针对水利设施巡检中人工模式效率低、覆盖有限、安全风险高等问题，研发了一套基于多模态大模型的水利场景无人值守智能巡检系统。系统以星逻智能MkY2智能机库与星祺行业级无人机为核心硬件，构建了“感知-执行-调度-平台-智能”五层架构。在智能感知层面，设计了“1个超级大脑+N个领域专家+知识库”的异构协同驱动机制：以多模态大语言模型作为全局语义解析中枢，赋予系统场景理解与模糊决策能力；以坝体裂隙提取、渗漏辨识、水位读取、漂浮物归类等轻量化垂直模型作为精准执行单元；以结构化水利知识库提供可追溯的专业解释依据。该机制打通了通用模型语义泛化与专用模型精细度量之间的技术壁垒，推动监测逻辑从“目标检测”向“态势认知”跃升。系统同时集成了基于改进遗传算法的多机协同调度模块与三层递进式航线h无人值守作业。在水库大坝安全监控与河道常态化巡查两类场景中的试点应用表明：对比传统人工巡检，无人机智能巡检作业效率提升167%，空间覆盖范围从约60%扩大至全域无死角，潜在隐患识别成功率从70%提升至95%以上，作业区安全事件发生概率降低90%，综合运维投入下降约50%，为智慧水利体系建设提供了一项融合通用人工智能与垂直领域知识的新型技术

　　作者简介：肖素枝，星逻首席科学家蓝星研究院院长，高级工程师，主要研究方向为人工智能、无人机能源巡检、垂直领域大模型与视觉识别算法。E-mail：suzhi.

　　我国水利设施存量庞大，截至目前，全国共有水库约9.5万座，已建成堤防总长度超30万km，在防洪减灾、水资源调配与农业灌溉中承担着不可替代的功能。然而，大量水利设施投用年限已久，老化问题与安全隐患逐步累积，安全稳定运行面临严峻考验。水利设施多分布于偏远山区或河道沿岸，交通条件差，环境变动性强，巡检作业常伴随洪水、滑坡等次生灾害风险；隐患判定专业门槛高，汛期等特殊时段时效性要求严苛，传统人工巡检模式在效率、覆盖范围与安全性方面已无法满足精细化管理需求。水利部高度重视数字孪生水利建设，提出按照“需求牵引、应用至上、数字赋能、提升能力”要求，推进“天空地水工”一体化监测感知体系夯基提能，丰富算据、优化算法、提升算力，对流域、水网、水利工程全要素和水利治理管理全过程进行数字映射、智能模拟、前瞻预演。这对无人机等新型巡检手段的深度应用提出了迫切需求。

　　无人机凭借机动灵活、高效精准、可规避人员涉险风险等优势，正逐步成为构建一体化感知网络的重要载体。国内外围绕无人机水利巡检已积累了大量研究与实践成果：国际方面，美国地质调查局将无人机投入河道测绘与洪水监测领域并开发了配套水文数据采集系统，欧洲多国在莱茵河、多瑙河流域开展了水质监测与岸线变化检测示范，日本在大坝巡检中融合红外热成像技术实现了渗漏隐患早期排查；国内方面，搭载可见光与红外相机的无人机在水库大坝巡检中已可自动识别坝体裂缝、渗漏点及护坡破损，在河道巡查中可承担岸线变化监测、非法采砂识别、排污口排查与漂浮物检测等任务，防汛应急场景下亦被用于洪涝灾害监测与险情侦察。上述实践充分验证了无人机水利巡检的技术可行性。

