EN中文

资源科学 >

2025 , Vol. 47 >Issue 8: 1675 - 1688

DOI: https://doi.org/10.18402/resci.2025.08.06

低空政策与发展实践

低空无人机遥感技术在公路巡检中的应用进展、挑战和前景

  • 王勇 , 1, 2 ,
  • 岑宗羲 1, 2 ,
  • 何正龙 1, 2 ,
  • 杨宇森 1 ,
  • 曾继民 1 ,
  • 程欣怡 1, 3 ,
  • 林静 1
展开
  • 1.中国科学院地理科学与资源研究所，北京 100101
  • 2.中国科学院大学资源与环境学院，北京 100049
  • 3.中国地质大学（武汉）地理与信息工程学院，武汉 430070

王勇，男，湖北随州人，副研究员，研究方向为低空科技、人工智能、地理大数据挖掘。E-mail:

收稿日期: 2025-05-07

  修回日期: 2025-07-28

  网络出版日期: 2025-09-09

基金资助

国家重点研发计划项目(2022YFC3800700)

中国科学院战略性先导（B类）科技专项(XDB0740200)

收起

Application progress, challenges, and prospects of low-altitude UAV remote sensing technology in highway inspection

  • WANG Yong , 1, 2 ,
  • CEN Zongxi 1, 2 ,
  • HE Zhenglong 1, 2 ,
  • YANG Yusen 1 ,
  • ZENG Jimin 1 ,
  • CHENG Xinyi 1, 3 ,
  • LIN Jing 1
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. School of Geography and Information Engineering, China University of Geosciences (Wuhan), Wuhan 430070, China

Received date: 2025-05-07

  Revised date: 2025-07-28

  Online published: 2025-09-09

Fold

摘要

随着我国公路网建设的不断完善和交通基础设施规模的持续扩大，传统的公路巡检方式在效率、安全性和覆盖范围等方面已难以满足现代化公路管养的实际需求。低空无人机遥感技术具有机动性强、成本低、数据获取能力强等优势，为公路巡检提供了新的技术解决方案。因此，本文首先系统梳理了低空无人机遥感技术在公路巡检中的应用现状与发展趋势，深入分析了该技术在路面病害智能检测、桥梁病害识别与结构监测、边坡稳定性监测与风险预警、应急事件快速响应与灾害评估4个典型场景中的应用进展；并围绕“低空飞行—病害识别—实时计算—三维展示”的技术路径，重点探讨了低空公路巡检航线规划、路面病害自动识别、边缘端实时计算、三维重建与数字孪生等关键技术方法。其次，详细阐释了现有低空遥感技术在公路巡检应用中面临的数据稳定性与标准化不足、多源数据融合与集成应用缺乏、模型精度与行业需求不匹配、政策法规与安全管理问题等现实挑战。最后，从技术应用深度拓展、关键技术攻关突破、规范化标准化建设3个维度，提出了低空遥感技术在公路巡检领域未来发展的重点方向，为推动公路管养模式向智能化、信息化、精细化转变提供理论参考和技术支撑。

关键词： 低空无人机遥感技术; 公路巡检; 病害检测; 智能化管养; 低空经济; 多源遥感

本文引用格式

王勇 , 岑宗羲 , 何正龙 , 杨宇森 , 曾继民 , 程欣怡 , 林静 . 低空无人机遥感技术在公路巡检中的应用进展、挑战和前景[J]. 资源科学, 2025 , 47(8) : 1675 -1688 . DOI: 10.18402/resci.2025.08.06

Abstract

With the continuous improvement of China’s highway network construction and the ongoing expansion of transportation infrastructure, traditional highway inspection methods can no longer meet the practical requirements of modern highway maintenance and management in terms of efficiency, safety, and coverage. Low-altitude unmanned aerial vehicle (UAV) remote sensing technology, with its advantages of high mobility, low cost, and strong data acquisition capability, provides a novel technical solution for highway inspection. Therefore, this study first systematically reviews the current application status and development trends of low-altitude UAV remote sensing technology in highway inspection, and conducts an in-depth analysis of its application progress in four typical scenarios: intelligent detection of pavement distress, bridge distress identification and vibration monitoring, slope stability monitoring and risk early warning, and rapid emergency response and disaster assessment. Focusing on the “low-altitude flight—distress identification—real-time computing—3D visualization” technical pathway, this study primarily discusses key technical methods such as low-altitude inspection route planning, automatic pavement distress identification, edge computing for real-time processing, and 3D reconstruction with digital twin. Additionally, this study elaborates on the practical challenges faced by existing low-altitude remote sensing technology in highway inspection applications, including insufficient data stability and standardization, lack of multi-source data fusion and integrated application, mismatch between model accuracy and industry requirements, and issues related to policies, regulations, and safety management. Finally, from the three dimensions of deepening technical applications, breakthroughs in key technologies, and development of standardized regulations, this study proposes the key directions for the future development of low-altitude remote sensing technology in highway inspection, providing theoretical references and technical support for advancing highway maintenance and management toward intelligent, information-based, and refined models.

Key words： low-altitude UAV remote sensing technology; highway inspection; distress detection; intelligent maintenance and management; low-altitude economy; multi-source remote sensing

1 引言

公路作为国家基础设施的重要组成部分，在提振国民经济、支撑民生需求和推动区域协调发展方面发挥着不可替代的作用[1]。截至2024年底，中国公路总里程已达到549.04万km，其中高速公路里程超19万km[2]。大规模公路网络在为社会经济发展提供有力支持的同时也给公路主管部门带来了巨大的管理和养护压力。由于公路长期暴露于自然环境并承受交通荷载压力，不可避免地会出现如路面裂缝、坑槽、标识标线模糊和边坡失稳等各种病害，如不及时发现和修复病害，将导致路况迅速恶化，缩短公路使用寿命，严重影响公路的行车安全和交通系统安全正常运转[3]。
传统的公路巡检主要依靠人工目视检查，工作人员通过步行或驾车沿公路行进，以目视方式识别并手动记录路面病害[4]。这种方法不仅耗时费力，而且巡检结果依赖经验知识判别，难以形成标准化的巡检记录，同时还存在巡检范围和区域受限、安全风险高等问题。近年来，各种车载图像检测系统被用于路面状况评估，如激光扫描系统和图像采集系统等[5]。这些系统虽然提高了检测精度和效率，但其设备成本高昂，且受到路域范围及路网可达性限制，在山区、偏远地区或灾后公路巡检中难以发挥作用[6]。
随着遥感技术和低空科技的快速发展，以无人机（Unmanned Aerial Vehicle, UAV）为代表的低空遥感技术为公路巡检提供了新的技术手段[7]。无人机搭载各类传感器（如高分辨率相机、多光谱相机和激光雷达等）可以从空中获取公路及周边环境的不同属性信息，突破了传统巡检方法的局限性[8]。同时，相比于卫星遥感，低空无人机遥感具有成本低、机动性强、分辨率高、受云层影响小等优势，能够更好地满足高频次、大范围、高精度的公路巡检应用需要[9]。
近年来，低空无人机遥感技术凭借其优势已经在公路巡检领域中展现出了巨大的潜力，并逐步替代传统巡检方式；然而，该技术在规模化推广过程仍面临着诸多问题和挑战。本文旨在系统梳理以无人机为代表的低空遥感技术在公路巡检中的应用进展，分析当前存在的现实挑战，并展望未来发展方向。通过对现有研究的总结凝练，为相关领域的研究者提供理论参考，也为低空遥感技术在公路巡检领域广泛应用提供技术支撑与实践指导，进而促进公路管养水平的提升，并增强公路运行安全保障能力。

