无人机石油管线巡检全流程：从航线规划到变化检测的工程实践

简介：这份文档面向石油管线巡检从业者、无人机应用技术人员及测绘相关专业师生，系统梳理了无人机在管线巡检场景中的整体解决方案，帮助读者理解如何用航摄手段替代传统人工巡检、提升效率与安全性。资源包共1个doc文件，约13.77MB，内容以图文方案形式呈现，涵盖无人机航摄简介、航测原理与系统构成、低空飞行限制少、自身性能与成本优势、作业流程等基础模块，并重点介绍华测无人机石油管线巡检方案，包括车载地面终端、任务机加空中中继机、任务机加地面固定中继、任务机加多点地面固定中继等多种组网模式，以及航飞作业标准、主要技术指标、结构图、产品介绍与地面导控、数据处理软件功能。目前已有117人学习下载，适合需要了解管线巡检无人机选型、组网与作业规范的读者参考借鉴。

1. 无人机石油管线巡检：从“人走车巡”到“飞一遍就出报告”到底怎么落地

石油管线巡检这件事，干过的人都知道苦。管线动辄几百公里，穿戈壁、翻丘陵、跨农田，传统方式要么靠人徒步带望远镜，要么靠车沿伴行路慢慢开。一条百公里管线，两个人一组跑一趟少说三天，遇到雨季道路翻浆、山区无路可走，只能干瞪眼。更麻烦的是，人眼在颠簸车上判断第三方施工、打孔盗油、管体裸露，漏检率并不低，回头出了事再倒查，谁也说不清是没看到还是没记录。

无人机巡检要解决的就是这个：把“沿管线走一遍并留下可复查的影像证据”这件事，从体力活变成数据活。它适合三类人——手里有管线资产、想降本增效的运维负责人；负责具体飞行的飞手和数据处理工程师；以及想把巡检业务做成标准化服务的团队。但“买台无人机飞一圈”和“形成一套能交差的巡检方案”之间，隔着空域、航线、载荷、数据、报告五道坎。这篇就按一线做法，把这条链路拆开讲清楚，让你看完能判断自己该从哪一步入手、参数怎么定、哪里最容易翻车。

2. 方案选型：机型、载荷与巡检模式怎么定

2.1 先分清你要的是“看得见”还是“看得清”

管线巡检的需求不是单一的。常见的有四类：一是管线走向和周边环境普查，看有没有占压、违建、滑坡；二是管体本体检查，看防腐层破损、管体裸露、支墩位移；三是第三方施工监控，看有没有挖掘机在管线附近动土；四是泄漏排查，看地表油污、植被异常。这四类对分辨率的要求差得很远。

普查类，地面分辨率（GSD）做到 5～10 厘米就够了，飞高 120 米配 1 英寸底相机基本能满足。管体本体检查要看清防腐层裂纹，GSD 得压到 1～2 厘米，这意味着飞高要降到 30～50 米，或者换长焦镜头。第三方施工监控反而对分辨率要求不高，但对时效性要求高，最好是能定时自动飞。泄漏排查最玄学，可见光未必看得出来，往往要上热红外或者多光谱。

我一般建议新手先从普查类入手，把航线、数据、报告流程跑通，再逐步加码到本体检查。一上来就追求 1 厘米 GSD，数据量和飞行时间会让你怀疑人生。

2.2 机型选择：多旋翼还是固定翼

这是选型第一个岔路口。多旋翼能悬停、能低速精细飞行、起降场地要求低，适合管体检查和复杂地形；固定翼续航长、速度快，适合长距离管线普查。但固定翼不能悬停，转弯半径大，沿管线飞的时候容易偏航，对航线规划要求高。

实际项目中，很多团队是“固定翼普查 + 多旋翼复核”组合。固定翼先飞一遍找出疑似点，多旋翼再到疑似点低空细看。这个组合在长输管线上比较实用，但需要两套设备和两拨人，成本要算清楚。

