地下矿产开采后留下的采空区，极易引发地表塌陷，不仅会破坏土地、损毁建筑，还会给矿区周边的生产生活埋下安全隐患。以往靠人工踏勘、解译识别采空塌陷区，不仅费时费力，还容易因主观判断出现误差。如今，无人机倾斜摄影技术与深度学习算法联手，打造出一套采空塌陷区智能识别 “组合拳”，让地质灾害隐患无处遁形，识别总体精度达 94.3%，为矿区安全守护装上了 “智慧雷达”。

连云港职业技术学院张雷雨副教授研究团队选用 DJI Phantom 4 RTK 无人机，在采空塌陷区开展倾斜摄影测量。不同于普通的垂直航拍，无人机不仅拍摄俯视影像，还会以 30°~45° 的倾斜角度，从正视、前视、后视等多个视角拍摄侧视影像，航向重叠度超 75%、旁向重叠度不低于 65%，让地物的纹理和几何信息被全方位捕捉。同时，工作人员会在研究区均匀布设地面控制点，用高精度仪器测量坐标，为后续数据处理打下精准基础。

航拍获取的原始影像，还要经过专业 “加工”。

通过 Context Mapper 三维重建软件，对影像和三维点云数据进行处理，最终生成分辨率 2 厘米的数字正射影像图（DOM）和分辨率 5 厘米的数字表面模型（DSM）。前者就像给地表拍了一张无畸变的 “高清证件照”，后者则精准还原了地表的高程起伏，一图看尽地表的 “颜值” 与 “身材”，为后续识别提供了高质量数据支撑。

有了精准数据，接下来就轮到 AI 大脑登场 “辨隐患”。

研究团队发现，采空塌陷区往往伴随植被减少、土壤裸露的特征，同时地表高程、坡度等形态也会出现异常。基于此，从 DOM 中提取光谱特征，计算归一化植被指数（NDVI），捕捉地表植被的变化信号；从 DSM 中提取曲率、高程、坡度等形态学特征，分析地形的细微起伏。这些多维度的特征，共同构成了识别塌陷区的 “关键线索”。

为了让 AI 精准识别这些线索，研究团队构建了改进版 U-Net 深度学习模型，给网络装上了 “更聪明的眼睛”。模型以 ResNet-50 为骨干网络，还加入了空间注意力机制，能自动聚焦塌陷区相关的重要区域，忽略无关干扰；解码器通过转置卷积和跳跃连接，既保留了深层的语义信息，又精准还原了塌陷区的边缘细节，让微小的塌陷特征也能被捕捉。

经过大量试验验证，这套智能识别方法的表现远超传统手段。在测试中，其精确率 93.2%、召回率 89.7%，Kappa 系数达 0.91，各项指标均优于传统 U-Net、FCN 等主流模型。在 50 个复杂场景的验证样本中，成功识别出 47 个塌陷区，仅 2 个因特征细微漏判、1 个因植被光谱相似误判，可靠性拉满。

对比传统人工解译，这套方法更是优势显著。人工解译不仅效率低下，还存在 8% 的误判率、11% 的漏判率，边界识别也较为模糊；而无人机 + AI 的组合，不仅工作效率大幅提升，还基本不受人为主观因素影响，误判率仅 2%、漏判率 4%，识别边界更清晰，能在短时间内完成大面积矿区的塌陷区识别。

消融试验还发现，ResNet-50 骨干网络、空间注意力模块和边界损失的组合，是这套模型的 “核心战力”，三者协同让识别精度达到最优。如今，这套基于无人机倾斜摄影的采空塌陷区识别方法，为地质灾害的快速识别和动态监测提供了全新技术路径。

未来，随着无人机技术和人工智能算法的不断升级，这套方法还能在矿区生态修复、灾害预警、矿区规划管理中发挥更大作用，用科技的力量守护矿区地表安全，让采空塌陷区隐患早发现、早处置，为绿色矿山建设保驾护航。

(本文数据及技术原理参考自：张雷雨　朱进军　刘小丽. 基于无人机倾斜摄影的采空塌陷区识别方法[J]. 金属矿山, 2026, 55(2): 269-275.

©IntelMining，转载请注明出处