2 低空无人机遥感技术体系

传统公路巡检依靠人工手持设备或道路巡检车进行目视检查[10]，存在效率低、主观性强、安全风险高等问题。虽然道路巡检车搭载的高分辨率摄像机、激光扫描仪等传感器提高了巡检效率和准确性[11]，但仍难以适应山区、丘陵、草地等复杂地形路段[12]，也不适用于桥梁与高边坡巡检，无法解决“看不清、看不见、到不了、测不全”的难题。因此，发展以无人机为核心的低空遥感技术成为解决现有公路巡检问题的关键。
低空无人机遥感技术体系主要由飞行平台、传感器系统、低空管控平台3个部分构成[13]，实现了从数据获取到信息提取、再到应用服务的全流程闭环。其核心特征包括飞行平台的灵活性、传感器获取数据的可用性、管控平台数据传输与处理的时效性[14]。

2.1 低空无人机飞行平台

低空无人机飞行平台作为低空遥感技术体系的核心载体，根据飞行机制、场地要求和应用场景，主要可分为固定翼、多旋翼、垂直起降复合翼3类[15]，如图1所示，其特点如表1所示。从表1可知，固定翼无人机具有较长的航时和较高的飞行高度，能够搭载多源传感器完成大范围、高效率的遥感数据采集任务；但起降条件受限，需要专门的起降场地，在复杂地形或城市环境中部署灵活性不足。多旋翼无人机具有垂直起降、定点悬停、精准操控等优势，特别适合小范围、精细化遥感作业和复杂环境下的数据采集任务；但受限于续航能力，其作业范围有限。垂直起降复合翼无人机融合了前两者的技术优势，既具备垂直起降的便捷性，又拥有较长的巡航时间，能够在保证部署灵活性的同时扩大作业范围；但系统复杂度高，技术成熟度相对较低。可根据在公路巡检中的不同巡检目标与巡检任务，选择最优的飞行平台组合，确保满足不同场景下的需求。
图 1 不同类型低空无人机飞行平台的外观比较

Figure 1 Comparison of the appearance of different low-altitude UAV flight platforms

表1 不同类型低空无人机飞行平台的技术特点比较

Table 1 Comparison of technical characteristics among different types of low-altitude UAV flight platforms

平台类型 飞行高度 飞行航时 场地要求 数据获取能力
固定翼无人机 可达10000 m以上 2~24 h 需跑道 航时长、可搭载多源传感器获取大范围数据
多旋翼无人机 500 m以下 20~40 min 垂直起降 可悬停、可实现精细目标物的持续采集任务
垂直起降复合翼无人机 2000~5000 m 2~12 h 垂直起降 兼具长航时和可悬停优势，适合中大范围精细化数据采集

2.2 低空无人机传感器系统

传感器系统是低空遥感体系中实现信息采集的关键组成部分，其性能直接决定了遥感数据的空间分辨率、光谱精度和处理能力等技术指标[16]。根据成像方式、数据特点、观测目标的不同，低空遥感常用的传感器设备包括光学成像传感器、红外热成像仪、激光雷达等类型[17]，各类传感器性能特点如表2所示。可以看出，不同类型传感器在数据获取上各有优势，如光学传感器注重精细空间成像，红外热成像侧重热异常特征，激光雷达专注于空间几何结构。由于遥感解译公路病害需要综合考虑多种属性因素的共同作用，公路巡检中通常采用多传感器组合搭载的技术方案，通过多维度感知获取病害信息，从而提升遥感系统的综合识别精度和智能化水平[17]。
表2 不同类型低空遥感传感器系统的特点比较

Table 2 Comparison of characteristics among different types of low-altitude remote sensing sensors

传感器类型 成像方式 数据特点 适用场景
光学成像传感器 被动成像 空间分辨率高、图像直观 路面裂缝检测、标线模糊识别
红外热成像仪 被动成像 热信息敏感、昼夜可用 夜间巡检、结构异常热斑检测
激光雷达 主动测距 高精度三维信息获取 三维建模、桥梁形变监测、边坡分析

2.3 低空无人机管控平台

低空管控平台是保障低空遥感任务安全、高效开展的重要支撑环节，主要承担飞行任务调度、空域管理、数据链通信与运行监控等功能[6]。根据其部署方式、控制方式和覆盖范围的区别，主要可分为地面控制站、移动指挥平台与云端管理系统3类，如表3所示。可以看出，随着低空空域开放和多平台协同趋势的推进，未来低空管控平台将更加依赖智能化、网络化与系统集成化能力。在实际应用中，日常巡检任务常结合使用地面控制站与云端管控系统[18]，实现对飞行任务的全过程、全链条动态管控，以提升低空遥感任务的安全性与管理效率[19]。而在应急巡检任务中，往往更倾向于使用具备更高机动性的移动指挥平台，以确保巡检数据的实时性[20]。
表3 不同类型低空管控平台的特点比较

Table 3 Comparison of characteristics among different types of low-altitude airspace management platforms

平台类型 控制方式 覆盖范围 适用场景
地面控制站 固定式/遥控式 中近程 日常作业调度、常规飞行管理
移动指挥平台 便携式/车载式 近程 应急响应、野外作业、动态调度任务
云端管控系统 网络远程控制 大范围 多平台协同调度、远程监管与数据归档

3 低空遥感技术在公路巡检中的应用进展

低空无人机遥感技术凭借其独特的技术优势，已在公路巡检的多个场景中得到广泛应用并取得显著进展。本节将从路面病害智能检测、桥梁病害精细化识别与结构监测、边坡稳定性监测与风险预警、应急事件快速响应与灾害评估4个典型应用场景出发，详细阐述低空遥感技术在各场景中的应用现状、技术特点和实践成果，展示该技术在提升公路巡检效率和精度方面的重要作用。

3.1 公路路面病害智能检测

在国外，基于低空遥感的道路病害检测研究起步较早，形成了较为系统的技术体系与工程实践经验。例如，美国联邦公路管理局在20世纪80年代初主导的“长期路面性能研究项目（LTPP）”推动了病害监测数据标准化采集和处理流程的建立，奠定了无人机技术应用于道路运维的基础[21]。欧洲多个研究团队在病害图像识别算法方面不断突破，将Mask R-CNN、Faster R-CNN等深度神经网络应用于路面裂缝、坑槽等典型病害的自动提取工程任务中，表现出较高的准确率与鲁棒性[22]。
在国内，交通运输部、地方交通主管部门和科研院所积极推动道路智能巡检技术的研究与试点应用。东南大学、浙江大学、中国科学院地理科学与资源研究所、长安大学等单位开展了多项低空遥感与深度学习融合的研究。例如，东南大学通过构建W-SegNet网络，实现了适应无人机视角的裂缝区域高精度分割[23]。浙江大学提出IBR-Former模型，实现了公路路面病害的精准定位与几何测量[24]。中国科学院地理科学与资源研究所团队提出了首个高速公路路面典型病害（裂缝、坑槽、破损标线）巡检体系，实现了“无人机自主起飞—图像实时回传—病害智能识别—报告自动生成”全流程作业，并已在G6京藏高速、G7京新高速、G15沈海高速等多条高速公路开展应用示范。该体系的构建不仅填补了国内在公路病害智能巡检领域的工程空白，也为相关行业标准的制定提供了技术依据和范式参考，标志着我国低空遥感技术在道路基础设施智能运维中的工程化转化迈出了实质性一步。

