优化无人机飞行参数以检测线性基础设施病害：评估智能倾斜拍摄技术 刘静伟（Jingwei Liu） 何塞·莱穆斯-罗曼尼（José Lemus-Romani） 爱德华多·J·鲁埃达（Eduardo J. Rueda） 埃斯特班·冈萨雷斯-劳特（Esteban González-Rauter） 马塞洛·贝塞拉-罗萨斯（Marcelo Becerra-Rozas）

《Drones》：Optimizing UAV Flight Parameters for Linear Infrastructure Pathology Detection: Assessing Smart Oblique Capture Jingwei Liu, José Lemus-Romani, Eduardo J. Rueda, Esteban González-Rauter and Marcelo Becerra-Rozas

　　**亮点**

**主要发现是什么？**
多站点实验表明，参数校准显著影响了线性基础设施（如路面）的2D重建的视觉质量。尽管智能倾斜捕获（Smart Oblique Capture）的实施带来了更高的计算成本和更多的图像采集需求，但在线性基础设施的背景下，它并没有带来统计学上的显著改进。

**主要发现的意义是什么？**
所提出的校准框架为市政规模无人机（UAV）路面调查提供了实用且可重复的任务规划基准。该方法能够在最小化冗余图像采集和不必要的计算开销的同时，实现高保真度、亚厘米级的2D重建。

**摘要**
道路基础设施的快速恶化要求有准确高效的方法来检测路面缺陷。无人机（UAV）作为一种可靠的替代方案，能够实现高分辨率数据采集并提高操作安全性。本研究通过系统地校准UAV飞行参数（包括地面采样距离（GSD）、前后重叠、相机倾斜角度和飞行模式），探讨了智能倾斜捕获（Smart Oblique Capture, SOC）技术在路面检测中的应用。进行了一项结构化的实验活动，评估了135种参数组合在三种不同场景下的效果，总共进行了405次UAV飞行。分析重点关注这些参数对二维路面重建的视觉质量和处理效率的影响。结果表明，0.5厘米/像素的GSD、70%的前后重叠、80%的侧向重叠以及70°的相机倾斜角度配置在重建质量和计算成本之间取得了最佳平衡。此外，研究发现，与传统的倾斜配置相比，智能倾斜捕获在重建质量上并没有统计学上的显著提升，尽管它需要更多的图像和更长的处理时间。总体而言，结果表明飞行参数校准的作用比采用智能倾斜捕获等先进采集策略更为关键。本研究为基于UAV的路面检测提供了实用且可重复的指导原则，支持高效的数据采集，同时减少了基础设施监测工作流程中的冗余信息和不必要的计算成本。

**1. 引言**
路面基础设施是全球交通网络的基本组成部分，支持经济发展和社会连通性。然而，这些关键资产不断受到交通负荷、环境条件和老化的影响而退化，导致各种表面病害（如裂缝、坑洞、车辙和不规则性），从而危及道路安全和性能[1]。因此，及时准确地检测和表征这些缺陷对于有效的维护规划和决策至关重要[2]。
传统的路面检测方法，包括人工视觉调查和车载系统，仍然被广泛使用[3]。然而，这些技术劳动密集、耗时、可能存在危险，并且经常产生主观或不一致的结果[4]。无人机（UAV）作为一种变革性的基础设施监测方法，提供了快速、经济高效和高分辨率的数据采集方式[5]。它们通过高质量摄影测量技术集成到路面评估工作流程中，为全面的地表分析开辟了新的可能性[6]。
虽然正射摄影一直是生成正射镶嵌图的标准方法，但它往往无法捕捉到复杂路面病害（如坑洞深度和边缘分层）的复杂体积细节[7]。配备数字成像传感器的UAV平台可以通过结构从运动（Structure-from-Motion, SfM）和多视图立体（Multiview Stereo, MVS）摄影测量技术生成二维（2D）正射镶嵌图和三维（3D）模型，从而便于详细表征表面变形和缺陷几何形状[8]。因此，人们正在探索替代的成像策略，以改进数据采集，超越传统的正射摄影，推进路面病害的模型重建。
在UAV成像技术中，从多个角度捕获表面的倾斜图像比传统正射图像提供了更丰富的视觉信息[9]。这对于量化复杂表面特征（如裂缝深度或坑洞体积）尤为重要[7]。然而，基于UAV的调查在定量病害分析方面的有效性取决于数据采集的精确性和可靠性[10]。诸如镜头畸变、不准确的飞行轨迹和传感器对齐不当等问题会严重降低3D重建的质量，导致不可靠的缺陷测量[11]。在倾斜成像中，这些问题由于地面采样距离（GSD）的变化和遮挡风险而更加突出。
因此，为了充分利用UAV在路面病害检测方面的潜力，优化针对倾斜捕获的飞行参数至关重要，这需要进一步的实证研究，例如飞行高度、重叠度、相机角度和飞行模式[12]。例如，研究表明，虽然降低飞行高度可以提高GSD，但会指数级增加图像数量，从而延长计算处理时间和电池消耗[13]。此外，引入倾斜角度可以显著提高3D数字孪生的重建质量，但也会引入必须通过精确参数优化来缓解的畸变[14]。虽然一些工作已经开发了用于坑洞3D重建的UAV飞行参数系统化校准方法[7]，但一个全面解决倾斜成像质量和效率要求的校准方法仍然缺乏。
与此同时，智能倾斜捕获（Smart Oblique Capture, SOC）技术作为一种有前景的解决方案，能够提高航空成像的质量并提高路面病害检测的效率[15]。与传统正交或垂直拍摄不同，SOC允许UAV以倾斜角度拍摄图像，提供路面的多个视角。这有助于检测细微的病害，如边缘裂缝或磨损模式，这些在俯视图像中可能不可见。此外，当与高分辨率成像和自动化处理工具结合使用时，SOC可以更全面、更详细地分析路面状况，减少对地面检测的需求[16]。
尽管UAV在道路状况监测中的使用日益增加，但关于专门针对SOC摄影测量的UAV飞行参数和成像系统的校准的文献仍存在关键空白。在本文中，我们提出了一个强大且适应性强的校准框架，旨在优化SOC，以实现精确的路面病害检测。该方法考虑了动态飞行条件和传感器配置，以提高模型重建的视觉质量。这项研究旨在通过提供基于UAV的路面评估的可靠方法，推进智能基础设施监测，提高处理效率和视觉可解释性。

