堤防是抵御洪水的关键屏障，但渗漏、管涌等险情隐患常因地质条件复杂、植被覆盖或极端天气难以及时发现，导致溃堤风险。传统人工巡检效率低且存在风险，现有地球物理探测技术成本高、实时性较差。近年来，无人机与人工智能技术的结合为堤防智能化巡检开辟了新路径，但对复杂自然场景下的适用性仍面临挑战。

中国科学院西北生态环境资源研究院甘肃省灾害防治智能装备及大数据行业技术中心提出基于无人机热红外成像与深度学习的堤防险情隐患高效检测方法，实现从传统人工巡检到智能无人机巡检的跨越，并成功实现实时边缘计算应用，为防洪减灾提供了创新技术方案。

研究团队针对堤防渗漏、管涌灾害的隐蔽性和随机性，提出了“空-天-地”协同的智能巡检体系。通过模拟实验构建了包含5995张热红外图像的堤防渗漏数据集，涵盖晴雨昼夜、不同植被覆盖及地形场景。基于Mask R-CNN模型，实现了渗漏区域的精准分割与分类，平均检测精度达97.7%，单张图像处理仅需0.015秒。

研究还引入Eigen-CAM可视化技术，揭示模型决策依据，提升可信度。进一步优化实时检测能力，通过104次野外实验构建多源数据集，并开发基于YOLOv5的轻量化模型。该模型在热红外和可见光图像中的检测精度分别达92.7%和70.4%，结合边缘计算技术，实现无人机端实时处理与预警。

此外，研究还验证了模型在暴雨、夜间及植被遮挡场景下的鲁棒性，为全天候监测提供支撑。其突出优势表现为：一是全天候适应性。热红外成像突破可见光局限，可探测植被或水体下隐蔽险情隐患，夜间及雨天仍保持高精度。二是高效实时性。边缘计算使无人机在飞行中即时分析数据，减少数据传输延迟，显著提升了应急响应速度。三是场景普适性。模型在长江、淮河、鄱阳湖等不同地质条件的堤防段均表现优异，具备大范围推广的潜力。四是模式革新从“人巡”到“机巡”的转型，大幅降低人力成本与安全风险，推动了防汛作业智能化。

以上研究系统揭示了复杂自然环境下堤防险情隐患的热力学特征与检测边界条件，构建了从数据采集到智能分析的完整技术链。相关技术已在长江中下游部分堤防试点应用，参与了2024年应急安全装备区域行等实战演练。未来，研究团队将推动技术在实际防汛中的规模化应用，并与激光雷达、光纤传感等多源数据融合，进一步提升灾害预警能力。

相关成果分别在International Journal of Disaster Risk Reduction和Water Resources Research期刊发表，西北研究院博士生陈白丽和段群滔分别为论文第一作者，罗立辉正高级工程师为论文通讯作者。该研究得到了应急管理部揭榜攻关等项目的支持。

论文链接： 

1. https://doi.org/10.1016/j.ijdrr.2024.104982  

2. https://doi.org/10.1029/2024WR038931  

图1. 无人机巡检堤防险情隐患

图2. 堤防险情隐患实验区域

图3. 不同场景下堤防险情检测

图4. 无人机集成边缘计算套件实时智能巡检