3.2 公路桥梁病害精细化识别与结构监测

传统桥梁巡检多依赖人工目测、桥梁巡检车辆检测与固定传感器布设，存在作业周期长、检测盲区多、作业安全性差等问题，难以满足复杂结构桥梁在运行状态下的精细化识别与动态响应监测需求[25]。低空遥感技术，特别是无人机巡检系统，凭借其高空灵活观测、非接触式感知与多平台多传感集成能力，为桥梁的结构监测与病害智能识别提供了高效可行的技术路径[26]。实际应用如图2所示。
图2 无人机桥梁巡检示意图

注：图a、b改绘自文献[27]。

Figure 2 Schematic diagram of UAV-based bridge inspection

在国外，无人机桥梁监测的研究起步较早，技术发展更为全面和深入，尤其是在桥梁形变监测方面取得了显著进展。例如，日本产业技术综合研究所科研团队提出了一种基于无人机的位移测量框架，利用参考标记与摩尔采样方法提取结构相位变化信息，实现了高精度、非接触式的桥梁动态位移测量[27]；美国密歇根州技术大学科研团队通过无目标方法提取相对位移、跟踪背景特征点估算相机六自由度运动并结合两者恢复结构绝对位移，实现了毫米级均方根误差的高精度测量[28]。
在国内，研究主要聚焦基于无人机视角的高分辨率影像对桥梁表观病害进行精细提取与识别。众多研究工作通过使用深度学习模型，实现了对裂缝、露筋、剥落等桥梁结构性病害的高精度、高效率识别。例如，湖南大学科研团队基于无人机航摄影像与Mask R-CNN实例分割模型，实现了对高耸主塔及箱梁结构表面裂缝的远程、非接触、自动化检测[29]；同济大学科研团队提出了一种轻量化、可移动部署的实时病害分割模型，并结合宽度测量算法，能有效提取并准确测量桥梁裂缝病害信息，提高了桥梁巡检的智能化与精细化水平[30]；针对桥底、高墩等传统设备难以接近的区域，中国科学院地理科学与资源研究所科研团队研发了一款专用桥梁巡检无人机平台，具备自主避障、远距通信等功能优势，搭载自主构建的实时病害提取网络，实现了对桥梁露筋、裂缝等典型病害的高效率辨识，进一步拓展了桥梁巡检的覆盖范围[31]。
相比于传统桥梁巡检方式，低空遥感技术在桥梁结构监测和表观病害识别中展现出巨大优势并得到广泛应用，为桥梁设施的安全监测、受力分析、健康评估提供了多维度、智能化的技术支撑。

3.3 公路沿线边坡稳定性监测与风险预警

与路面裂缝和桥梁结构损伤等规则化基础设施病害监测不同，公路边坡稳定性监测面临着地形复杂、监测范围广、环境因素多变等诸多特殊挑战。传统监测手段受限于空间分布稀疏、响应滞后等问题，难以实现对大范围、复杂地形边坡的全面覆盖与连续动态感知[32]。低空无人机遥感技术凭借其灵活部署、高分辨率成像与多视角观测能力，在边坡稳定性监测中表现出独特优势[33]。实际应用如图3所示。
图3 无人机边坡巡检示意图

Figure 3 Schematic diagram of UAV-based slope inspection

在国外，研究重点集中在多传感器融合与早期预警技术。通过无人机多光谱、激光雷达、热红外等多类型遥感传感器，能有效捕获传统手段难以感知的早期异常特征，如地表裂缝扩展、水分异常聚集与渗流路径演化[34]，为滑坡、崩塌等地质灾害提供精准预警信息。例如，俄罗斯喀山联邦大学研究团队融合可见光与热红外影像，显著提升了地下渗水通道与潜在湿润区的识别效果，实现对边坡内部水分异常的早期预警，增强滑坡灾前干预能力[35]；意大利水文地质保护研究所科研团队通过SfM多源数据融合，验证了多源数据对边坡稳定性监测的有效性[36]。
在国内，研究更注重复杂地形条件下的精细化巡检应用。例如，中国科学院地理科学与资源研究所科研团队针对高边坡 ① 精细化巡检，提出了面向仿地飞行的面状航线规划算法，根据边坡复杂地形特征动态生成三维面状航线，显著提升了边坡巡检的数据采集效率和任务覆盖完整度[37]。浙江交通科学研究院科研团队针对公路边坡细微形变特性，对多期点云数据进行差分，实现了边坡厘米级变形检测[38]。
上述研究表明低空无人机遥感技术在边坡巡检工作中有效提高了边坡异常事件的响应速度，同时还能为边坡监测提供全方位、多维度的数据以支撑边坡结构监测与灾害预警。目前，无人机边坡巡检逐步成为公路沿线地质灾害防控体系中的关键组成部分。

3.4 公路应急事件快速响应与灾害评估

除在公路路面、桥梁结构和边坡稳定性等常态化监测任务中的应用外，低空无人机遥感技术在公路突发灾害事件的应急响应与损毁评估中同样发挥着重要作用。传统的人工勘查与地面应急响应手段存在响应时间长、空间覆盖有限、信息反馈滞后的问题，难以满足突发灾害事件中对快速感知、精准评估与高效决策的现实需求。低空遥感技术凭借其机动灵活、高空视野与多源感知能力，在公路应急响应与灾害评估中展现出独特优势。一方面，无人机等低空遥感平台可迅速抵达受灾现场，获取高分辨率影像、视频与点云数据，为破坏范围判定、道路阻断识别和次生灾害风险分析提供基础信息[39]；另一方面，结合热红外、多光谱等多类遥感传感器，能快速识别火情、水淹、滑坡、塌方等不同类型的灾害特征，为灾时疏导和灾后评价提供决策依据[40]。实际应用如图4所示。
图4 无人机应急巡检示意图

Figure 4 Schematic diagram of UAV-based emergency inspection

国外关于无人机公路应急事件响应的研究主要集中在应急航线规划和灾情实时监测等领域。例如，巴基斯坦俾路支省信息技术工程与管理科学大学科研团队针对受灾公路塌陷、地形破坏等复杂场景，开发了一套专门适用于受灾环境下的无人机巡检航线系统[41]。该系统能够实时感知受灾场景信息，自适应地规划应急巡航路线，显著提高了公路突发事件下的应急救援效率。葡萄牙里斯本大学科研团队提出了基于无人机的震后救援和重建方案，通过无人机多角度拍摄识别道路局部坍塌和失稳层，促进了道路工程的防灾减灾建设[42]。
在国内，关于无人机应急事件响应研究主要聚焦于应急事件实时处理和灾害评估。针对公路自然灾害、交通事故、道路拥堵等应急事件的实时性要求，陆军工程大学、西安交通大学等科研团队从无人机任务调度、资源优化配置、智能路径规划等多个维度对应急处置流程进行系统优化，提升了公路巡检应急事件响应的全面性和处置效率[43]。中国科学院地理科学与资源研究所科研团队结合深度学习算法和边缘检测技术研发了一套高速公路交通拥堵识别系统，能实现多车道拥堵状态的自动识别与动态分析，在突发事件交通疏导及应急资源调度中展现出良好应用前景。然而，现有无人机公路应急事件巡检依旧缺乏体系化建设，如何提高无人机在各类公路应急事件中的巡检准确度和效率是未来研究的重点。

