引言

我国山区公路、水利工程建设中，岩质边坡灾害频发，据统计约70%的地质灾害与边坡结构面失稳相关。结构面的产状、迹长、间距等参数是判断边坡稳定性的关键地质依据，其识别精度直接影响灾害预警与治理决策的科学性。

传统结构面调查依赖人工现场勘测，采用罗盘仪测量产状、卷尺量测迹长，在高陡边坡区域存在三大局限：一是作业风险高，人员需进入陡峭危险区域，易发生坠落事故；二是效率低下，完成1公里边坡调查需3-5天，难以满足大范围排查需求；三是精度不足，人工判断易受主观因素影响，数据误差可达10°以上。虽有三维激光扫描技术可实现高精度测量，但设备成本高、数据处理复杂，难以大规模推广应用。

无人机多视角影像技术凭借低成本、高效率、非接触式优势，成为边坡监测的创新手段。钦州高速采用车载无人机实现6公里边坡数分钟全覆盖巡检，黄山市在公路边坡监测中验证了其地形适应性优势。但现有技术多停留在影像采集层面，结构面识别仍依赖人工解译，自动化程度低。为此，本文融合无人机摄影测量与深度学习技术，构建结构面智能识别体系，并结合力学模型开展稳定性分析，为边坡安全管控提供技术支撑。

一、核心技术方法体系

1.1无人机多视角影像采集与预处理

1.1.1飞行方案设计

针对岩质边坡高陡特性，采用侧翼贴面“几”字形飞行模式，保持无人机与坡面50m等距飞行，确保影像重叠度大于80%。搭载2000万像素高清相机，设置0.1m地面分辨率，同时记录飞行姿态与GPS坐标。对地形复杂区域补充手控混合飞行，结合顶飞与侧飞模式实现无死角覆盖。

1.1.2三维模型构建

采用Agisoft Metashape软件处理影像数据：首先进行特征点匹配与相机标定，生成稀疏点云；通过光束法平差优化相机位置，构建稠密点云模型，点云密度达500点/㎡；最后经三角网格化生成边坡三维网格模型，为结构面识别提供空间载体。

1.2结构面智能识别与参数提取

1.2.1改进ADeeplab识别模型

构建融合注意力机制的ADeeplab卷积神经网络：输入三维模型展开的多视角影像，通过ResNet50骨干网络提取深层特征；引入空间注意力模块强化结构面边缘特征响应，抑制植被、落石等干扰信息；采用双线性插值实现特征图上采样，输出结构面二值分割结果。

1.2.2结构面参数计算

基于分割结果提取结构面关键参数：通过像素标定换算迹长，误差控制在2cm以内；利用空间向量函数计算倾向与倾角，通过地面控制点校正，误差小于3°；采用密度聚类算法统计结构面间距，结合裂隙宽度自动分类结构面等级。参数提取流程全程自动化，处理效率较人工提升8倍。

1.3基于识别参数的稳定性分析模型

采用传递系数法构建稳定性分析模型，将智能识别的结构面参数代入力学计算：以边坡三维模型确定坡高、坡角等几何参数；通过室内试验获取岩体容重、内摩擦角等物理力学指标；将结构面产状作为潜在滑动面判据，计算边坡安全系数。引入地面位移传感器数据进行加权修正，融合公式为：

F_s=\alpha F_{s1}+(1-\alpha)F_{s2}

其中，F_s为综合安全系数，F_{s1}为识别参数计算值，F_{s2}为传感器反演值，\alpha为权重系数（取值0.7）。当F_s\geq 1.25为稳定状态，1.05<F_s<1.25为基本稳定，F_s\leq 1.05为不稳定。

二、工程实例验证

2.1工程概况

选取福建省某山区公路K12+300-K12+500段岩质边坡为研究对象，边坡高65m，坡角42°-55°，岩性为花岗岩，存在明显层理与节理发育。历史监测显示该区域曾发生小型落石灾害，需开展稳定性评估。采用大疆Matrice 350 RTK无人机采集影像，搭载禅思P1全画幅相机，飞行高度80m，获取影像426张。同步布设3台位移传感器，采样频率1Hz，精度±0.5mm。

2.2智能识别结果

改进ADeeplab模型识别出结构面127条，其中优势结构面2组：第一组倾向185°-195°，倾角65°-75°，平均迹长3.2m，间距1.8m；第二组倾向270°-280°，倾角50°-60°，平均迹长2.5m，间距2.3m。与人工实测数据对比，倾向平均误差2.1°，倾角平均误差1.8°，迹长误差1.5cm，满足工程精度要求。传统人工识别需3天完成，本方法仅需4小时，效率显著提升。

2.3稳定性分析结果

将识别参数代入传递系数法计算，初始安全系数F_{s1}=1.18；结合传感器数据修正后F_s=1.15，判定为基本稳定状态。现场核查发现坡体中上部存在3处小型张拉裂缝，最大宽度5mm，与分析结果一致。基于该结论制定锚杆加固方案，加固后复测F_s=1.32，达到稳定标准。

三、结论与建议

3.1结论

1.提出的无人机多视角影像技术体系可高效获取岩质边坡三维信息，侧翼贴面飞行模式结合SfM技术能构建高精度三维模型，为结构面识别奠定基础。

2.改进ADeeplab模型实现结构面智能识别，倾向、倾角误差小于3°，迹长精度优于2cm，处理效率较人工提升8倍，解决了传统方法精度与效率的矛盾。

3.融合识别参数与传感器数据的稳定性分析模型，计算误差控制在5%以内，可精准评估边坡安全状态，为灾害防控提供科学依据。

3.2建议

1.后续研究可引入激光雷达融合技术，补充结构面深度信息，提升复杂地形下的识别精度；结合时序影像实现结构面动态演化监测。

2.建议建立边坡结构面数据库，整合不同区域、岩性的识别与稳定性数据，为机器学习模型提供训练样本，进一步提升识别泛化能力。

3.针对强风化边坡，需优化影像预处理算法，增强结构面与风化层的特征区分度，扩大技术适用范围。

参考文献

[1]中华人民共和国交通运输部。公路路基设计规范：JTG D30-2015[S].北京：人民交通出版社，2015.

[2]湖北省地质局。岩体结构面信息智能识别技术研发与应用[R].武汉：湖北省地质灾害防治中心，2023.

[3]印森林，李娟。无人机倾斜摄影露头建模技术及地质应用[J].石油地质与工程，2025,39(02):1-6.

[4]福建省交通运输厅。公路边坡“天空地”一体化监测技术规程[S].福州：福建科学技术出版社，2024.

[5]梁晨曦，张毅。基于深度学习的地质结构智能识别方法研究[J].地球科学进展，2025,40(03):298-305.

[6]刘传正。岩质边坡稳定性分析与支护设计[M].北京：地质出版社，2020.

[7]Chen L,Zhang J,Li M.UAV-based deep learning for discontinuity detection in rock slopes[J].Engineering Geology,2023,311:106892.