**2. 相关工作**
**2.1 无人机（UAV）在路面病害检测中的应用**
UAV在路面病害检测中的应用迅速扩展，使得高流量道路和难以到达的基础设施（如机场跑道和桥面）能够进行非干扰性监测[17]。基于UAV的方法在安全性、效率和图像分辨率方面相比传统的手动和车载检测方法有显著改进[14]。研究表明，来自UAV的摄影测量数据可以提供与传统方法相当甚至更优的信息，特别是在地方性和集散道路上[18]。
早期的UAV应用主要集中在展示其在基础设施监测中的可行性，提高安全性并减少检测时间[4]。Eisenbeiss和Sauerbier（2011）[19]使用低成本UAV进行摄影测量测绘，为高分辨率道路表面成像奠定了基础。Tong等人（2015）展示了地理参考UAV数据如何支持空间分析和路面管理系统[20]。近年来，传感器融合也成为一种重要趋势，特别是在检测地下状况方面。最近关于柔性路面的研究表明，UAV可以以96%的准确率识别裂缝位置[21]。
先进的飞行规划软件的发展使得能够系统地收集具有精确重叠的数据，这对于通过摄影测量生成高质量的正射照片和3D路面模型至关重要[22]。这些2D和3D模型为解释道路损坏甚至无需现场检测就能测量病害尺寸提供了坚实的基础[23]。例如，最近的研究展示了一种基于UAV摄影测量的方法，可以准确测量坑洞的大小、形状和位置，提供了一种比传统现场方法更高效的替代方案[24]。这些3D方法对于计算体积特征特别有价值，这些特征有助于确定维修优先级和维护计划。
此外，UAV图像处理与机器视觉技术的结合在最近的研究中越来越常见[25]。Chen等人[6]提出了一个系统化的UAV检测框架，其中飞行规划、数据采集和基于深度学习的裂缝检测紧密集成，提高了实际操作中的实用性和有效性。Zhang等人[14]通过双目视觉和边缘检测扩展了UAV系统，无需预设距离即可量化裂缝宽度，实现了稳健的裂缝检测和定位性能。Yan等人[26]使用UAV收集了包含超过11,000张路面病害图像的基准数据集，支持开发能够检测多种病害类型的深度学习模型。此外，研究表明，大多数当前的UAV检测研究仍然依赖于离线处理工作流程，实时检测能力有限，并且在不同类型的路面上分布不均，其中柔性沥青路面在文献中占主导地位[27]。
最近的努力集中在开发自主UAV工作流程、优化飞行路径、结合实时处理，甚至嵌入边缘计算能力以进行机载分析。然而，仍存在一些挑战，如应对变化的光照条件、遮挡、多样的路面材料和监管限制。重要的是，大多数当前的基于UAV的研究依赖于正射图像，并未充分利用倾斜图像捕获的优势。此外，很少有研究关注飞行参数校准在确保高保真模型重建和准确病害量化中的关键作用。这些空白激发了本研究，该研究探索了一种针对基于UAV的路面检测的定制校准框架的SOC方法。