4 低空遥感技术在公路巡检中的关键技术与方法

支撑低空遥感技术在公路巡检中高效应用的背后，是一系列关键技术与方法的创新与突破。本节将围绕“低空飞行—病害识别—实时计算—三维展示”的技术路径，重点探讨公路巡检航线规划技术、公路病害自动检测与识别技术、面向移动部署的边缘计算技术、公路基础设施三维重建与孪生技术等核心技术方法，分析各项技术的研究进展、实现原理和应用效果。

4.1 公路巡检航线规划技术

低空航路规划技术是保障无人机高效、安全执行公路巡检任务的重要基础。例如，美国纽约州立大学科研团队提出了一种面对复杂公路巡检场景的人机交互航线规划技术，通过深度学习方法将巡检员的语音引导意图传递给无人机，加快了无人机对复杂动态场景的响应速度[44]；新加坡南洋理工大学科研团队空中交通管理研究所提出基于AirMatrix模型构建空中航路网络，为公路巡检航线的智能生成提供了基础[45]；挪威科技大学科研团队提出一种融合BIM（Building Information Modeling）的目标物巡检航线规划算法，进一步提高桥梁、建筑等基础设施的航线规划稳定性和适用性[46]。国内关于低空航路规划关键技术研究主要聚焦于路径规划算法优化。相关研究基于A*、Dubins-RRT、Lazy Theta*等经典路径规划算法进行改进，提出适用于复杂三维环境的无人机航路规划方案，并通过仿真测试、对比实验等方法验证了算法的可行性与鲁棒性[47]。面对动态变化的公路巡检场景，强化学习、深度学习等人工智能方法逐步应用于低空航路规划问题中，它们通过与环境持续交互，自动学习最优路径策略，能够在动态、复杂、非结构化空域环境中实现高效路径规划与避障控制，表现出相比传统方法更强的适应性与泛化能力[48]。
然而，当前研究多集中于理论模型与算法层面的探索，难以满足线状、面状、目标状等复杂的公路巡检需求，实际部署与应用验证程度仍相对不足。为进一步丰富低空航路规划的理论体系并推动其工程化落地，中国科学院地理科学与资源研究所科研团队提出了一种融合遥感数据与地理信息技术的公路巡检航路高效迭代构建方法[49]。该方法通过“五步迭代策略”在复杂城市区域实现了公路巡检航线的精细化构建，为无人机在各类公路巡检场景实际应用提供了可操作的技术路径。目前该方法已在北京延庆、福建福州、湖南郴州等多个地区实现应用验证，初步形成了具有推广价值的技术体系，为我国低空航路网建设提供了创新范式与工程化支撑。

4.2 公路病害自动检测与识别技术

公路病害自动检测与识别是实现无人机公路巡检的关键技术。随着低空遥感技术在公路巡检中的广泛应用，在海量公路航拍影像数据的驱动下公路路面病害识别由人工目视解译向自动化、智能化方向转型，显著提升了公路巡检的精度和效率[50]。
在早期，病害识别主要依赖传统图像处理方法，如边缘检测、图像二值化、小波变换与形态学运算等。这些方法通过分析图像的纹理、灰度与几何特征，能够实现对病害区域的初步分割与提取[51]。然而，该类方法易受到噪声、光照和复杂背景的干扰，鲁棒性与适应性较差。随着图像特征提取与机器学习技术的发展，支持向量机、随机森林等机器学习模型逐步应用于病害识别任务。该类方法通常依赖人工设计的图像特征，结合监督分类器实现病害的模式识别，提高了病害的识别准确率与泛化能力[52]。然而，机器学习方法高度依赖特征工程，难以适应病害形态复杂、背景信息高度杂糅的巡检环境，其应用推广仍存在一定局限[53]。
近年来，深度学习技术的快速发展为病害识别带来了新的突破。卷积神经网络、Transformer等架构在图像解译任务中展现出卓越性能，广泛应用于公路路面病害识别中。例如，YOLO、DETR等深度学习网络，能自动提取多层次图像特征，实现对裂缝、坑槽、标线模糊等复杂病害的识别[54]。因此，国内外发展出了一批针对无人机低空遥感公路病害检测模型，例如ERNet[55]、RCYOLO[56]、DUCTNet[57]等，这类模型针对无人机影像数据特点对模型网络结构进行精细化的调整，一定程度提升了对公路复杂病害的识别精度；但在复杂环境干扰条件下模型鲁棒性较差，同时在不同场景中所表现出来的泛化能力也有待提升。为进一步提升模型对多尺度病害特征的表达能力与对复杂背景干扰的鲁棒性，中国科学院地理科学与资源研究所团队科研团队提出了GGMNet模型引入多尺度特征融合与上下文信息增强机制，实现了对裂缝边缘结构的精准捕捉与完整提取，显著提高了识别精度与提取性能[58]。

4.3 面向移动部署的边缘计算技术

在应急响应、交通疏导、交通执法等公路巡检场景中，对巡检的响应速度和实时性提出了更高的要求。边缘计算技术是一种将数据处理、存储与分析能力下沉至靠近数据源的“边缘侧”节点的计算范式。边缘计算技术通过在本地或近源完成大部分计算任务，从而减少对远程服务器的依赖并降低数据传输的延迟[59]。该技术在无人机遥感公路巡检领域中的应用使得无人机具备在巡检过程中实时计算检测结果的能力，显著提高了无人机公路巡检的工作效率。
然而，当前边缘计算技术的应用严重受到硬件算力水平的限制，无法支持大参数量、高精度模型的实时计算，在实际应用中识别精度并不理想。国内外学者针对这一问题，围绕架构设计与算法轻量化开展了广泛研究。
在国外，研究主要集中在边缘计算资源分配架构设计上。例如，悉尼大学科研团队提出了一种适用于无人机集群场景的边缘计算通信与计算联合优化方案，通过系统协同调度模型和闭式求解方法获得了理论上的无人机边缘计算的最优响应时延[60]，实现了边缘端资源的合理分配和协作调度。
在国内，研究主要面向模型算法的轻量化策略。例如，北京邮电大学、湖北工业大学等科研团队通过模型剪枝、量化、知识蒸馏等技术，实现了对高速公路障碍物的快速识别与巡查，为提升道路安全与应急响应能力提供了可行的技术路径[61]，解决了无人机边缘端难以有效运行公路巡检算法的难题。此外，为解决现有公路交通拥堵状态识别效率低、响应速度慢等问题，中国科学院地理科学与资源研究所科研团队提出了一种面向公路交通拥堵实时检测的“云-边-端”一体化计算架构。该架构通过将目标跟踪算法压缩部署至边缘计算设备，实现对车辆行驶速度的实时感知与拥堵状态的快速判别，能够精准识别交通异常事件，提升了交通运行管理的智能化水平与应急调度能力。