　　尽管已有成果证明了无人机水利巡检的潜力，但当前技术路线仍面临多重瓶颈：主流多旋翼无人机续航普遍仅有30～45min，难以满足长距离连续监测需求；自动化起降与充能配套设施不足，高度依赖人员现场操作，无法实现常态化无人值守；大规模巡检场景下多机协同调度能力欠缺，缺少成熟的全局任务分配与航路规划方案；更重要的是，现有识别算法多停留在通用目标检测阶段，缺乏面向水利业务逻辑的场景语义理解与隐患诊断功能。上述问题构成了无人机水利巡检向规模化、智能化方向推进的核心阻碍。鉴于此，研发一套基于多模态大模型的水利场景智能巡检系统可提供有效解决方案。本研究重点从3个方面展开：一是研发无人机自动机库与多机协同调度技术，实现7×24h无人值守作业；二是构建多模态大模型与垂直领域模型异构融合的智能识别框架，推动认知从离散目标检出向场景语义解读跃升；三是打通任务排布、自主飞行、智能研判与报告生成各环节间的数据与指令壁垒，构建自洽的无人化巡检业务闭环，为智慧水利场景提供可落地的实施方案。

　　本系统在设计初期即针对水利设施布局偏远、运行环境恶劣的特点，确立了鲁棒性、可扩展性、感知智能性、作业安全性等4项约束性准则，旨在从架构层面保障巡检体系既能稳定应对复杂任务，又能为业务演进预留迭代空间。

　　①鲁棒性原则：要求核心硬件与通信链路在极端环境下保持可靠运行。研发UltraHive MkY2智能机库，防护等级IP55，可在-40～50℃宽温区间稳定工作；研发星祺行业级无人机，防护等级同样达到IP55，可在7级大风下作业，最大飞行海拔7000m，关键部件平均无故障工作时间超过2000h，并内建故障自诊断与预警机制，保障全天候任务能力。

　　②可扩展性原则：系统采用九游体育,九游体育股份有限公司,九游体育官方网站,九游Sports模块化、层次化架构，感知层支持可见光、红外、多光谱及激光雷达等多种传感器快速集成，执行层兼容星祺及大疆M350/M400等多型号无人机平台，智能层以“基础大模型+行业轻量化适配层”设计实现对新增业务场景的低成本快速适配，为功能演进与设备异构接入预留充分弹性空间。

　　③感知智能性原则：以人工智能（AI）为核心驱动，以多模态大语言模型的语义泛化、跨源关联推演与全局语境误报校验能力，赋予系统专家级场景解读能力；垂直领域轻量化模型在坝体微损伤精细化检出、水面漂浮物快速分类、水文标识精准识读等窄域任务中提供高精度定量检测功能。二者协同形成“大模型认知中枢+垂直模型特征提取单元”的计算范式，推动巡检认知从离散目标检测向连续场景态势感知演进。

　　④作业安全性原则：从数据与飞行双维度构筑防线。在数据层面，通过端到端加密隧道、本地私有化部署与细粒度权限管控形成全生命周期防护；在飞行层面，依托六向感知主动避障、信号丢失自主归航及被动式物理缓降装置组成多层冗余容错安全网，并配套空域审批机制确保任务合法合规；在物理层面，系统以无人机为低空抵近感知载体，借助视觉算法对坝体微裂缝、堤后渗漏浸润面等隐蔽缺陷实施非接触式识别，从源头隔离人员与高风险区域，在规避涉水作业安全隐患的同时提升微小缺陷的检出分辨率。

　　基于前述设计逻辑，系统在具体实现上划分为感知层、执行层、调度层、平台层、智能层等5个逻辑层级，各层通过标准化协议交互，形成从数据采集到处置反馈的完整作业回路。

　　感知层以星祺行业级无人机为核心载体，集成星逻智观四光云台相机。该相机集成4800万像素广角变焦双可见光相机、640×512红外热成像相机及2km激光测距模块，搭载21Tops机载算力，支持53倍无损变倍与机载AI识别追踪。

　　执行层以UltraHive MkY2智能机库为物理执行单元，通过视觉引导与RTK定位融合实现厘米级精准降落，60min内完成自动充电，推动巡检从“人工操作”向“无人值守”升级。

　　调度层以星祺调度系统为基础，采用分布式微服务架构，对上接收平台指令，对下协调多机群协同控制、任务排布与航路计算，结合任务时效、机台工况、气象参数及空域状态求解全局最优执行序列，并基于数字高程模型生成兼顾安全与效率的三维巡检路径，辅以实时空域感知与动态优先级调整，保障多机安全有序运行。

