　总体架构

铁路外部环境无人机巡检系统是基于无人机对铁路外部环境进行图片、视频等数据采集，形成图片、视频、三维模型等数据成果，实现巡检数据的集中管理、飞行计划审批、病害隐患统计监管、巡检数据管理、可视化展示，并采用图像识别等技术实现病害变化趋势和分布情况识别，通过多角度统计分析设备状态，指导铁路科学养护维修^[15]。系统方案总体设计如图9所示。

（1）数据采集层。无人机搭载可见光相机与倾斜摄影相机，在无人机路径规划保证下，捕获图像信息，建立数据资源池统一管理各类检测数据资源。

（2）数据管理层。①基础数据：包括测绘基站数据、拍摄的图片数据以及坐标和高程数据、固化航迹规划数据。②数据储存：基于数据库针对多源异构的基础数据采用不同方式进行分类存储，包括结构化数据和非结构化数据^[16]。③数据处理：针对倾斜摄影相机采集的数据，进行数据检查、空三加密以及三维模型重建，生成三维实景模型。④数据加工：利用相关软件对感兴趣区域进行裁剪、分类加工，使得不同类的图像分开，建立各类目标资源库。

（3）应用展示层。应用展示层包括统计分析、病害识别等。病害识别是指基于铁路周边环境隐患库和相关深度学习算法，对铁路周边环境隐患进行识别。

3.2　功能设计

铁路外部环境无人机巡检管理平台主要功能包括基础数据管理、飞行计划管理、病害隐患统计、无人机监管一张图及巡检数据管理。能够实现人员设备、巡检作业计划、飞行作业过程、巡检成果的集中管理与可视化展示，以期为铁路无人机巡检作业提供技术支撑。铁路无人机巡检管理平台功能界面如图10所示，铁路无人机巡检管理平台功能设计如图11所示。

3.2.1　基础数据管理

基础数据管理包括单位管理、人员管理、无人机设备管理、铁路设备及病害管理、外部环境隐患管理等增、删、改、查。设计组织架构及用户角色，可对用户进行增删改查以及赋予权限，包括用户管理、组织机构管理、角色管理、数据及操作权限管理。不同的用户登录进入系统，获取不同的功能权限和系统界面。

3.2.2　飞行计划管理

飞行计划管理包括无人机计划申报、无人机计划审批及无人机计划统计等功能，按照站段、年份、季度和月份进行无人机计划申报、审批及统计。

3.2.3　病害隐患统计监管

病害隐患统计监管模块包含隐患分布查看、隐患月度信息统计分析、隐患信息处理进度统计分析3部分，通过GIS技术，将病害隐患信息数据以空间地图叠加模式进行呈现，可直观监管目标铁路周边病害隐患分布情况，系统可展示GIS底图上的全线病害隐患点空间分布^[17]，为整体巡检工作计划提供数据支撑。

（1）隐患分布查看。支持按线路、里程进行筛选，查看各类监测设备隐患以及周边环境隐患数量。

（2）隐患月度信息统计分析。支持查看每月各类监测设备和周边环境的隐患数量总计，以柱状图形式展现，通过地图呈现月度隐患数据信息。

（3）隐患信息处理进度统计分析。支持查看已处理的各类监测设备以及周边环境隐患的比例，以饼状图形式展现，结合地图呈现隐患处理情况数据。

3.2.4　无人机监管一张图

结合地图数据，呈现系统内注册无人机的分布状态，提供无人机监管视角的快速搜索能力，可从注册时间、注册地点、铁路局集团公司、型号等参数维度进行快速筛选呈现。同时支持无人机采集数据上传后的关联管理功能，可将无人机巡检后的采集数据以属性信息进行数据关联挂接。系统可根据任务编号存储、查看对应的图片、三维实景模型、三维点云模型等巡检影像数据，巡检影像数据可由硬盘等物理存储介质拷贝到系统数据库，通过GIS平台数据处理后进行服务发布，发布后的内容系统支持影像数据、重点区段的三维实景数据、三维点云数据加载呈现。