4.4 公路基础设施三维重建与孪生技术

公路基础设施三维重建与孪生技术是无人机公路巡检可视化表达的基础。随着低空遥感技术在公路巡检中的深入应用，传统以二维图像为主的数据表达方式难以满足对基础设施结构精细化、空间化、动态化认知的需求。三维重建与数字孪生技术的融合，为构建真实公路基础设施的数字映射体、实现状态可视化分析与全生命周期管理提供了新路径，成为智能巡检与预测性养护的重要发展方向[62]。
在国外，美国卡耐基梅隆大学科研团队联合交通管理部门开展了“桥梁三维扫描与孪生平台”建设工作，基于移动激光雷达和多角度影像重建高精度桥梁几何模型，并通过叠加力学仿真模块，动态模拟了裂缝扩展与承载性能退化过程。日本大林组建筑公司开发的“隧道全景数字孪生系统”利用无人机倾斜摄影获取洞壁表面数据，结合历史巡检信息，实现了隧道衬砌脱空、渗漏等典型病害的动态演化分析与远程评估[63]。
在国内，关于基础设施三维重建的研究主要体现在重建和融合模型优化方面。例如，重庆市测绘科学技术研究院科研团队基于SfM+MVS技术重建路面、边坡与桥梁结构模型，并结合正射影像与点云配准技术，形成“影像-几何-语义”一体化模型，为多源信息融合与结构状态表达提供支撑[64]。上海工程技术大学电子电气工程学院科研团队将数字孪生系统与物联网平台结合，通过实时传感器数据驱动模型动态更新，实现结构响应预测与病害预警功能，拓宽了低空遥感数据的价值链[65]。
综上所述，随着人工智能、云计算与BIM融合技术的快速发展，三维重建与数字孪生在桥梁、隧道、路基等典型公路设施场景中的精度与智能化水平不断提升。

5 低空遥感技术在公路巡检中的应用局限和现实挑战

尽管低空遥感技术在公路巡检中展现出明显优势，但其规模化应用仍面临数据稳定性与标准化不足、多源数据融合与集成应用缺乏、模型精度与公路行业需求不匹配、低空巡检政策法规与安全管理缺失等诸多问题。

5.1 数据稳定性与标准化

5.1.1 数据稳定性

数据采集是低空巡检的基础环节，低空遥感数据质量的稳定性直接决定着公路巡检算法的精度和效果。气象条件和光照条件是造成数据质量不稳定的关键因素。研究表明，在强风环境下，无人机平台稳定性显著下降，致使获取的无人机影像普遍存在模糊、偏移或重叠度不足等诸多问题，进而严重影响了巡检数据的可用性。除受风速影响外，雨雾等不利天气会显著降低光学传感器成像质量，造成影像数据对比度明显降低，给后续的公路病害解译、三维模型重建造成严重阻碍[66]。光照条件是影响公路巡检数据质量的另一重要因素：光照强度过高易导致图像曝光过度，造成细节信息大量丢失，不利于图像解译与提取；而光照强度过低则可能引发图像灰暗、对比度不足等问题，增加了图像特征的辨识与提取难度。与此同时，光照角度的变化会影响阴影的投射方向与范围，导致图像容易出现阴影遮挡、光照不均、色彩失真等问题，进一步降低了数据在公路巡检应用中的可用性与准确性[67]。
然而，现阶段的硬件设备与技术无法有效克服上述环境所造成的影响，难以高效、稳定地采集低空无人机遥感数据。

5.1.2 数据采集与评价标准

除受上述环境影响外，数据采集与评价标准的缺失，严重制约了低空无人机遥感在公路巡检的推广应用[68]。一方面，由于现阶段缺少数据采集作业规范，在低空公路巡检作业过程中的飞行参数、各类传感参数均由作业单位自行设定，导致不同作业单位之间数据无法互相兼容与校验，致使大量低空数据资源在重复作业中浪费，难以形成大规模的公路巡检低空遥感标准化数据库，严重制约了低空公路巡检技术的发展与应用。另一方面，相较于人工巡检或巡检车巡检等传统手段，现有低空遥感技术在公路巡检的行业评价标准尚未达成共识，病害的界定与等级评估均存在明显差异，表现在相同的数据于不同的标准下会获得差异显著的评价结果[69]，这严重阻碍了低空遥感公路巡检应用的通用化、标准化进程。

5.2 多源数据融合与集成应用

低空遥感平台作为公路巡检的高效数据获取手段，能够提供多模态、高时空分辨率的动态感知数据，从而支撑多维度、全方位的公路巡检任务。例如，无人机通过搭载可见光传感器获取的高空间分辨率路面正射影像，可用于路面病害的精准识别与量化评估；通过装载热红外成像系统测量的路面温度场数据，可获取潜在路面结构缺陷信息；搭载激光雷达系统获取的高密度三维点云数据，能精确量化路面平整度指数、横断面几何参数及微观结构变形[70]。因此，有效融合多源低空遥感数据，是实现公路健康状况全面评估的重要实现路径和关键技术难题。
然而，当前多源数据的融合中存在诸多问题。首先，不同的数据源在分辨率和数据格式上存在明显差异，导致数据融合过程中数据误差会级联传播，降低了数据的准确性和可用性。其次，多源低空遥感数据往往分批次采集，致使不同区域、不同时段的数据难以形成统一的管理。最后，不同的飞行平台采用不同的定位方式，以GPS（米级）和RTK-GPS（厘米级）为例，融合两者所采集的数据会使原有的数据定位精度下降，导致数据难以实现细小目标的识别定位和几何测量[71]。

5.3 模型精度与公路行业需求

理论条件下，基于深度学习的公路巡检模型对单一类别的公路病害识别精度可以达到90%以上。然而，在实际的工程应用场景中，气象环境、路面背景信息、病害自身结构等因素使现有病害模型泛化能力有限，导致模型在不同路段迁移运用时容易出现大量错检漏检的现象，难以达到理论计算准确度。
此外，现有路面病害识别算法往往针对单一类别进行模型设计，但在实际场景中，低空遥感数据往往包括有多种不同的公路病害类型，现有算法模型难以有效处理多种形态相似的公路病害。以裂缝病害为例，《公路技术状况评定标准（JTG 5210-2018）》（后文简称《标准》）中规定道路裂缝包括网状裂缝、纵向裂缝和横向裂缝等；然而现阶段研究中，模型容易误将网状裂缝识别为多个横向裂缝和纵向裂缝，无法提供准确的病害识别结果[72]。另外，《标准》中将深度小于25 mm、面积小于0.1 m²的坑槽定为轻度坑槽，大于这一阈值则为重度坑槽；但在当前基于低空遥感技术体系下，模型往往难以兼顾坑槽识别和量测的效率和精度，无法有效划分坑槽病害等级。综上所述，关于低空遥感技术的运用依旧具有较大的留白空间。

5.4 政策法规与安全管理

政策法规约束与安全管理要求是低空遥感技术在公路巡检领域广泛推广的主要外部障碍，主要体现在空域管制、数据安全和作业安全3个方面[73]：①在空域管制方面，尽管全国各地均陆续出台各类空域管制规章，加快研制低空监视平台，但政策与技术平台的监管力度和效用仍然不足，且实施和运行依旧受到标准未统一、追溯监管难等诸多阻碍，制约了低空遥感技术的行业应用。②在数据安全方面，利用无人机等低空飞行平台在公路巡检过程中产生的高分辨率影像可能包含车辆牌照、人脸等敏感信息，在公用网络传输与保存时存在隐私泄漏风险。同时，重要桥梁、隧道等关键基础设施的详细空间数据涉及国家安全信息，其存储、传输和使用均需严格管控。然而，目前行业内缺乏统一的数据安全管理规范。针对个人隐私信息的脱敏技术应用不足，涉及国家安全的数据分级管理机制不健全，数据在流转过程中存在泄露风险，这些问题共同制约了低空遥感技术在公路巡检领域的规模化应用。③在作业安全方面，无人机失控或坠落会造成严重的安全隐患，但目前行业内缺乏针对公路巡检场景的无人机作业安全标准，如安全距离规定、应急处置流程、气象条件限制等，现有无人机公路巡检作业依旧缺乏安全保障建设[74]。