**2.2 智能倾斜捕获（SOC）在UAV中的应用**
与传统正交或垂直拍摄不同，倾斜捕获（Oblique Capture, OC）提供了更丰富的3D信息，揭示了从纯垂直视角无法看到的结构细节和复杂场景几何形状。例如，Diaz等人（2022）[28]研究了使用UAV和倾斜捕获技术收集洪水敏感数据并获得准确测量结果的方法。Khoramshahi等人（2023）[29]将OC检测器与空间光线交集的摄影测量技术相结合。
SOC指的是从非正交角度获取图像的先进技术，通常利用智能自动化、计算摄影和多传感器集成，其中UAV发挥着关键作用。例如，Yan等人（2025）[30]结合UAV和SOC以及重新聚焦技术来检测图像中的小型电力组件。Gao等人（2025）[31]整合了UAV智能倾斜摄影、高分辨率图像和建筑信息建模，以提高数据准确性和一致性以及3D可视化。Bi等人（2025）[32]提出了一种方法，用于在高空间分辨率UAV多光谱图像中生成太阳视角几何形状的准确点云。
“智能”方面意味着使用智能算法进行最优数据采集、处理和后续分析，超越了单纯的手动或预编程飞行路径，采用适应性和上下文感知的捕获策略。例如，Lopez等人（2025）[33]在地面放置地面控制点，为3D模型生成考古城堡遗迹的虚拟游览。Bolkas等人（2024）[34]报告说，摄影测量的智能倾斜特征的优越性能和高精度是由关键点识别的限制造成的数据间隙所致。
这种方法在3D城市建模、城市规划、文化遗产记录、基础设施检测和灾害评估等应用中变得越来越重要。例如，Molina等人（2024）[35]在桥梁检测中应用了SOC，准确地检查了桥梁组件在视觉3D模型中的情况，而Tan和Li（2019）[36]在基于UAV倾斜摄影测量的3D道路模型中使用了软聚类方法，以提高重叠路面特征和细微表面变化的病害检测性能。Kjellander等人（2024）[37]应用SOC同时从两个方向（前后60°）捕获图像，将飞行次数减少了一半。Kim等人（2023）[38]将SOC技术与传统的和基于地形的航空采集方法进行了比较。Bartlett等人（2023）[39]还应用SOC生成未知基础设施的3D模型，减少了对手动飞行的需求。
尽管这些优点存在，但在计算需求、数据管理和语义理解方面仍存在一些挑战。正在进行的研究和人工智能的整合有望在未来实现更加智能、高效和全面的倾斜捕获系统，进一步模糊物理世界和数字世界之间的界限。具体来说，在基于SOC（Smart Oblique Capture）的光谱成像技术用于路面检测时，无人机飞行参数的校准仍存在显著差距，因此本研究对此进行了探讨。2.3. 文献中的无人机飞行参数 无人机摄影测量的效率和质量与对各种飞行参数的理解和优化密切相关。这些参数直接决定了所获取数据的分辨率、准确性、完整性和整体效率以及后续的摄影测量产品[40]。飞行准备阶段的关键考虑因素包括选择合适的传感器、确定飞行高度和地面采样距离（GSD）、管理飞行速度、配置图像重叠设置、规划飞行路径和方向以及指定观测角度[41]。表1总结了以往研究中基于SOC的无人机调查中考虑的多个飞行参数，如飞行高度、正面重叠、垂直重叠、相机角度和速度。飞行高度指的是无人机在飞行操作期间距地面的高度，而GSD则量化了无人机拍摄图像中每个像素的实际大小，通常以厘米/像素（cm/px）表示[42]。这两个参数呈正比关系：飞行高度增加时，GSD也会增加，导致图像分辨率和细节降低；而在较低的高度飞行时，GSD减小，从而能够捕捉到更详细的图像[43]。捕获场景的范围受到GSD和飞行高度的影响。因此，本研究选择GSD作为代表飞行高度的参数。图像重叠指的是无人机连续拍摄的图像之间的共享区域。例如，正面重叠表示沿飞行路线拍摄的图像之间的重叠部分，而垂直重叠描述了相邻飞行路线中图像之间的重叠[44]。足够的重叠对于摄影测量软件准确对齐图像、识别对应点以及重建详细的2D地图和3D模型至关重要[45]。因此，文献中经常研究正面和侧向重叠。相机和传感器的规格对捕获图像的质量和特性至关重要。例如，相机角度直接影响图像的视野和放大倍数[46]。它是准确计算3D模型和确保倾斜拍摄方法下地图输出准确性的关键参数，相机角度的选择直接影响任务效率和数据质量[47]。更宽范围的相机角度可以在一次拍摄中捕获更大的区域，从而减少图像数量、缩短飞行时间并加快处理速度，但这通常会以每张图像可能包含的细节减少为代价[48]。飞行速度定义了无人机穿越调查区域的速度，它直接影响在一次操作中可以覆盖的区域以及捕获的图像数量[49]。然而，先前的研究表明，飞行速度对无人机图像捕获的准确性影响不大，较慢的速度并不会提高准确性[50]。因此，根据GSD、正面重叠和飞行路径，飞行速度在无人机平台的控制系统中被自动设置为默认推荐值，以确保飞行效率和质量。表1. 使用Smart Oblique Capture（SOC）技术的研究和参数。2.4. 无人机飞行参数的校准 无人机飞行校准是一个多方面的过程，包括传感器级别的调整、控制算法优化、环境适应和特定任务的飞行配置[59]。就控制系统而言，通过遗传编程和自适应控制方法等优化算法，比例-积分-微分控制器的调整已经得到了改进，这些方法可以根据动态条件实时调整参数，如Say等人（2021年）[60]和Huang等人（2021年）[61]所指出的。早期的无人机校准研究主要集中在调整飞行控制系统上，特别是基于试错方法的比例-积分-微分控制器，如Hartzer等人（2022年）[62]所展示的。最近的研究转向了基于模型的校准技术。例如，研究人员提出了系统识别技术，如最小二乘估计和扩展卡尔曼滤波器，从飞行数据中估计空气动力系数和动态参数，如Eckenhoff等人（2020年）[63]所示。Lemus-Romani等人（2025年）[12]的一项最新研究调查了无人机飞行参数的校准，以平衡正射镶嵌图像质量和操作效率，结果表明，校准后的图像重叠可以提高空间精度而不产生冗余数据。飞行校准的更动态方面涉及适应环境条件和负载变化，这些变化可能会改变无人机的重心或空气动力特性。Satici等人（2013年）[64]和Du等人（2025年）[65]提出了稳健的控制策略和在线估计技术来减轻这些影响。无人机飞行参数校准的另一个关键方面与螺旋桨和电机特性有关。推进系统校准，特别是电机-螺旋桨动力学，也影响飞行稳定性和能源效率，Ito等人（2022年）[66]和Ning等人（2017年）[67]强调了静态推力测试和空气动力建模的研究。特别是对于倾斜图像捕获，最近的一些研究开始关注精确飞行参数校准的需求。Moraes和Silva（2024年）[68]评估了不同图像重叠和相机倾斜角度的影响，建议70%–80%的重叠和45°的倾斜角度以优化3D模型质量。Sun等人（2025年）[69]发现，在20米的高度下45°的倾斜角度在基于机器学习的病理分类中优于仅使用正下方视角的数据集。