用于露天矿无人机巡检的轻量级目标检测与多目标跟踪

更聪明的空中之眼

露天矿区广阔且环境恶劣，重型卡车、挖掘机和人员持续移动。要保证安全与高效运行，通常需要大量地面人员和昂贵的定位设备，但小故障和入侵者仍可能被漏掉。本文探讨了如何让轻量级智能无人机从空中巡逻矿区，在机载电子设备受限的情况下，实时自动识别设备、人员和异常情况。

为什么矿区需要更好的看护手段

现代矿区已依赖卫星定位和专用无线信标等工具来跟踪卡车和机械。但这些“主动”系统存在盲点：信号可能被陡峭的边坡、扬尘或干扰遮挡，而且仅对携带相应设备的车辆和人员有效，也无法直观展示故障的具体样貌。相比之下，无人机能飞越复杂地形，采集丰富的图像和视频，并追踪不配合的目标如擅自进入的车辆。挑战在于强大的视觉算法通常需要性能强劲的计算平台，而无人机在重量、功耗和计算能力上受限。作者旨在设计一种既准确又轻量、能直接在无人机上运行的检测与跟踪系统。

教无人机识别小型与隐蔽目标

工作的核心是对一种流行的视觉模型YOLO进行升级，专门针对露天矿区进行调优。研究者重构了模型的“骨干网络”，使其能够跟随卡车、挖掘机和石堆的不规则轮廓，而不依赖刚性的网格式滤波器。他们还重新设计了网络中融合粗细尺度信息的部分，以便同时捕捉远处细小的机械和近处较大的目标而不混淆。在此基础上，一个新的轻量级决策模块聚焦场景中最具信息量的细节，帮助系统在杂乱背景中区分小型故障点和部分遮挡的机械。

让强大模型适配无人机

即便有这些改进，视觉模型也容易变得过大而无法在无人机硬件上运行。为此，团队采用了一种精细的剪枝策略，分析哪些内部连接对性能贡献最大，然后裁剪掉其余部分。该过程在保留网络中最关键路径的同时缩减参数量和计算量。在最佳剪枝水平下，系统保持较高的检测精度，同时将模型体积、运算量和响应时间降低到足以在紧凑的嵌入式处理器上运行的程度，减少功耗并延长飞行时间。在自建矿区数据集和公开无人机基准上的测试表明，剪枝后的模型优于若干知名替代方案，尤其在小型和部分遮挡目标上表现突出。

从静态快照到平滑轨迹

单张图像中的目标检测只是问题的一半；矿区还需要了解每辆车或每个人随时间的运动轨迹。为此，作者增强了现有的多目标跟踪方法，使其更好地应对拥挤场景、外观相似的车辆和突发的运动变化。他们构建了一个综合相似性度量，考虑目标的位置、外观，甚至是否为载货或空载的状态。并对运动预测进行了修正，以适应加速度变化，例如车辆转弯或爬坡时的情况。上述步骤共同减少了身份互换（将一辆车误认为另一辆）的情况，使轨迹更平滑可靠，同时速度足够快，可在无人机级硬件上实时运行。

走向无人化、全天候的矿区巡逻

最后，作者将视觉与跟踪模块集成进一个多层次巡检系统，该系统可协调多架无人机、通过5G和临时链路流式传输数据，并将结果回传地面指挥。在真实矿区的实验中，这一方案相比传统方法显著提高了设备监测的准确性和稳定性。对非专业读者来说，关键结论是该研究展示了一个可行路径：使用小型、高效的飞行机器人持续守护大型工业场所，及时发现小故障、未注册入侵者和潜在风险——而无需在每辆车上安装笨重的计算设备或大量信标网络。

引用: Liu, G., Zhang, L., Lei, J. et al. Lightweight target detection and multi target tracking for UAV inspection in open pit mines. Sci Rep 16, 8084 (2026). https://doi.org/10.1038/s41598-026-38676-4

关键词: 无人机巡检, 露天采矿, 目标检测, 多目标跟踪, 轻量级人工智能模型