　　平台层由“星逻万象”智慧巡检管理平台承载，采用云边协同模式实现流式数据即时处理与历史数据离线深度挖掘，通过统一数据接入与治理框架将多源异构巡检数据归一化整合为动态数字孪生底座，提供二维地图、三维实景模型及统计图表等多态化表达窗口，并预留开放式API接口以打通既有水利信息化系统。

　　智能层集中体现本系统差异化创新价值，其内核为多模态大模型与水利垂直模型异构融合的智能研判引擎，遵循“一个超级大脑+N个领域专家+知识库”的协同理念。多模态大模型承担全局语义解析与模糊决策引导角色，赋予系统专家级场景解读与任务拆解能力；多个轻量化垂直模型在坝面裂隙提取、渗漏区辨识、水尺读数、漂浮物归类及违建判别等任务中完成高置信度定量检测；结构化水利知识底座则为推理结论提供可追溯的专业解释依据，从而在分层解耦的架构下实现从离散目标检测向连续场景认知的跃升。

　　无人值守作业模式落地运行的核心物理载体是无人机自动机库，机库性能直接决定整套系统的自动化水平与后期运维成本。本文结合水利巡检场景的实际使用需求，对团队自主研发的UltraHive MkY2型智能机库完成了定向功能强化与适应性改造。

　　实现无人机精准归巢的过程中，机库采用融合RTK绝对坐标引导加视觉相对位姿修正的双通路感知方案；RTK定位模块可在大地坐标系下输出稳定引导数据，让无人机先抵达机库上方的安全截获窗口；机载下视摄像头与机库顶部高对比度二维码阵列配合工作，完成相对位姿逐帧微调；两套感知路径形成热备冗余。实际测试显示，6级以下阵风、能见度不低于50m的场景中，循环归巢完好率稳定在99.8%以上。

　　能源补给模块设计中，充电系统由充电模块、电池管理模块与状态监测模块共同运行，适配智能充电曲线，可根据电池实时状态自动调整充电电流来延长使用寿命，还可实时监测电压、电流、温度及充电接口的对接情况，单次能源补给时长控制在60min以内，能让无人机单日最大飞行量达15架次以上。

　　为适配水利野外巡检的恶劣环境，机库选用不锈钢与铝合金复合结构，搭配防腐涂层处理工艺，整体防护等级达到IP55。内部搭建包含主动式温湿度调节、强制通风降湿与低温辅助加热的闭环环境调控系统，保障设备在-40～50℃宽温区间和高湿环境下均可稳定运行。此外，内置不间断电源模块，市电断开后可维持主控与通信单元运行不少于4h，为突发断电场景下的设备保护提供必要缓冲。

　　水利巡检覆盖范围较大，单台无人机作业能力存在局限性，星祺调度系统可实现对多架无人机与多个机库进行统一管控与协同调度。

　　在任务分配环节，系统选用改进遗传算法，把任务优先级、无人机电量与载荷情况、飞行距离与能耗限制、实时气象参数及空域管控要求等归入多维约束条件，以缩减总飞行时长与任务分配均衡为目标函数，经迭代优化快速生成最优分配方案。实际测试中，5架无人机执行堤坝裂缝巡检任务时30s内即可完成解算，效率较人工规划高出40%以上。

　　航线规划使用从全局到局部逐步细化的三层递进框架：宏观层依托数字高程模型与改进蚁群算法，生成可兼顾地形避障与禁飞区规避的覆盖路径；动态层结合实时气象与空域调整信息对航线参数进行自适应修正；微观层针对大坝关键部位与历史缺陷高发区生成高分辨率抵近扫描轨迹，强化细微隐患检出能力。

　　多机冲突避免机制在规划推演阶段通过时空解耦预先划定各机不交叠的时空走廊，从源头规避航线交会，实时控制阶段持续监测位置矢量与速度状态，间隔趋近安全阈值时自动触发规避指令，同时内置任务优先级判别逻辑，保障应急抢险等高优先级作业路权不受干扰。