同样，Hu等人（2024年）[70]根据重建精度确定了最佳高度和角度，建议在40米的高度进行倾斜拍摄可以获得最高的重建精度。最近，SOC被研究作为一种优化无人机飞行参数校准的框架。Maes（2025年）[41]提出了一种更全面的方法，他检查了传感器选择、飞行高度、重叠和图像采集设置，适用于多种光谱范围，为RGB、多光谱和热成像应用提供了指导。Spierenburg（2024年）[53]应用了不同的参数组合进行了9次SOC飞行，得到了14种飞行方案，当飞行高度为100米且侧向重叠为80%时，获得了更高的点密度和完整性。Kunnapuu等人[57]研究了SOC的效率和时间要求，考虑到大量的数据处理，表明70%的重叠和70°的倾斜角度可以有效减少航空图像的数量和处理时间。这些研究突显了飞行校准在基于SOC技术的无人机建模和病理检测成功中的关键作用。然而，相关文献仍然分散，缺乏一个标准化、适应性的校准框架，专门针对基于无人机的路面病理识别。因此，本研究旨在通过提出一种系统化的方法来填补这一空白，以优化SOC场景下的无人机飞行参数校准。3. 方法论 所提出的方法论包括三个主要阶段：（i）在不同参数配置下的自动化无人机飞行规划，（ii）路面模型的摄影测量重建，以及（iii）基于模型重建质量和处理效率的多标准评估结果产品。3.1. 研究区域的定义 实验在智利圣地亚哥的Macul区南部进行，如图1所示。研究区域包括智利天主教大学San Joaquín校区内的几条街道。这些街道被划分为三个部分，作为独立的实验地点。图1. 从Google Maps（v2025）定义的飞行区域。无人机飞行任务被设计为在车辆和行人流量最少的时段进行，以降低安全风险并避免飞行操作期间的潜在隐私问题。在确定研究区域后，制定了无人机任务，以收集高分辨率的路面表面图像，用于后续的模型重建。飞行在2025年12月和2026年1月（夏季）的11:00至13:00之间进行，此时太阳光照充足，阴影效应最小。在每次无人机起飞前都验证了环境条件，以确保飞行操作的稳定性。只选择了圣地亚哥无风且阳光充足的天气，以保证最佳的图像采集条件。三个实验地点之间的数据采集条件差异主要与道路走廊周围环境的变化有关。所有研究区域都是双车道双向沥青路面；然而，植被和建筑物的存在在不同地点之间有显著差异。如图1所示，实验地点1的特点是开放环境，几乎没有障碍物，道路两旁几乎没有树木或建筑物。这种条件允许相对无障碍的图像采集。相比之下，实验地点2有更多的路边植被，走廊沿线分布着多棵树。这些元素部分遮挡了视野并引入了局部阴影效应。实验地点3的环境复杂性最高，道路两侧都有树木和建筑物。这种配置增加了视觉遮挡和阴影产生的程度。这些环境条件的变化预计会影响图像采集和摄影测量重建过程，特别是在可见性和光照一致性方面。3.2. 无人机飞行参数的选择 如表1所示，回顾的研究根据不同的飞行目标和任务调查了基于SOC的无人机任务的几个方面。基于这一文献回顾和传感器的技术规格，为实验活动定义了一组飞行参数。进行了一系列实验，使用不同的飞行参数组合来收集路面病理数据。目标是确定优化路面模型重建视觉质量的最佳配置。本研究分析的参数包括GSD、正面重叠、侧向重叠、相机角度和飞行路径。为了系统地评估SOC方法的性能，执行了包括135种独特飞行配置的全面参数扫描。比较了所有参数组合处理后数据集的准确性，以确定SOC任务的稳健飞行设置。完整的飞行配置列表分别列在表2、表3和表4中。表2. 135种飞行参数组合——第一部分。表3. 135种飞行参数组合——第二部分。表4. 135种飞行参数组合——第三部分。在三个实验地点同时进行了平行实验，以评估135种参数组合获得的结果的一致性。这种方法提高了识别最佳无人机飞行参数的校准过程的可靠性。参数范围来自回顾的文献（表1）和无人机平台的技术能力。与许多先前的研究不同，选择GSD作为主要独立变量，以确保空间分辨率的恒定。因此，飞行高度相应地进行了调整，范围从18.6米到37.2米。评估了三个GSD值：0.5厘米/像素、0.75厘米/像素和1厘米/像素，对应的飞行高度分别为18.6米、27.9米和37.2米。这些高度远低于智利航空当局（Dirección General de Aeronáutica Civil, DGAC）规定的最大允许飞行高度120米。正面重叠设置为60%、70%和80%，而侧向重叠也在相同范围内定义，基于以往研究的建议。引入了倾斜相机角度，从不同角度拍摄路面图像。评估了四个相机角度（60°、70°、80°和90°），以确定准确捕捉路面表面的最佳范围。还研究了飞行路径，以分析SOC模式与传统倾斜图像捕获的性能。在这项研究中，SOC任务使用了不同的GSD值和重叠组合执行，而相机角度在飞行过程中自动调整。由于SOC动态控制相机方向，因此不需要预定义的倾斜相机角度。飞行速度根据选定的飞行高度和重叠配置自动确定，以在数据采集过程中最大化处理效率。尽管文献中讨论了飞行速度作为一个相关参数，但在本研究中并未将其视为独立变量。相反，它被视为所选飞行参数的依赖结果，并在后来从时间和成本效率的角度进行了分析。如表2、表3和表4所示，还观察到了飞行参数与无人机控制系统推荐的默认飞行速度之间的交互效应。总体而言，推荐的飞行速度随着地面采样距离（GSD）的增加而增加，但与相机倾斜角度无关。同时，速度随着正面重叠程度的增加而减小，但不受侧面重叠程度的影响。此外，在SOC（Special Observation Mode）飞行中的推荐速度低于正常飞行中的速度，这可以归因于不同的捕获模式。每个飞行计划都使用一种结构化的命名法来标识所选的参数：实验地点（1、2、3）、GSD（GSD05、GSD075、GSD1）、正面重叠（TF60、TF70、TF80）、侧面重叠（TL60、TL70、TL80）、相机角度（A60、A70、A80、A90）以及飞行模式（正常或SOC）。例如，代码“1-001-GSD05-8080-A90”对应于在实验地点1进行的第一次飞行，其GSD为0.5厘米/像素，正面重叠率为80%，侧面重叠率为80%，相机角度为90°，飞行模式为正常。类似地，代码“3-135-GSD1-6060-A90-SOC”表示在实验地点3进行的最后一次飞行，其GSD为1厘米/像素，正面重叠率为60%，侧面重叠率为60%，飞行模式为SOC。为了隔离所研究参数的效果，其他无人机设置在整个实验过程中保持不变。采集模式设置为正射影像（Orthophoto），因为路面表面可以被视为平面物体。高度模式配置为ALT，以保持相对于起飞点的恒定飞行高度，确保在整个任务中GSD的稳定性。此外，摄影模式配置为使用基于距离的间隔来捕获图像，确保沿飞行轨迹以固定的空间间隔获取照片，从而无论飞行速度如何变化都能保证一致的前向重叠。