2.3 载荷配置：可见光、热红外、激光雷达怎么搭

可见光是最基础的，现在主流方案是 1 英寸 CMOS 或者 M4/3 画幅相机，配合三轴云台。如果要做管体三维重建，需要五向倾斜摄影，这对云台和相机同步要求高。

热红外在泄漏排查和夜间巡检里有不可替代的作用。地表油污和周围土壤的温差在热红外图像里会呈现明显异常，但要注意飞行时间——正午地表温差小，热红外效果差，一般选清晨或傍晚飞。热红外的分辨率通常比可见光低不少，所以飞高要相应降低。

激光雷达主要用于管线走廊的三维建模和植被穿透，能拿到管线周边的地形点云，用于分析管体埋深变化和周边施工。但激光雷达贵、重、数据处理复杂，不是所有项目都需要。我一般建议：如果只是看管线走向和地表情况，可见光加热红外够了；如果要做管体形变分析或者走廊三维建模，再考虑激光雷达。

2.4 巡检模式：手动、自动航线还是自主巡检

手动飞行只适合应急核查，不可能用于日常巡检，因为一致性太差，今天飞的和明天飞的没法对比。

自动航线是主流做法。用航线规划软件沿管线生成航点，设定飞行高度、速度、拍照间隔，飞机自动执行。关键是航点要沿管线走向布设，转弯处要加密航点，否则飞机切角会偏离管线。我一般会在管线拐点前后各加一个航点，确保飞机贴着管线飞。

自主巡检是进阶玩法，需要无人机具备视觉感知和避障能力，能自动识别管线并跟踪飞行。这个方向目前还在发展中，对飞控和算法要求高，适合有研发能力的团队。常见做法是用 YOLO 系列做管线目标检测，再结合 PID 控制做航线修正。但实际管线场景里，管线本身在可见光图像里并不总是清晰可见（被植被覆盖、被土掩埋），所以纯视觉跟踪的鲁棒性是个问题。

3. 航线规划与飞行参数：把“飞得稳”变成“拍得清”

3.1 沿管线自动航线的生成逻辑

航线规划的核心是把管线的地理坐标转成无人机能执行的航点序列。管线数据通常是 GIS 里的线要素，格式可能是 Shapefile 或 GeoJSON。你需要把它转成航点，再导入航线规划软件。

下面是一个用 Python 把管线坐标转成航点并生成 KML 的示例，KML 可以导入主流航线规划工具：

import simplekml import geopandas as gpd from shapely.geometry import LineString # 读取管线矢量数据，假设是 WGS84 坐标系 pipeline = gpd.read_file("pipeline.shp") # 如果坐标系不是 WGS84，先转换 if pipeline.crs != "EPSG:4326": pipeline = pipeline.to_crs("EPSG:4326") # 取第一条管线 line = pipeline.geometry.iloc[0] # 按固定间隔插值生成航点，间隔单位是度，约等于米除以111000 # 这里按50米间隔生成 interval_deg = 50 / 111000 num_points = int(line.length / interval_deg) points = [line.interpolate(i / num_points, normalized=True) for i in range(num_points + 1)] # 生成KML kml = simplekml.Kml() for i, pt in enumerate(points): kml.newpoint(name=f"WP{i:04d}", coords=[(pt.x, pt.y)]) kml.save("pipeline_waypoints.kml") print(f"生成航点数量: {len(points)}")

这段代码的逻辑是：先把管线数据统一到 WGS84 坐标系，然后按固定距离间隔在管线上插值取点。interval_deg是度单位的间隔，50 米除以 111000 是粗略换算，实际项目中应该用 pyproj 做精确的投影转换。航点命名用四位数字，方便后续排序和对照。

参数说明：间隔 50 米是一个经验值，对应飞行速度 10 m/s 时每 5 秒一个航点。如果飞得慢或者要拍得更密，可以缩到 20～30 米。但航点太密会导致航线文件过大，部分飞控处理起来会卡。