6 政策建议

针对前文归纳的问题，为推动低空遥感技术在公路巡检领域的规模化应用，本文提出以下政策建议：
（1）加强顶层设计与标准体系建设。建议交通运输主管部门牵头制定《公路低空遥感巡检技术规范》，明确无人机巡检的作业流程、数据采集标准、质量控制要求和安全管理规定。建立分级分类的技术标准体系，针对不同等级公路、不同巡检对象制定差异化的技术要求。同时，将低空遥感巡检纳入公路养护技术规范体系，明确其在日常养护、定期检测和应急响应中的定位和作用。
（2）建立多部门协同管理机制。鉴于低空遥感涉及民航、交通、公安等多个部门，建议建立跨部门协调机制，简化低空飞行审批流程，在确保安全的前提下，为公路巡检无人机开辟“绿色通道”。推动建立省级或地市级的低空遥感巡检调度中心，统筹区域内的无人机资源配置和任务调度，提高设备利用率和应急响应能力。
（3）完善投融资激励政策。建议将低空遥感巡检技术纳入交通新基建范畴，在公路养护资金中设立专项，支持关键技术研发和示范工程建设。鼓励采用政府购买服务、PPP等模式，引导社会资本参与低空遥感巡检服务。对率先应用低空遥感技术的养护单位给予政策倾斜和资金奖励，形成示范带动效应。
（4）强化人才培养和技术支撑。建议交通运输部门联合高等院校、科研机构建立低空遥感技术培训基地，开展分层次、分类别的专业技术培训。支持成立行业技术创新联盟，促进产学研深度融合。建立低空遥感巡检数据共享平台，推动数据资源的开放共享和深度挖掘，为技术创新提供数据支撑。
（5）推进试点示范和渐进式推广。建议选择技术基础好、应用需求迫切的地区开展试点示范，形成可复制、可推广的应用模式。按照“先易后难、先点后面”的原则，优先在高速公路、特大桥梁等重点工程推广应用，逐步扩展到普通国道、省道和农村公路。建立应用效果评估机制，定期评估技术应用的经济效益、社会效益和生态效益，不断优化技术方案和管理模式。

7 结语

作为公路巡检领域的新型遥感手段，以无人机为主体的低空遥感技术表现出明显优势。本文首先系统地梳理了低空遥感技术在公路巡检中的研究现状，并以公路路面病害智能检测、公路桥梁病害精细化识别与结构监测、边坡稳定性监测与风险预警、应急事件响应与评估4个典型应用场景阐释了低空遥感技术在公路巡检中的应用进展与发展趋势。其次，围绕“低空飞行—病害识别—实时计算—三维展示”的技术路径，深入探讨了支撑低空遥感应用的多项关键技术与方法。最后，基于现有研究成果，指出现有低空遥感技术在公路巡检中的应用局限和现实挑战。
尽管低空遥感技术在公路巡检领域取得了显著进展，但仍面临诸多技术瓶颈和应用挑战。在技术层面，现有的病害识别算法在复杂环境下的鲁棒性有待提升，多源数据融合的实时性和准确性仍需优化，边缘计算设备的算力与功耗平衡问题亟待解决；在应用层面，无人机续航能力限制了大范围巡检作业的连续性，恶劣天气条件下的作业安全性和数据质量保障机制尚不完善，巡检数据与现有公路管养信息系统的集成度不高；此外，专业操作人员的培养周期长、成本高，也制约了技术的规模化推广。
随着5G通信、人工智能、边缘计算等新一代信息技术的快速发展，低空遥感技术在公路巡检领域的应用前景广阔。未来，通过技术创新、制度创新和模式创新的协同推进，低空遥感技术必将成为支撑公路养护管理现代化的重要技术手段，为建设交通强国、保障公路基础设施安全运营作出重要贡献。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Mo W B, Wang Y, Zhang Y X, et al. Impacts of road network expansion on landscape ecological risk in a megacity, China: A case study of Beijing[J]. Science of the Total Environment, 2017, 574: 1000-1011.

[2]
中华人民共和国交通运输部. 2024年交通运输行业发展统计公报[N]. 中国交通报, 2025-06-12(002).

[Ministry of Transport of the People’s Republic of China. 2024 Statistical Bulletin on the Development of Transportation Industry[N]. China Transport News, 2025-06-12(002).]

[3]
Darmawan M A H, Mukti S N A, Tahar K N. Pothole detection based on UAV photogrammetry[J]. Revue Internationale de Géomatique, 2025, 34(1): 21-35.

[4]
Koch C, Georgieva K, Kasireddy V, et al. A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure[J]. Advanced Engineering Informatics, 2015, 29(2): 196-210.

[5]
Pu J Y, Yu Q L, Zhao Y, et al. Deformation analysis of a roadway tunnel in soft swelling rock mass based on 3D mobile laser scanning[J]. Rock Mechanics and Rock Engineering, 2024, 57(7): 5177-5192.

[6]
Biçici S, Zeybek M. An approach for the automated extraction of road surface distress from a UAV-derived point cloud[J]. Automation in Construction, 2021, DOI: 10.1016/j.autcon.2020.103475.

[7]
Peraka N S P, Biligiri K P. Pavement asset management systems and technologies: A review[J]. Automation in Construction, 2020, DOI: 10.1016/j.autcon.2020.103336.

[8]
Zhu J Q, Zhong J T, Ma T, et al. Pavement distress detection using convolutional neural networks with images captured via UAV[J]. Automation in Construction, 2022, DOI: 10.1016/j.autcon.2021.103991.

[9]
Outay F, Mengash H A, Adnan M. Applications of unmanned aerial vehicle (UAV) in road safety, traffic and highway infrastructure management: Recent advances and challenges[J]. Transportation Research Part A: Policy and Practice, 2020, 141: 116-129.

[10]
王春晓, 王斐. 基于ArcEngine的公路巡检系统设计与实现[J]. 测绘科学, 2014, 39(5): 40-42.

[Zhang C X, Wang F. Design and realization of road patrol system with ArcEngine[J]. Science of Surveying and Mapping, 2014, 39(5): 40-42.]

[11]
Luo H, Zhang P, Wang J J, et al. Traffic patrolling routing problem with drones in an urban road system[J]. Sensors, 2019, DOI: 10.3390/s19235164.

[12]
付晶莹, 彭婷, 江东, 等. 草地资源立体观测研究进展与理论框架[J]. 资源科学, 2020, 42(10): 1932-1943.

DOI

[Fu J Y, Peng T, Jiang D, et al. Research progress and theoretical framework of multidimensional observation of grassland resources[J]. Resources Science, 2020, 42(10): 1932-1943.]

DOI

[13]
Xiang T Z, Xia G S, Zhang L. Mini-unmanned aerial vehicle-based remote sensing: Techniques, applications, and prospects[J]. IEEE Geoscience and Remote Sensing Magazine, 2019, 7(3): 29-63.

[14]
Feng L, Chen S S, Zhang C, et al. A comprehensive review on recent applications of unmanned aerial vehicle remote sensing with various sensors for high-throughput plant phenotyping[J]. Computers and Electronics in Agriculture, 2021, DOI: 10.1016/j.compag.2021.106033.

[15]
Zhang B W, Song Z X, Zhao F, et al. Overview of propulsion systems for unmanned aerial vehicles[J]. Energies, 2022, DOI: 10.3390/en15020455.

[16]
Omar T, Nehdi M L. Remote sensing of concrete bridge decks using unmanned aerial vehicle infrared thermography[J]. Automation in Construction, 2017, 83: 360-371.

[17]
Finn R L, Wright D. Unmanned aircraft systems: Surveillance, ethics and privacy in civil applications[J]. Computer Law & Security Review, 2012, 28(2): 184-194.