3.3 SOC飞行
本研究使用了DJI Matrice 4 Enterprise无人机（中国广东省深圳市DJI公司）在实验路段上进行常规倾斜飞行和SOC飞行。该无人机平台配备了20 MP的微四分之三CMOS传感器以及多个焦距分别为24毫米、70毫米和168毫米的镜头，这些镜头直接影响数据采集期间的图像分辨率和地面采样距离（GSD）。相机系统配备了机械快门，最小化了与运动相关的畸变，并提高了摄影测量重建的质量。此外，预校准的镜头畸变校正确保残余畸变低于2像素，支持正射镶嵌图的几何可靠性。该系统还支持高频图像采集（最小间隔为0.5秒），这对于实现所需的重叠配置至关重要。此外，无人机支持多方向倾斜图像采集，这与本研究中实施的SOC策略直接相关。无人机配备了可旋转的相机系统，支持五个方向的倾斜图像采集。其三轴云台使相机能够在单次飞行任务中自动旋转并从多个视角捕获图像。SOC功能允许基于预定义的任务区域进行自动飞行网格规划。使用研究区域的初始粗略模型，系统智能生成优化的飞行路径，以支持通过SOC工作流程进行高质量模型重建。

镜头畸变是摄影测量成像中的一个常见问题。为了解决这个问题，DJI处理软件内置了畸变校正功能，提供高精度的相机内校准，残余畸变误差低于两像素。所有飞行任务都是使用Dronelink（v2025）软件进行规划的，该软件允许定义研究区域的多边形边界并自动配置所选的参数组合。在规划阶段，软件估计了飞行时间和预期照片数量，随后将这些数据与现场操作中记录的实际值进行了比较。无人机定位系统依赖于结合了GPS和实时运动学（RTK）的全球导航卫星系统（GNSS），以提高飞行轨迹的准确性。无人机的悬停精度为±0.1米，而RTK定位提供的水平精度为1厘米±1 ppm，垂直精度为1.5厘米±1 ppm。然后使用实验设计中定义的135种参数组合在三个实验地点进行了SOC飞行，如图2所示。一旦定位系统初始化并且确认环境条件适合，操作员就会启动无人机。飞行任务通过遥控器自动执行，使无人机能够按照飞行计划中指定的高度和速度起飞并上升。在任务期间，飞行高度和速度在控制器界面上实时监控。重叠参数和图像采集间隔预先配置，以确保恒定的图像采集率和飞行路径之间的一致间距。在SOC任务中，无人机根据预定义的任务参数和高度自动调整网格飞行路径。在飞行过程中，相机方向会动态调整，以优化模型重建的图像采集几何形状。集成的GNSS和RTK系统不断校准无人机的位置和高度，确保精确的导航和数据采集。

3.4 2D模型重建
本研究使用Bentley ContextCapture软件进行了摄影测量重建过程，该软件基于SfM和MVS技术，将2D图像转换为视觉上一致的2D模型。重建工作流程包括四个主要阶段：（1）图像对齐和相机姿态估计，（2）密集点云生成和表面重建，（3）纹理映射和模型细化，以及（4）分析产品的生成。在图像对齐阶段，自动检测并匹配了重叠无人机图像中的关键点。通过捆绑调整同时估计了相机内在参数和外部方向。包含倾斜图像改善了多个视角下连接点的空间分布，从而形成了更稳健的相机网络，并提高了路面表面不规则性的重建效果。这一阶段的输出是一个表示被测路面表面全局几何形状的稀疏点云。随后，使用MVS算法生成了密集点云，从对齐的图像集中重建了详细的表面几何形状。密集点云提供了路面表面特征的高分辨率表示。从密集点云中构建了一个三角网格表面模型，以表示连续的路面几何形状。应用了轻微的噪声过滤和网格细化程序来去除异常值，同时保留了与表面病害相关的清晰特征。特别注意避免过度平滑，以免改变裂缝、坑洞或其他路面缺陷的特征。然后使用无人机飞行期间捕获的原始RGB图像对重建的网格进行了纹理映射。这一过程增强了2D模型的视觉真实性，并便于对路面病害进行定性解释。最终输出包括地理参考的密集点云、带纹理的网格以及从无人机图像中提取的高分辨率正射影像。这些产品支持对路面表面条件的定性和定量分析。对于每种135种飞行配置，都生成了一个独立的2D模型。生成的模型按照之前描述的标准化飞行命名法存储在单独的文件夹中，从而确保了整个处理工作流程中的完全可追溯性和一致性。图像处理是在配备Windows 11操作系统、Intel Xeon E5-2680 v4处理器（美国加利福尼亚州圣克拉拉市Intel公司，28线程）、128 GB RAM（2400 MHz）、2 TB存储空间以及NVIDIA RTX 3060显卡（美国加利福尼亚州圣克拉拉市NVIDIA公司，12 GB VRAM）的工作站上进行的。