3.2 飞行高度、速度与重叠率的关系

这三个参数是绑在一起的。飞行高度决定 GSD，GSD 决定你能不能看清目标；飞行速度决定相邻两张照片的基线，基线加上拍照间隔决定航向重叠率；重叠率不够，后期拼图会出空洞。

常用公式：GSD = 飞行高度 × 传感器像元尺寸 / 镜头焦距。以 1 英寸 CMOS、像元 2.4 微米、焦距 8.8 毫米为例，飞高 100 米时 GSD 约 2.7 厘米。这个分辨率看管线走向够了，看防腐层裂纹不够。

航向重叠率一般要求 70% 以上，旁向重叠率 60% 以上。如果是单条管线巡检，旁向重叠主要靠航线间距控制。沿管线飞的时候，如果只飞一条航线，旁向覆盖宽度就是相机幅宽，管线两侧各覆盖一半。如果要做走廊三维建模，需要飞多条平行航线，航线间距按幅宽的 40% 来设。

注意：拍照间隔 2 秒是常见值，但实际要看相机写入速度。如果间隔太短，相机来不及存，会出现漏拍。飞之前一定要在地面测试连拍，确认存储卡写入速度跟得上。

3.3 起降平台与地面站的选择

起降平台在管线巡检里经常被忽视，但实际影响很大。管线沿线未必有平整空地，戈壁滩上碎石多，农田里土软，普通起降容易翻。常见做法是带一块折叠起降垫，或者用车顶平台。如果要做常态化自动巡检，可以考虑固定式起降平台，配合自动机库实现无人值守。但自动机库成本高，适合高频次巡检场景，低频次项目没必要上。

地面站方面，主流飞控都支持地面站软件规划航线。如果要做超视距飞行，需要配图传和数传链路。管线巡检经常遇到信号遮挡，比如管线穿过山体或城市建筑群，图传容易断。我一般会建议在航线规划时避开信号盲区，或者用中继方式解决。但中继方案涉及设备和空域问题，要提前评估。

3.4 空域与合规：飞之前必须确认的事

这一块不展开讲法规细节，但必须提醒：管线巡检经常跨区域，不同地区的空域管理要求不一样。飞之前要确认飞行区域是否在管控范围内，是否需要报备。另外，管线本身可能涉及敏感设施，飞行前要和管线管理方确认哪些区域可以飞、哪些不能拍。这些事不提前做，飞到一半被叫停，损失的是整个架次的时间。

4. 数据采集与处理：从原始影像到可交差的巡检报告

4.1 影像采集的现场检查清单

飞完不是就完了，现场必须做数据检查，否则回去发现漏拍，再回来补飞成本翻倍。我一般会检查这几项：影像数量是否和航点数量匹配、有没有明显模糊或过曝、POS 数据是否正常记录、存储卡剩余空间是否够下一架次。

POS 数据是后期拼图和定位的关键。如果无人机没有 RTK，POS 精度可能只有几米，后期拼图会有偏差。有 RTK 的话，POS 精度能到厘米级，但要注意 RTK 基站架设和信号固定情况。如果 RTK 没固定，POS 数据质量会下降，后期需要靠影像匹配来纠正。

4.2 正射影像拼接与管线叠加

影像拼接常用 Pix4D、Metashape 或者国内的一些软件。流程是：导入影像和 POS 数据、做空中三角测量、生成密集点云、生成正射影像。如果管线有 GIS 数据，可以把管线矢量叠加到正射影像上，直观看到管线走向和周边情况。