　　多模态AI融合识别技术是本系统和传统无人机巡检方案的核心不同点，设计这一技术的初衷是破除传统模式“有感无知”（即只能采集影像、无法解读语义信息）的固有短板，推动巡检认知从浅层目标判别向深度场景态势感知升级。围绕这一目标，系统构建了“1个超级大脑+N个领域专家+知识库”的混合增强智能框架。

　　框架内的多模态大语言模型承担超级大脑的功能，依托Transformer统一表征空间，对可见光、红外热成像及无人机位姿等异构输入开展联合编码与交叉理解，让系统具备穿透像素表层、捕捉目标空间配置与行为关联的宏观语义解读能力，可从“识别裂缝存在”升级到“判定裂缝属于表面干缩缝还是深层结构性隐患”。

　　多个面向水利场景的垂直模型组成领域专家池，覆盖的核心任务包括裂缝检测（基于改进U-Net架构，像素级检测准确率超过95%）、渗漏识别（结合可见光与红外温差特征）、水尺读数（误差控制在1cm内）、漂浮物分类及违章建筑判别等，各模块独立运作完成高可信度定量检测。

　　结构化水利知识库收纳了法规、导则与典型处险案例，给推理结论提供可追溯的专业解释依据。

　　在协同运行环节，智能任务路由机制会先让大模型完成全局场景解析，动态调用对应专家模型，专家模型完成精确定量与边界提取后回传结果，由大模型结合知识库开展综合分析，并输出包含风险评级、干预建议及历史案例索引的诊断文书。为保证处理速度，系统采用模型量化、知识蒸馏、边缘计算部署和批量推理等优化方法，把单张图像端到端推理时长缩短到500ms以内，既能满足野外巡检实时处理要求，又能完成从“目标检测”至“场景理解”再至“诊断决策”的完整智能运行闭环。

　　以某省一中型水库为示范应用场景，检验系统在水库大坝安全监测工作中的实际表现。水库总库容为3500万m，大坝为黏土心墙坝，最大坝高42m，坝顶全长680m，投用时间已超30年，坝体逐步出现老化问题。

　　整套系统部署选用“1库+1机+多航线”方案：在水库大坝右岸平整区域布设1台UltraHive MkY2智能机库，搭配1架星祺行业级无人机（单次续航50min，载荷5kg，信号覆盖20km），搭载星逻智观四光云台相机。结合大坝构造特征规划3条巡检航路：坝体巡检航路（飞行里程约3km，涵盖坝顶、上下游坝坡、坝趾排水设施）、溢洪道巡检航路（飞行里程约2km）、库区巡检航路（飞行里程约5km）。整套系统试运行6个月，共完成巡检任务180架次，收集到可见光影像约1.5万张、红外热成像图约3000张。

　　人工智能分析系统可自动检测出各类隐患，具体包括：坝体裂缝32条（由裂缝检测模型识别），其中宽度1mm的有8条，比对多期结果后发现3条有扩展趋势；背水坡存在渗漏区域5处（渗漏识别模型识别所得），经人工核查确定3处是真实渗漏点；上游护坡存在块石松动区域12处，下游护坡受冲刷区域8处（护坡破损检测模型识别所得）；位移观测点损坏3处，水尺损坏1处（水位识别模型此前在该位置报警），标识标牌缺失5处。和传统人工巡检相比，巡检效率从4h/次降到1.5h/次（提升167%），巡检覆盖范围从约60%扩大到100%，隐患查出率从约70%提高到超95%。

　　为检验系统在多类场景下的泛化能力，选取某省重点行洪河道（总长约25km，途经3个乡镇）开展常态化巡查试用。该河段此前存在非法采砂、违规搭建、漂浮物堆积等问题，传统人工巡查情况下沿河步行或驾车单次需要花费6～8h，夜间和恶劣天气下无法正常作业。

　　整套系统部署选用“2库+3机+动态巡航路线”方案，具体是沿河道上下游布设2台UltraHive MkY2智能机库，配备3架星祺行业级无人巡查机（包含1架备用设备），可完成分段接力巡航。单架次最远可覆盖8km河道，2个机库配合能够覆盖25km整个河道。整套系统已运行4个月，累计开展巡查作业120架次，拍摄影像资料约8000张。不同检测模型的应用情况如下。