3.2.5　巡检数据管理

巡检数据管理主要包括路基、桥梁、隧道等工务设备以及外部环境等图像、视频数据、倾斜摄影数据、飞行POS数据、设备台账资料、病害样本库以及预处理后的模型数据等，还包括规划好的固化航线等数据。

（1）实时数据。无人机实时巡检数据，可通过4G/5G传输网络和系统接口回传至平台，可在线实时查看。

（2）离线数据。将无人机采集的数据或其他静态数据直接导入到系统中，或通过网络传输到系统中的指定位置。

4　现场应用

对某高速铁路100 km外部环境进行无人机巡检，识别铁路外部环境隐患，包括违法施工2处、轻飘浮物343处、堆放隐患3处、非法烧荒3处、违法排放1处、硬飘浮物1 325处。并对隐患面积、距铁路距离、隐患坐标位置等信息进行统计管理^[18]，识别精度均超过80%，某高速铁路病害识别信息统计表(部分)如表3所示。

5　结束语

针对目前铁路外部环境传统人工巡检效率低、成本高、人员可达性差、覆盖范围有限的问题，提出基于无人机的铁路外部环境智能巡检技术，建立铁路外部环境无人机巡检标准化作业流程，大幅度提升了铁路外部环境巡检效率，开发铁路无人机综合巡检平台，可实现铁路外部环境规范化作业、智能化巡检、数字化管理，为铁路外部环境隐患高效排查强有力的技术支撑与安全保障。

参考文献

[1] 魏培勇，金晓武，焦 利，等.铁路无人机巡检技术研究与应用[J].铁道建筑，2023，63(4)：108-113.

[2] WEI Peiyong， JIN Xiaowu， JIAO Li，et al. Research and Application of Railway Drone Inspection Technology[J]. Railway Construction，2023，63(4)：108-113.

[3] 李博闻，刘 瑞，危凤海，等.基于机载LiDAR的铁路工务设备及周边环境形变分析[J].铁道建筑，2023，63(1)：143-147.

[4] LI Bowen， LIU Rui， WEI Fenghai，et al.Deformation Analysis of Railway Public Works Equipment and Surrounding Environment Based on Airborne LiDAR[J]. Railway Construction，2023，63(1)：143-147.

[5] BESL P J， MCKAY N D.A Method for Registration of 3D Shapes[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1992，14(2)：239-256.

[6] DIMITRI L， NICOLAS B， JÉRÔME L.Accurate 3D Comparison of Complex Topography with Terrestrial Laser Scanner：Application to the Rangitikei Canyon(N-Z)[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2013，82(8)：10-26.

[7] 李颖婕，金伟其，裘 溯，等.高铁周边环境的空天光学遥感监测及特点分析[J].铁路计算机应用，2021，30(7)：66-71.

[8] LI Yingjie， JIN Weiqi， QIU Su，et al.Aerospace Optical Remote Sensing Monitoring and Characteristics Analysis of Surrounding Environment of High Speed Railway[J]. Journal of Railway Computer Applications，2021，30(7)：66-71.

[9] 袁慕策.基于遥感技术的铁路外部环境安全隐患监测[J].铁道建筑，2023，63(4)：114-118.

[10] YUAN Muce. Monitoring of Railway External Environmental Safety Hazards Based on Remote Sensing Technology[J]. Railway Construction，2023，63(4)：114-118.

[11] 武娟娟，刘 震，刘明潇，等.渠堤渗漏检测技术及多源融合新技术初探[J].广东水利电力职业技术学院学报，2022，20(2)：14-19.

[12] WU Juanjuan， LIU Zhen， LIU Mingxiao，et al. Preliminary Study on Leakage Detection Technology of Canal Embankment and New Technology of Multi-Source Fusion[J]. Journal of Guangdong Vocational and Technical College of Water Conservancy and Electric Power，2022，20(2)：14-19.