下面是一个用 GDAL 把管线矢量叠加到正射影像并输出的示例：

from osgeo import gdal, ogr, osr # 打开正射影像 ortho = gdal.Open("ortho.tif") geotransform = ortho.GetGeoTransform() projection = ortho.GetProjection() # 打开管线矢量 pipeline_ds = ogr.Open("pipeline.shp") pipeline_layer = pipeline_ds.GetLayer() # 创建输出影像，这里简单示意，实际叠加需要栅格化矢量 # 用gdal.RasterizeLayer把管线烧录到影像上 driver = gdal.GetDriverByName("GTiff") output = driver.Create("ortho_with_pipeline.tif", ortho.RasterXSize, ortho.RasterYSize, 3, gdal.GDT_Byte) output.SetGeoTransform(geotransform) output.SetProjection(projection) # 把管线烧录为红色线 gdal.RasterizeLayer(output, [1], pipeline_layer, burn_values=[255]) output.FlushCache() print("叠加完成")

这段代码的核心是gdal.RasterizeLayer，把矢量管线烧录到栅格影像上。实际项目中，你可能需要把管线烧录到单独的波段或者用透明叠加，这里只是示意。参数burn_values=[255]表示烧录到第一个波段的值为 255，也就是红色通道满值。

4.3 疑似点提取与人工复核

自动提取疑似点常用两种思路：一种是基于影像分类，把管体裸露、施工机械、油污等目标检测出来；另一种是基于变化检测，对比历史影像找出变化区域。前者需要训练样本，后者需要历史数据。

我一般建议先用变化检测做初筛，因为管线巡检的核心需求是“发现变化”，而不是“识别所有目标”。变化检测可以用简单的影像差值，也可以用深度学习。如果管线沿线有历史正射影像，做差值就能找出变化区域，再人工复核。这个方法比直接训练目标检测模型快得多，而且不需要大量标注数据。

人工复核是必须的。自动提取的疑似点里，很多是光影变化、植被生长、云影等误报。复核时对照原始影像和正射影像，确认是否真的有问题。复核结果要记录坐标、类型、严重程度，形成巡检报告。

4.4 巡检报告的结构与交付

巡检报告一般包括：巡检范围和时间、飞行参数、影像成果清单、疑似点列表和截图、结论和建议。疑似点列表是核心，每个点要有坐标、类型（占压、施工、裸露、泄漏等）、严重程度、现场照片。

报告格式可以是 PDF 加 GIS 数据包。GIS 数据包方便管线管理方把疑似点导入自己的系统。如果对方有在线地图平台，也可以把疑似点发布成地图服务。

5. 避坑与排查：管线巡检里最容易翻车的五件事

5.1 航线偏离管线，飞完发现拍的是隔壁农田

现象：回放航线轨迹，发现飞机在管线拐弯处切角，偏离管线几十米，拐弯段的管线没拍到。

原因：航点布设时拐弯处没有加密，飞机自动抄近路。多旋翼在航点之间是直线飞行，拐弯处如果只有两个航点，飞机就会走直线切角。

解决：在管线每个拐点前后各加一个航点，让飞机提前转向。或者用样条曲线插值生成平滑航线，但要注意样条曲线可能让飞机偏离管线更远。我一般用加密航点的方法，简单可靠。

5.2 图传断连，飞机失联后不知道飞哪去了

现象：飞行中图传画面卡住，遥控器失去信号，飞机进入失控保护后不知道飞到哪里。

原因：管线穿越山区或城市，信号遮挡严重。或者图传和遥控器天线方向不对，信号衰减快。

解决：飞行前用地图工具检查航线沿线地形，避开明显遮挡区域。如果必须穿越，提前设置好失控保护行为（返航或悬停），并确认返航高度高于沿线最高障碍物。另外，记录飞机最后已知位置，失联后可以按最后位置搜索。无人机丢失定位经纬度这个事，靠的是飞控日志和最后图传坐标，所以飞行前确认日志记录功能正常。