　　①漂浮物监测模块（漂浮物归类模型）：累计识别漂浮物聚集事件23次，其中水葫芦暴发3次、生活垃圾堆放11次、动物尸身出现9次，识别准确率为91%。系统可自动输出附带位置标记与面积测算的清漂作业单，清漂效率比人工巡查提高约50%。

　　②违章建筑识别模块（违建辨识模型）：比对多期遥感影像的变化，识别河道管控区域内新增违章建筑4个、非法采砂作业点2个、违规围网养殖点3个，识别准确率为86%。系统将疑似违建的坐标信息和现场拍摄的影像自动推送到水政监察部门的移动终端，执法响应时间由原来平均5d减少到24h以内。

　　③水位识别模块（水位识别模型）：可完成对河道沿线个水尺的自动读数，单次识别误差1cm，系统每隔15min自动采集1次水位信息，已连续4个月水位数据完整率达到98%，取代了原先每天2次的人工现场读取工作，同时具备汛期5min/次的加密采集模式。

　　④岸线变化监测模块（变化监测模型）：比对多期正射影像，自动识别出岸线个塌陷点经人工核查确定为管涌前兆，相关人员及时开展了加固作业。

　　系统具备夜间及光照较弱的场景下进行监测的能力，依托红外热成像与微光夜视能力，累计排查出夜间违法采砂行为2起、偷排泥浆行为1起，覆盖了人工巡查不到的夜间盲区。

　　在应急响应方面，台风过境期间系统连续开展加密巡查5架次，实时传回河道行洪现场画面与水位数据，为防汛调度工作提供了支撑。

　　选取巡检效率、覆盖范围、安全风险、问题发现率4个维度，将无人机智能巡检与传统人工巡检进行效果对比。结果显示，和传统人工巡检模式相比，无人机智能巡检系统在多个评估维度上的表现有明显提升。巡检效率层面，采用无人机开展自主巡检，单轮任务的平均耗时从人工模式的4h减少到1.5h，效率提升幅度达到167%，耗时缩短后，巡检频次可以加密，应急响应的速度也能同步提升。覆盖范围层面，无人机机动性能好、可到达范围广，能完成坝体全域及整个河道岸线的无死角巡查，人工巡检受地形、安全因素限制无法覆盖的约40%观测盲区全部被划入监测范围，保证了采集空间样本完备。在风险控制维度，无人作业方式让工作人员不用进入高边坡、深水域等危险场景，人身安全事故的发生概率和人工巡检模式相比下降了九成以上。隐患检出层面，本文采用的AI融合识别框架，问题发现率可稳定维持在95%以上，和人力目视判读的结果相比，高出约25个百分点。对于微裂隙辨识、浸润面早期征兆捕捉及夜间违规巡查等人工巡检效能偏低的场景，AI识别的比较优势更加突出。

　　本文针对水利设施巡检现存问题，开发了依托多模态大模型的智能巡检系统，相关成果主要有三项：一是给出无人机自动机库与智能调度的一体化方案，自主研发的MkY2智能机库能做到厘米级精准归巢和全天候无人值守运行；二是搭建了“1个超级大脑+N个领域专家+知识库”的异构融合框架，把多模态大模型的语义理解能力、专用垂直模型的精细检测能力进行跨层级结合，核心模型的判别准确率稳定保持在90%以上；三是完成了全巡检流程自动化，在水库、河道的现场测试过程中，作业效率提升167%，巡检覆盖率为100%，隐患检出率提升到95%以上，安全风险下降90%，整体运维成本降低约50%。

　　尽管成效显著，但系统仍存在局限：极端天气下飞行能力受限，大模型边缘部署算力要求高，更多设施类型的适配性待验证。下一步研究将聚焦与数字孪生技术深度融合、引入轻量化端侧大模型、探索跨流域多机库协同调度策略等方面，以进一步提升系统效能与泛化能力。

　　声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。

　　借力广交会平台 聚力扬帆出海｜源根石化参加“万企出海 鲁贸全球”山东汽车产业精准采购对接会