[18]
缑永涛, 李文博, 段学锋. 基于无人机的路桥病害检测系统[J]. 测绘通报, 2022, (12): 141-146, 169.

DOI

[Gou Y T, Li W B, Duan X F. Road and bridge disease detection system based on UAV[J]. Bulletin of Surveying and Mapping, 2022, (12): 141-146, 169.]

DOI

[19]
Butilă E V, Boboc R G. Urban traffic monitoring and analysis using Unmanned Aerial Vehicles (UAVs): A systematic literature review[J]. Remote Sensing, 2022, DOI: 10.3390/rs14030620.

[20]
Safavi F, Rahnemoonfar M. Comparative study of real-time semantic segmentation networks in aerial images during flooding events[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2023, 16: 4-20.

[21]
Fan L L, Wang D D, Wang J H, et al. Pavement defect detection with deep learning: A comprehensive survey[J]. IEEE Transactions on Intelligent Vehicles, 2024, 9(3): 4292-4311.

[22]
Kulambayev B, Nurlybek M, Astaubayeva G, et al. Real-time road surface damage detection framework based on mask R-CNN model[J]. International Journal of Advanced Computer Science and Applications, 2023, DOI: 10.14569/IJACSA.2023.0140979.

[23]
Zhong J T, Zhu J Q, Huyan J, et al. Multi-scale feature fusion network for pixel-level pavement distress detection[J]. Automation in Construction, 2022, DOI: 10.1016/j.autcon.2022.104436.

[24]
Ding W, Yang H, Yu K, et al. Crack detection and quantification for concrete structures using UAV and transformer[J]. Automation in Construction, 2023, DOI: 10.1016/j.autcon.2023.104929.

[25]
Gkoumas K, Stepniak M, Cheimariotis I, et al. New technologies for bridge inspection and monitoring: A perspective from European Union research and innovation projects[J]. Structure and Infrastructure Engineering, 2024, 20(7): 1120-1132.

[26]
Tian Y D, Chen C, Sagoe-Crentsil K, et al. Intelligent robotic systems for structural health monitoring: Applications and future trends[J]. Automation in Construction, 2022, DOI: 10.1016/j.autcon.2022.104273.

[27]
Ri S, Ye J, Toyama N, et al. Drone-based displacement measurement of infrastructures utilizing phase information[J]. Nature Communications, 2024, DOI: 10.1038/s41467-023-44649-2.

[28]
Yoon H, Shin J, Spencer B F. Structural displacement measurement using an unmanned aerial system[J]. Computer-Aided Civil and Infrastructure Engineering, 2018, 33(3): 183-192.

[29]
余加勇, 李锋, 薛现凯, 等. 基于无人机及Mask R-CNN的桥梁结构裂缝智能识别[J]. 中国公路学报, 2021, 34(12): 80-90.

DOI

[Yu J Y, Li F, Xue X K, et al. Intelligent identification of bridge structural cracks based on unmanned aerial vehicle and Mask R-CNN[J]. China Journal of Highway and Transport, 2021, 34(12): 80-90.]

[30]
Dan D, Dan Q. Automatic recognition of surface cracks in bridges based on 2D-APES and mobile machine vision[J]. Measurement, 2021, DOI: 10.1016/j.measurement.2020.108429.

[31]
Wang Y, He Z L, Zeng X Q, et al. Real-time spatial contextual network based on deep learning for bridge exposed rebar segmentation[J]. Construction and Building Materials, 2024, DOI: 10.1016/j.conbuildmat.2024.138379.

[32]
田雨, 王知乐, 徐俣璠, 等. 露天煤矿边坡形态参数无人机识别及安全评价[J/OL]. 采矿与安全工程学报, (2025-03-28) [2025-06-27]. https://doi.org/10.13545/j.cnki.jmse.2025.0039.

[Tian Y, Wang Z L, Xu Y F, et al. Drone-based identification and safety evaluation of slope morphology parameters in open-pit coal mines[J/OL]. (2025-03-28) [2025-06-27]. https://doi.org/10.13545/j.cnki.jmse.2025.0039.]

[33]
沈运华, 张秀荣, 刘晓煌, 等. 天空地一体化自然资源要素监测体系及其应用[J]. 资源科学, 2022, 44(8): 1696-1706.

DOI

[Shen Y H, Zhang X R, Liu X H, et al. An integrated space-aerial-ground monitoring system and applications for natural resources elements[J]. Resources Science, 2022, 44(8): 1696-1706.]

DOI

[34]
Sun J W, Yuan G Q, Song L Y, et al. Unmanned aerial vehicles (UAVs) in landslide investigation and monitoring: A review[J]. Drones, 2024, DOI: 10.3390/drones8010030.

[35]
Yermolaev O, Usmanov B, Gafurov A, et al. Assessment of shoreline transformation rates and landslide monitoring on the bank of Kuibyshev Reservoir (Russia) using multi-source data[J]. Remote Sensing, 2021, DOI: 10.3390/rs13214214.

[36]
Godone D, Allasia P, Borrelli L, et al. UAV and structure from motion approach to monitor the Maierato Landslide evolution[J]. Remote Sensing, 2020, DOI: 10.3390/rs12061039.

[37]
廖小罕, 屈文秋, 徐晨晨, 等. 城市空中交通及其新型基础设施低空公共航路研究综述[J]. 航空学报, 2023, 44(24): 6-34.

[Liao X H, Qu W Q, Xu C C, et al. A review of urban air mobility and its new infrastructure low-altitude public routes[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(24): 6-34.]

[38]
Yan X, Hu F, Yu Y Q, et al. Application of UAV 3D point cloud data in highway slope disaster investigation[J]. IOP Conference Series: Earth and Environmental Science, 2024, DOI: 10.1088/1755-1315/1334/1/012031.

[39]
Quamar M M, Al-Ramadan B, Khan K, et al. Advancements and applications of drone-integrated geographic information system technology: A Review[J]. Remote Sensing, 2023, DOI: 10.3390/rs15205039.

[40]
Luan T, Zhou S T, Liu L F, et al. Tiny-object detection based on optimized YOLO-CSQ for accurate drone detection in wildfire scenarios[J]. Drones, 2024, DOI: 10.3390/drones8090454.

[41]
Haq B, Ali Jamshed M, Ali K, et al. Tech-driven forest conservation: combating deforestation with internet of things, artificial intelligence, and remote sensing[J]. IEEE Internet of Things Journal, 2024, 11(14): 24551-24568.

[42]
Kinaneva D, Hristov G, Raychev J, et al. Early Forest Fire Detection Using Drones and Artificial Intelligence[C]. Opatija:2019 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), 2019.

[43]
张锐, 王福涛, 陈生. 高分辨率遥感在震害监测中的应用综述[J]. 遥感信息, 2024, 39(4): 1-10.

[Zhang R, Wang F T, Chen S. An overview of application of high-resolution remote sensing in seismic hazard monitoring[J]. Remote Sensing Information, 2024, 39(4): 1-10.]

[44]
Pasha J, Elmi Z, Purkayastha S, et al. The drone scheduling problem: A systematic state-of-the-art review[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(9): 14224-14247.

[45]
Li Y, Zhang D, Dong P H, et al. A surface electromyography-based deep learning model for guiding semi-autonomous drones in road infrastructure inspection[J]. Computer-Aided Civil and Infrastructure Engineering, 2025, DOI: 10.1111/mice.13520.