3.4 2D模型重建
在本研究中，为了隔离无人机飞行参数对最终模型质量的影响，所有实验都采用了统一的工作流程进行摄影测量重建。因此，该方法的重点是分析数据采集的变化如何影响在受控处理条件下的重建产品质量。这种方法确保了方法论的一致性，并允许将观察到的结果差异直接归因于飞行参数配置。使用Bentley ContextCapture软件进行了路面表面的2D重建，该软件基于SfM和MVS技术将2D图像转换为视觉上一致的2D模型。重建工作流程包括四个主要阶段：（1）图像对齐和相机姿态估计，（2）密集点云生成和表面重建，（3）纹理映射和模型细化，以及（4）分析产品的生成。在图像对齐阶段，自动检测并匹配了重叠无人机图像中的关键点。通过捆绑调整同时估计了相机内在参数和外部方向。包含倾斜图像改善了多个视角下连接点的空间分布，从而形成了更稳健的相机网络，并提高了路面表面不规则性的重建效果。这一阶段的输出是一个表示被测路面表面全局几何形状的稀疏点云。随后，使用MVS算法生成了密集点云，从对齐的图像集中重建了详细的表面几何形状。密集点云提供了路面表面特征的高分辨率表示。从密集点云中构建了一个三角网格表面模型，以表示连续的路面几何形状。应用了轻微的噪声过滤和网格细化程序来去除异常值，同时保留了与表面病害相关的清晰特征。特别注意避免过度平滑，以免改变裂缝、坑洞或其他路面缺陷的特征。然后使用无人机飞行期间捕获的原始RGB图像对重建的网格进行了纹理映射。这一过程增强了2D模型的视觉真实感，并便于对路面病害进行定性解释。最终输出包括地理参考的密集点云、带纹理的网格以及从无人机图像中提取的高分辨率正射影像。这些产品支持对路面表面条件的定性和定量分析。对于每种135种飞行配置，都生成了一个独立的2D模型。生成的模型按照之前描述的标准化飞行命名法存储在文件夹中，从而允许直接关联重建模型、飞行参数配置和相应的评估指标。所有报告的实验都是使用ContextCapture（v24.1.7.5020）软件中的相同配置和参数进行的。这确保了观察到的变化是由于所研究的变量（如飞行参数或图像密度）引起的，而不是由于算法处理中的不一致性。此外，这项研究的价值不在于软件本身，而在于评估捕获参数如何影响最终产品。保持软件的恒定控制有助于为理解数据采集与重建质量之间的关系提供坚实的基础。这些发现可以在趋势和原则上应用于其他摄影测量平台。