[13] 陈兆芳，李文静，黄文翰. 需求不确定下卡车-无人机协同的路径优化研究[J]. 铁道运输与经济，2025，47(10)：60-72.

[14] CHEN Zhaofang， LI Wenjing， HUANG Wenhan. Research on Path Optimization of Truck-Drone Collaboration under Uncertain Demand[J]. Railway Transport and Economy，2025，47(10)：60-72.

[15] 谢利涛. 公路工程原地形摄影测量过程控制策略[D]. 西安：长安大学，2018.

[16] 郑安武，张田凤，史晓明，等.低空摄影测量大比例尺地形测图关键技术研究[J].地理空间信息，2019，17(11)：6-9，27.

[17] ZHENG Anwu， ZHANG Tianfeng， SHI Xiaoming，et al.Research on Key Technologies of Large-Scale Topographic Mapping with Low-Altitude Photogrammetry[J].Geospatial Information，2019，17(11)：6-9，27.

[18] 刘 开，高 智，毛泽尚.无人机航测技术在土地综合整治中的应用研究[J].建筑工程技术与设计，2019(6)：496.

[19] LIU Kai， GAO Zhi， MAO Zeshang.Research on the Application of Unmanned Aerial Survey Technology in Comprehensive Land Consolidation[J].Architectural Engineering Technology and Design，2019(6)：496.

[20] 陈 谏，王 斌，罗 莉.高精度轻型数码航摄遥感系统在大比例尺测图方法研究及试验[J].北京测绘，2017(S1)：153-156.

[21] CHEN Ji， WANG Bin， LUO Li. Research and Experiment of High-Precision Lightweight Digital Aerial Photography Remote Sensing System in Large-Scale Mapping Method[J].Beijing Journal of Surveying and Mapping，2017(S1)：153-156.

[22] 孟 强，张宇庭，张婷婷，等. 基于无人机巡检技术的海冰厚度探测方法[J].科学技术创新，2024(7)：201-204.

[23] MENG Qiang， ZHANG Yuting， ZHANG Tingting，et al.Sea Ice Thickness Detection Method Based on Unmanned Aerial Vehicle Inspection Technology[J].Science and Technology Innovation，2024(7)：201-204.

[24] 李治泓，朱 庆，廖 成，等.基于多源遥感的铁路外部环境隐患监测方法综述[J].航天返回与遥感，2024，45(1)：15-28.

[25] LI Zhihong， ZHU Qing， LIAO Cheng，et al.Survey on Monitoring Methods for Railway External Environment Hazards Based on Multi-Source Remote Sensing[J].Spacecraft Recovery & Remote Sensing，2024，45(1)：15-28.

[26] 李 瑞，张正军，尹太军，等. 重载铁路基础设施无人机智能巡检系统设计[J].信息记录材料，2024，25(11)：205-208.

[27] LI Rui， ZHANG Zhengjun， YIN Taijun，et al.Design of UAV Intelligent Inspection System for Heavy-Haul Railway Infrastructure[J]. Information Record Materials，2024，25(11)：205-208.

[28] 王辰昊.基于云推送的数据物流服务平台若干关键技术研究与实现[D].杭州：浙江工业大学，2016.

[29] 王 鹏，段培勇.基于无人机的重载铁路线桥隧一体化巡检系统架构研究与设计[J].铁道建筑，2022，62(8)：29-32.

[30] WANG Peng， DUAN Peiyong.Research and Design of Integrated Inspection System for Bridges and Tunnels of Heavy-Haul Railway Lines Based on UAVs[J].Railway Construction，2022，62(8)：29-32.

[31] 刘 磊，游玉石，王志军，等. 低空技术在铁路巡查中的经济效益分析[J]. 铁道运输与经济，2025，47(10)：50-59.

[32] LIU Lei， YOU Yushi， WANG Zhijun，et al. Economic Benefit Analysis of Low-Altitude Technology in Railway Inspection[J]. Railway Transport and Economy，2025，47(10)：50-59.

基金资助

中国铁道科学研究院集团有限公司科研项目(2023YJ188)