[46]
Huang X W, Liu Y P, Huang L Z, et al. BIM-supported drone path planning for building exterior surface inspection[J]. Computers in Industry, 2023, DOI: 10.1016/j.compind.2023.104019.

[47]
黄海新, 于广威, 程寿山, 等. 基于改进灰狼优化的桥梁检测爬壁机器人全覆盖路径规划[J]. 计算机应用, 2024, 44(3): 966-971.

DOI

[Huang H X, Yu G W, Cheng S S, et al. Full coverage path planning of bridge inspection wall-climbing robot based on improved grey wolf optimization[J]. Journal of Computer Applications, 2024, 44(3): 966-971.]

DOI

[48]
刘国群, 王雨琪, 廖志刚. 基于知识抽取和强化学习的无人飞行器智能路径决策方法研究[J]. 战术导弹技术, 2024, (6): 35-44.

[Liu G Q, Wang Y Q, Liao Z G. Research on intelligent path decision-making methods for unmanned aerial vehicles based on knowledge extraction and reinforcement learning[J]. Tactical Missile Technology, 2024, (6): 35-44.]

[49]
徐晨晨, 叶虎平, 岳焕印, 等. 城镇化区域无人机低空航路网迭代构建的理论体系与技术路径[J]. 地理学报, 2020, 75(5): 917-930.

DOI

[Xu C C, Ye H P, Yue H Y, et al. Iterative construction of UAV low-altitude air route network in urbanized regions: Theoretical system and technical roadmap[J]. Acta Geographica Sinica, 2020, 75(5): 917-930.]

[50]
Wang S Q, Sui X, Leng Z, et al. Asphalt pavement density measurement using non-destructive testing methods: Current practices, challenges, and future vision[J]. Construction and Building Materials, 2022, DOI: 10.1016/j.conbuildmat.2022.128154.

[51]
Tong Z, Gao J, Yuan D D. Advances of deep learning applications in ground-penetrating radar: A survey[J]. Construction and Building Materials, 2020, DOI: 10.1016/j.conbuildmat.2020.120371.

[52]
Shang J, Zhang A A, Dong Z, et al. Automated pavement detection and artificial intelligence pavement image data processing technology[J]. Automation in Construction, 2024, DOI: 10.1016/j.autcon.2024.105797.

[53]
Saiful Islam M, Mohamed Ibrahim A, Ekramul Hoque K, et al. Advancement in the automation of paved roadways performance patrolling: A review[J]. Measurement, 2024, DOI: 10.1016/j.measurement.2024.114734.

[54]
Wang Z L, Leng Z F, Zhang Z X. A weakly-supervised transformer-based hybrid network with multi-attention for pavement crack detection[J]. Construction and Building Materials, 2024, DOI: 10.1016/j.conbuildmat.2023.134134.

[55]
Duan Z X, Liu J H, Ling X P, et al. ERNet: A rapid road crack detection method using low-altitude UAV remote sensing images[J]. Remote Sensing, 2024, DOI: 10.3390/rs16101741.

[56]
Dang C, Wang Z X. RCYOLO: An efficient small target detector for crack detection in tubular topological road structures based on unmanned aerial vehicles[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 17: 12731-12744.

[57]
Sun L X, Yang Y X, Yang Z C, et al. DUCTNet: An Effective Road Crack Segmentation Method in UAV Remote Sensing Images Under Complex Scenes[J]. IEEE Transactions on Intelligent Transportation Systems, 2024, 25(9): 12682-12695.

[58]
Wang Y, He Z L, Zeng X Q, et al. GGMNet: Pavement-Crack detection based on global context awareness and multi-scale fusion[J]. Remote Sensing, 2024, DOI: 10.3390/rs16101797.

[59]
Li S Q, Liu G Q, Li L, et al. A review on air-ground coordination in mobile edge computing: Key technologies, applications and future directions[J]. Tsinghua Science and Technology, 2025, 30(3): 1359-1386.

[60]
Zeng Y, Xu J, Zhang R. Energy minimization for wireless communication with rotary-wing UAV[J]. IEEE Transactions on Wireless Communications, 2019, 18(4): 2329-2345.

[61]
Chen S Q, Yao K F, Wang Y W, et al. Multiscene auxiliary network-based road crack detection under the framework of distributed edge intelligence[J]. IEEE Internet of Things Journal, 2025, 12(5): 4613-4628.

[62]
Hu D K, Minner J. UAVs and 3D city modeling to aid urban planning and historic preservation: A systematic review[J]. Remote Sensing, 2023, DOI: 10.3390/rs15235507.

[63]
Yokoyama S, Matsumoto T. Development of an automatic detector of cracks in concrete using machine learning[J]. Procedia Engineering, 2017, 171: 1250-1255.

[64]
李波, 李晗, 胡正伟. 无人机贴近摄影测量技术在建筑立面测量中的应用[J]. 测绘通报, 2024, (2): 32-36.

[Li B, Li H, Hu Z W. Application of UAV nap-of-the-object photography in building facade measurement[J]. Bulletin of Surveying and Mapping, 2024, (2): 32-36.]

[65]
方荣辉, 杨淑群, 兰宁. 基于数字孪生的无人机巡航系统[J]. 制造业自动化, 2022, 44(11): 98-101.

[Fang R H, Yang S Q, Lan N. UAV cruise system based on digital twin[J]. Manufacturing Automation, 2022, 44(11): 98-101.]

[66]
Yang B, Wang D C, Zhang R J. Methods to mitigate the impact of work environment on the measurement of building surface temperature by unmanned aerial vehicle onboard thermal imaging system[J]. Energy and Buildings, 2024, DOI: 10.1016/j.enbuild.2024.114872.

[67]
Song C H, Woodcock C E, Seto K C, et al. Classification and change detection using Landsat TM Data: When and how to correct atmospheric effects?[J]. Remote Sensing of Environment, 2001, 75(2): 230-244.

[68]
Wang F, Zou Y, Chen X Y, et al. Rapid in-flight image quality check for UAV-enabled bridge inspection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2024, 212: 230-250.

[69]
Xu J Y, Li X, Yang J, et al. A remote subgrade settlement monitoring system based on optical method[J]. Urban Rail Transit, 2019, 5(3): 202-206.

[70]
任冬, 袁航, 张磊, 等. 大型安保任务中无人机倾斜摄影技术的三维实景建模[J]. 计算机与数字工程, 2025, 53(2): 378-383.

[Ren D, Yuan H, Zhang L, et al. 3D reality modeling of UAV oblique photography technology in large security missions[J]. Computer & Digital Engineering, 2025, 53(2): 378-383.]

[71]
Yang J, Li H, Zou J, et al. Concrete crack segmentation based on UAV-enabled edge computing[J]. Neurocomputing, 2022, 485: 233-241.

[72]
Jiang T Y, Liu Z Y, Zhang G Z. YOLOv5s-road: Road surface defect detection under engineering environments based on CNN-transformer and adaptively spatial feature fusion[J]. Measurement, 2025, DOI: 10.1016/j.measurement.2024.115990.

[73]
Merkert R, Bushell J. Managing the drone revolution: A systematic literature review into the current use of airborne drones and future strategic directions for their effective control[J]. Journal of Air Transport Management, 2020, DOI: 10.1016/j.jairtraman.2020.101929.

[74]
Wang N, Mutzner N, Blanchet K. Societal acceptance of urban drones: A scoping literature review[J]. Technology in Society, 2023, DOI: 10.1016/j.techsoc.2023.102377.

Options
文章导航

/

〈 〉