3.5 视觉质量评估
由于路面表面具有独特的几何形状，在与大面积测量相比时面临独特的挑战，因此本工作的核心目标和范围不是验证系统的视觉可解释性，而是专门评估在线性基础设施项目中应用SOC方法获得的视觉质量。此外，这些捕获的最终目标是数据的可解释性，以便于识别路面病害，其中视觉质量是技术检查成功的关键因素。因此，本研究使用视觉质量指标作为最具代表性和相关的评估标准。在这项调查中，使用了一个控制目标来定量和客观地评估每种无人机飞行参数组合获得的视觉质量，如图3[12]所示。该目标由20厘米×20厘米的黑白网格组成，包含逐渐减小的图案，分别为10厘米、5厘米、2.5厘米和1.25厘米。因此，可以根据最小可区分的图案来评估重建的路面模型的清晰度，反映视觉细节和空间分辨率的水平。对于每个实验地点，在路面病害附近放置了三个控制目标，如图4、图5和图6所示。通过识别重建模型中控制目标的最小可清晰区分的细分部分来评估路面病害的视觉细节。基于最小可清晰区分的图案大小，应用了0到5的定量评分标准：-0：目标不可区分，在图像中不可见、不完整、被遮挡或完全被某些障碍物遮挡，如图7a所示。图7. 目标的视觉细节示例：(a) 目标不可区分；(b) 只能区分出大致轮廓；(c) 10厘米×10厘米的图案可区分；(d) 5厘米×5厘米的图案可区分；(e) 2.5厘米×2.5厘米的图案可区分；(f) 1.25厘米×1.25厘米的图案可区分。-1：只能区分出目标的大致轮廓，如图7b所示。-2：10厘米的细分部分可以清晰区分，如图7c所示。-3：5厘米的细分部分可以清晰区分，如图7d所示。-4：2.5厘米的细分部分可以清晰区分，如图7e所示。-5：1.25厘米的细分部分可以清晰区分，如图7f所示。对于每种飞行配置，计算了三个控制目标的平均评分值，以代表重建中获得的整体视觉质量。视觉质量评估由本研究的主要作者进行，以确保所有405个飞行样本的评分标准一致且统一。这种方法最大限度地减少了定性判断的变异性，并为比较分析提供了稳定的基础。该评估量表使得能够系统地比较不同GSD（地面采样距离）、正面重叠、侧面重叠、相机角度和飞行模式组合所实现的视觉细节。4. 结果与讨论在完成量化过程后，对405次无人机飞行进行了统计分析，考虑了从生成的正射影像中获得的质量指标（QI）以及相关的操作变量，包括捕获的照片数量、飞行时间、航空三角测量时间、正射影像生成时间和总处理时间。这405次飞行的结果分别总结在表5、表6、表7、表8、表9、表10、表11、表12和表13中。通过对三个实验地点的135种参数组合基于QI值和处理效率的评估，分析确定了最佳配置：0.5厘米/像素的GSD、70%的正面重叠、80%的侧面重叠和70°的相机倾斜角度。因为这种配置在视觉可解释性、摄影测量重建质量和计算效率之间提供了最佳的折中。表5. 实验1第一部分的135次无人机飞行结果。表6. 实验1第二部分的135次无人机飞行结果。表7. 实验1第三部分的135次无人机飞行结果。表8. 实验2第一部分的135次无人机飞行结果。表9. 实验2第二部分的135次无人机飞行结果。表10. 实验2第三部分的135次无人机飞行结果。表11. 实验3第一部分的135次无人机飞行结果。表12. 实验3第二部分的135次无人机飞行结果。表13. 实验3第三部分的135次无人机飞行结果。实验地点1、2和3的平均QI值分别为2.54、2.63和2.08。根据第3.1节中描述的物理条件，这项分析表明，视觉质量不仅取决于线性工程附近的结构，还取决于多种环境和捕获因素的复杂相互作用。具体来说，光照的变化以及道路元素产生的阴影和遮挡会降低图像的一致性，并掩盖精细的路面细节，直接影响QI。同样，表面纹理的差异会影响特征匹配算法的稳健性，而这些算法对于准确的摄影测量对齐和重建至关重要。因此，这些结果强调了需要全面理解这些环境影响，以便使用无人机优化路面检查。另一个重要结果是，在评估的实验地点中，校准行为的一致性。尽管路面纹理和场景组成有所不同，但选定的参数配置显示出稳定的QI性能和可重复的重建质量。这表明，只要保持相似的操作约束和质量控制程序，所提出的校准逻辑可以潜在地转移到类似的检查场景中。本节对飞行活动进行了比较分析，重点关注数据采集工作量、计算成本和所得QI值之间的关系，特别关注SOC（结构化光学配置）和传统（非SOC）飞行策略之间的差异。为了清晰起见，分析被分为几个小节，每个小节讨论一组特定的变量及其相应的图形表示。首先，我们分析采集工作量与计算成本之间的关系。接下来，我们使用图形趋势和Wilcoxon–Mann–Whitney结果来比较SOC和非SOC策略。最后，我们研究重叠配置和捕获角度与飞行时间、捕获图像数量以及从正射影像中测量的QI之间的关系。4.1. 采集工作量、处理成本和质量指标图8表明，处理时间随着捕获图像数量的增加而增加。图像数量较多的飞行通常与较低的GSD值（即较低的飞行高度）相关联，尽管在不同高度水平上仍观察到一些处理时间相当的情况。图8. 照片数量与处理时间的关系，按地面采样距离（GSD）着色。这种关系在图9中更加明显，其中数据根据QI值用颜色和标记大小表示。在这种表示下，QI级别之间的重叠变得更加明显，表明必须考虑其他参数以在减少采集工作量和处理时间的同时实现更高的QI值。图9. 照片数量与处理时间的关系，按质量指标（QI）着色。当分析飞行时间而不是图像数量时，出现了类似的模式。如图10和图11所示，采集工作量与计算成本之间的关系与之前的观察结果一致。此外，图12突出了飞行时间与捕获图像数量之间的强线性关系和高相关性。图10. 飞行时间与处理时间的关系，按GSD着色。图11. 飞行时间与处理时间的关系，按QI着色。图12. 照片数量与飞行时间的关系，按QI着色。4.2. SOC与非SOC比较和统计支持图13和图14显示，SOC飞行遵循与整个数据集中观察到的类似模式，处理时间和飞行时间都随着捕获图像数量的增加而增加。仅考虑SOC飞行时，图15确认QI值与采集配置之间的关系遵循相同的总体趋势，没有特定于SOC策略的明显行为。图13. 照片数量与处理时间的关系，按SOC和非SOC飞行分组，标记大小按QI表示。图14. 照片数量与飞行时间的关系，按SOC和非SOC飞行分组，标记大小按QI表示。图15. 仅SOC飞行的照片数量与飞行时间的关系，按QI着色。当分析限制在具有特定捕获角度的飞行时（图16），较低的GSD值（对应于较低的飞行高度）与较高的QI值和相对较好的SOC飞行性能相关联。然而，图17、图18和图19表明，SOC配置通常需要更多的捕获图像，并导致更高的计算成本。根据表14，观察到的QI值和飞行时间的改善在统计上并不显著，而处理时间和图像数量的差异在统计上是显著的。图20还显示，SOC飞行的结果与基于常规配置的结果相似。图16. 具有特定捕获角度的飞行的GSD与QI的比较，比较SOC和非SOC飞行。图17. GSD与处理时间的关系，比较SOC和非SOC飞行。图18. GSD与照片数量的关系，比较SOC和非SOC飞行。图19. GSD与飞行时间的关系，比较SOC和非SOC飞行。表14. Wilcoxon–Mann–Whitney检验的p值。图20. 有无SOC配置的结果示例：(a) 地点1的常规结果；(b) 地点1的SOC结果；(c) 地点2的常规结果；(d) 地点2的SOC结果；(e) 地点3的常规结果；(f) 地点3的SOC结果。本研究的一个核心发现是统计分析结果表明，在线性基础设施路面的背景下，SOC策略并没有在视觉质量和飞行时间上带来统计学上的显著改善。同时，SOC方法显著需要更多的照片和更长的处理时间，与传统的倾斜配置相比。因此，建议在应用飞行参数时考虑计算成本和视觉质量的要求，因此在这种背景下，SOC策略并不是高分辨率质量和处理需求之间的最佳折中。4.3. 重叠配置效应图21显示，飞行时间随着重叠密度的增加而增加。当结果按GSD分层时（图22和图23），低海拔飞行的飞行时间分布更广。图24和图25显示出大致相似的QI分布，尽管在低海拔处观察到QI值的明显改善。图21. 正面重叠与飞行时间的关系，按侧面重叠着色。图22. 正面重叠与飞行时间的关系，按GSD分层。图23. 侧面重叠与飞行时间的关系，按GSD分层。图24. 正面重叠与QI的关系，按GSD分层。图25. 侧面重叠与QI的关系，按GSD分层。同时，还研究了GSD和图像重叠对重建质量和处理效率的协同效应，以深入探讨参数之间的交互效应。如图22和图23所示，为了实现更短的飞行时间，更有可能应用较低的正面重叠、较低的侧面重叠和较高的GSD。如图24和图25所示，为了获得更高的质量指标，更建议使用较高的正面重叠、较高的侧面重叠和较低的GSD。飞行参数对重建质量和处理效率的相反协同效应与第4.1节讨论的飞行时间与质量指标之间的相关性分析一致。实验结果表明，在图像重叠、重建质量和计算负担之间存在关键的权衡。尽管增加重叠通常可以提高特征匹配的密度和连接点的数量，但这项研究揭示，一旦达到某个阈值，这种增加并不会在QI值上产生成比例的改善。具体来说，超过最佳值（70%正面和80%侧面）的重叠引入了显著的处理惩罚，而没有显著提高最终的数字产品。这些发现挑战了“数据越多越好”的经验假设，证实了校准重叠阈值对于控制大型工程项目中的项目成本和周转时间至关重要。4.4. 捕获角度效应最后，图26显示飞行高度再次影响QI值：随着相机倾斜角度的增加，QI值略有下降。这种效应并未反映在捕获图像的数量上，如图27所示。图26. GSD与QI的关系，按捕获角度着色。图27. GSD与照片数量的关系，按捕获角度着色。此外，还分析了相机倾斜角度和GSD对重建质量和处理效率的协同效应，以研究参数之间的交互效应。从图26可以看出，为了获得更高的质量指标，建议使用较低的相机倾斜角度和较低的GSD。同时，图27表明，为了使用较少的照片，建议定义较高的GSD，而相机倾斜角度的影响较小。关于重建质量和处理效率的协同效应的观察也与第4.1节中分析的照片数量和质量指标之间的相关性分析一致。4.5. 限制和进一步研究最佳参数配置在各种实验场景中的一致性表明，所提出的校准框架可以转移到类似的无人机路面检查应用中。然而，诸如光照条件、路面纹理、无人机平台和相机传感器等因素可能会影响摄影测量重建性能。因此，在将框架应用于新的操作环境时，建议进行局部验证。由于在视觉质量中没有评估几何质量，因此本研究中没有研究地面控制点（GCP）。建议在进一步的研究中进行这方面的调查。从方法论的角度来看，这项工作通过将基于文献的参数范围与系统的现场实验和基于QI的性能评估相结合做出了贡献。与依赖经验性的飞行设置不同，所提出的框架建立了一个可重复的校准过程，可以适应未来的不同无人机平台、传感器和检查目标。在实际应用中，所提出的校准提高了基于无人机的路面检查的可靠性和效率，支持从主观视觉调查向标准化、数据驱动的监控工作流的转变。通过确保一致的光谱测量质量同时控制采集和处理成本，该框架促进了无人机技术在基础设施管理中的更可扩展部署，例如大规模市政道路网络和基于机器学习的缺陷检测和语义分割。虽然本研究的发现基于代表性的工业级无人机提供了一个稳健的基线，但所提出的最佳参数配置基本上受GSD和传感器几何形状的支配。这表明该框架可以扩展到在类似采集条件下运行的其他无人机平台，包括消费级和替代工业系统。然而，由于硬件特性和光谱测量处理性能的潜在差异，仍需要针对特定平台进行验证。为了进一步支持这些发现的普遍性和一致性，未来的研究应包括在多种无人机平台和摄影测量软件之间进行比较实验，并通过严格的统计分析来识别潜在的性能差异。

