TileNet：用于平屋顶自主无人机系统巡检的基于瓦片的 CNN-SVM 架构

平屋顶是建筑围护结构中最具影响力的组成部分之一，既影响结构性能，也影响热效率，从而直接关系到家庭能源消耗、碳排放和长期环境可持续性。及时检测屋顶缺陷对于减少供暖和制冷损失、防止霉菌生长等受潮引发的劣化，以及支持国家气候变化减缓目标至关重要。本文提出了一种基于实时无人机系统（UAS）的深度学习框架，可利用双高度飞行过程中采集的实时图像自主检测缺陷。该多分辨率飞行策略旨在帮助识别细小、精细尺度的缺陷和较大的结构性问题，从而实现更全面的评估。为满足嵌入式 UAS 硬件严格的计算和功耗限制，所提出的框架将基于瓦片的架构与轻量级卷积神经网络-支持向量机（CNN-SVM）分类器相结合，以实现低延迟的机载推理。最终模型包含五个卷积层和四个全连接层，其中最后一层为线性 SVM 头；在图像级划分的数据集上，该模型取得了 $94.4\%$ 的平均测试准确率（基于三个随机种子的 $95\%$ 置信区间为 $\pm0.4\%$；包含 $43,383$ 张训练图像、$3,869$ 张验证图像以及 $2,540$ 张测试图像，均经过瓦片化和增强），优于 GoogLeNet（$89.2\%$）和 AlexNet（$79.8\%$）。使用通过现场访问、由 DJI Matrice 350 RTK 无人机采集的真实 UAS 图像进行的实验评估表明，该系统能够支持快速、可重复且安全的屋顶巡检，同时降低人员风险和运营成本，并实现更加可持续的建筑维护。