5.3 影像漏拍，拼接后出现空洞

现象：正射影像上有明显的空洞区域，对应位置没有影像覆盖。

原因：拍照间隔设置太短，相机写入速度跟不上，导致漏拍。或者存储卡速度不够，写入卡顿。

解决：飞行前在地面测试连拍，确认相机能按设定间隔稳定拍照。存储卡选高速卡，不要用杂牌。如果还是漏拍，把拍照间隔调长，或者降低飞行速度。

5.4 热红外图像温差不够，泄漏点看不出来

现象：热红外影像上地表温度均匀，没有明显异常。

原因：飞行时间不对，正午地表温差小。或者热红外相机没有做温度校准，图像只是相对温度。

解决：选清晨或傍晚飞行，地表温差最大。热红外相机飞行前要做黑体校准，确保温度读数准确。如果只是看相对温差，也要确认相机增益设置合适，避免图像过曝或过暗。

5.5 POS 数据精度差，拼图错位

现象：正射影像上地物错位，管线叠加后对不上。

原因：无人机没有 RTK，POS 精度只有几米。或者 RTK 没有固定，POS 数据质量差。

解决：如果项目要求高精度，用带 RTK 的无人机，并确保飞行时 RTK 固定。如果没有 RTK，靠影像匹配做空三，但需要足够的重叠率和地面控制点。地面控制点可以用明显标志物，飞前布设，飞后测量坐标。

6. 进阶技巧：用变化检测把巡检效率再提一档

前面讲的流程跑通后，你会发现最耗时的不是飞行，而是人工看影像找问题。一个架次几百张照片，两个人看一天也看不完。变化检测是提效的关键。

我的做法是：把同一段管线不同时期的正射影像做配准，然后做差值或者用 SSIM 做结构相似性对比，找出变化区域。变化区域再叠加管线矢量，筛选出管线两侧一定范围内的变化，排除远处无关变化。这样人工只需要复核变化区域，工作量能降一个数量级。

下面是一个用 OpenCV 做影像差值并提取变化区域的示例：

import cv2 import numpy as np # 读取两期正射影像，确保已经配准 img1 = cv2.imread("ortho_202401.tif") img2 = cv2.imread("ortho_202406.tif") # 转灰度 gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY) # 计算差值 diff = cv2.absdiff(gray1, gray2) # 阈值化，阈值需要根据实际影像调整 _, thresh = cv2.threshold(diff, 30, 255, cv2.THRESH_BINARY) # 形态学操作去噪 kernel = np.ones((5, 5), np.uint8) thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel) thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) # 找轮廓 contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 过滤小面积轮廓 min_area = 100 # 最小面积阈值，根据GSD换算 changes = [] for cnt in contours: area = cv2.contourArea(cnt) if area > min_area: x, y, w, h = cv2.boundingRect(cnt) changes.append((x, y, w, h, area)) print(f"检测到变化区域数量: {len(changes)}") for c in changes: print(f"位置: ({c[0]}, {c[1]}), 大小: {c[2]}x{c[3]}, 面积: {c[4]}")

这段代码的逻辑是：两期影像转灰度后做差值，阈值化得到变化区域，形态学操作去噪，然后找轮廓并过滤小面积区域。参数30是差值阈值，需要根据影像的辐射差异调整。如果两期影像光照条件不同，差值会很大，需要先做辐射归一化。min_area是最小变化面积，根据 GSD 换算成实际面积，比如 GSD 3 厘米时，100 像素约等于 0.09 平方米，可以过滤掉大部分噪声。

变化检测的结果还需要和管线矢量做空间叠加，只保留管线两侧一定范围内的变化。这个可以用 GIS 工具做缓冲区分析，也可以用 Python 的 shapely 做。

最后说一个我自己的习惯：每次巡检完，不管多累，当天必须把数据备份两份，一份放本地，一份放移动硬盘。第二天再开始处理。因为存储卡出问题、电脑崩溃这种事，我见过太多次，没有后悔药可吃。巡检数据是外业成果，丢了就得重新飞，成本不是一点半点。希望帮到你。

本文还有配套的精品资源，点击获取