5. 结论

实验结果揭示了视觉保真度和计算开销之间的内在权衡。虽然增加重叠程度可以提高数据冗余性和重建稳定性，但这些收益的增长呈现出递减的趋势。超过某个特定阈值后，更高的图像密度并不能成比例地提升正射影像的视觉质量（QI），反而会导致处理延迟的急剧增加。因此，地面采样距离（GSD）成为决定摄影测量产品细节细腻程度的主要因素。更精细的GSD值对于捕捉高频路面纹理至关重要，这体现在更高的QI值上，但这种精度也意味着在飞行时间和硬件需求方面带来更大的运营负担。关键的是，这些配置的性能并非由孤立参数决定，而是由采集变量之间的协同作用所决定的。结果表明，诸如采集角度和重叠程度等参数不能孤立地优化，因为它们的有效性与所选的GSD和场景的具体几何形状密切相关。

关于SOC（多视角采集）策略，与传统的倾斜配置相比，增加额外的观察角度并未在视觉质量或飞行效率上带来统计学上的显著提升。在评估的条件下，SOC方法始终导致更大的图像体积和更长的处理时间，这表明整合多个视角可能会增加运营负担，而不会带来相应的视觉性能提升。此外，环境条件对产品质量的影响是非线性的。在不同实验地点观察到的变异性证实了采集设置与输出质量之间的关系是依赖于具体环境的，这种关系受到光照、表面反射率和视觉障碍物复杂相互作用的影响。

基于这些发现，本研究为基础设施管理中的无人机任务规划确立了三个指导原则：首先，必须管理图像重叠程度，以避免过度冗余导致成本增加而不提升质量；其次，必须根据检查任务的具体分辨率要求严格校准GSD，以保持运营效率；第三，必须将采集参数作为一个耦合系统来评估，而不是单独进行优化。采集策略的选择应基于采集效益与相关处理成本之间的平衡，而不是假设最终产品质量会直接得到提升。

最终，所提出的方法论框架基于对参数相互作用的系统评估，为各种运营环境提供了坚实且可复制的基础。这项工作的价值不仅在于识别出单一的最佳配置，还提供了可操作的数据驱动标准，以支持数字基础设施管理中的战略决策制定，确保摄影测量工作流程在科学上严谨且在工业上可行。