drone-inspection-specialist

无人机巡检专家

擅长基于无人机的基础设施巡检，运用计算机视觉、热成像分析和 3D 重建，服务于保险、房产评估和环境监测。

决策树：何时使用此技能

User mentions drones/UAV?
├─ YES → Is it about inspection or assessment of something?
│        ├─ Fire detection, smoke, thermal hotspots → THIS SKILL
│        ├─ Roof damage, hail, shingles → THIS SKILL
│        ├─ Property/insurance assessment → THIS SKILL
│        ├─ 3D reconstruction for measurement → THIS SKILL
│        ├─ Wildfire risk, defensible space → THIS SKILL
│        └─ NO (flight control, navigation, general CV) → drone-cv-expert
└─ NO → Is it about fire/roof/property assessment without drones?
        ├─ YES → Still use THIS SKILL (methods apply)
        └─ NO → Different skill needed

核心能力

火灾检测与野火风险

• 多模态检测：融合 RGB 烟雾与热成像热点
• 前置条件评估：NDVI、可燃物负荷、植被密度
• 可防御空间：评估是否符合 CAL FIRE/NFPA 1144 标准
• 蔓延追踪：蔓延速度与方向预测

屋顶与结构巡检

• 损坏检测：裂缝、缺失的屋面瓦、磨损、积水
• 冰雹分析：撞击模式识别、尺寸估算
• 热成像分析：检测潮湿、隔热缺口、HVAC 泄漏
• 材料分类：识别沥青、金属、瓦片、板岩

3D 重建（Gaussian Splatting）

• 流程：视频 → COLMAP SfM → 3DGS 训练 → Web 查看器
• 测量：屋顶面积、损坏尺寸、房产边界
• 变化检测：对比事前与事后情况，用于理赔

保险与再保险

• 理赔材料整理：准备符合行业标准的文档
• 风险建模：灾害模型、损失分布
• 前置条件数据：整合卫星、无人机和地面数据

应避免的反模式

1. “依赖单一传感器”

错误做法：仅使用 RGB 检测火灾。 正确做法：采用多模态融合（RGB + 热成像），发出高置信度警报。

检测来源	置信度	操作
仅热成像火灾	70%	发出警报并核实
仅 RGB 烟雾	60%	发出警报并调查
热成像 + RGB	95%	确认火灾

2. “忽略冰雹分布模式”

错误做法：只统计损坏数量，不分析空间分布。 正确做法：真正的冰雹损坏呈随机分布。线性或聚集分布则表明损坏由其他原因造成（人员踩踏、老化）。

3. “盲信热成像温度”

错误做法：未经校准便使用原始热成像数值。 正确做法：考虑以下因素：

• 材料的发射率（屋顶 = 0.9-0.95）
• 大气透射率（湿度、距离）
• 周围环境反射的温度
• 时段（热滞后）

4. “3DGS 帧数过多”

错误做法：提取无人机视频中的每一帧。 正确做法：以 2-3 fps 的频率提取帧，重叠率为 80%。帧数更多 ≠ 重建效果更好。

视频 FPS	提取频率	结果
30	30（全部）	冗余，处理速度慢
30	2-3	质量与速度最佳
30	0.5	重叠不足

5. “臆测保险理赔金额”

错误做法：未识别材料便估算成本。 正确做法：识别材料 → 应用正确的成本矩阵。

材料	修理 $/sqft	更换 $/sqft
沥青瓦	$5-10	$3-7
金属	$10-15	$8-14
瓦片	$12-20	$10-18
板岩	$20-40	$15-30

6. “混淆可防御空间分区”

错误做法：不考虑距离，对所有植被一视同仁。 正确做法：CAL FIRE 各分区要求不同：

分区	距离	要求
0	0-5 ft	耐余烬（不得有可燃物）
1	5-30 ft	稀疏、整洁、常绿（树木间隔种植）
2	30-100 ft	减少可燃物（选择性疏伐）

数据采集策略

卫星数据（区域背景）

• Sentinel-2：10m 分辨率、NDVI、可燃物湿度（SWIR 波段）
• Landsat-8：30m 分辨率、历史基线、热红外波段
• Planet：3m 分辨率、每日影像、变化检测
• 用途：区域风险制图、事件前后对比

无人机数据（房产细节）

• RGB 测绘：2-5cm GSD、正射影像、3D 模型
• 热成像巡查：检测潮湿、热特征
• 近距离巡检：损坏记录、细节照片
• 用途：单个房产评估

Ground Truth

• 坡度测量：用于地形风险评估的 GPS 测线
• 土壤采样：用于火灾风险评估的含水量
• 材料核验：确认屋顶类型
• 应用：校准与验证

快速参考表

火灾检测置信度等级

信号组合	置信度	警报优先级
热成像 >150°C + 烟雾	95%	CRITICAL
热成像火灾模型	80%	HIGH
热点 >80°C	70%	MEDIUM
仅烟雾	60%	MEDIUM
热点 60-80°C	50%	LOW

屋顶损坏严重程度

类型	轻微	中等	严重	危急
缺失瓦片	-	-	始终如此	-
裂缝	<1"	1-3"	>3"	多处
瓦粒脱落	<10%	10-30%	>30%	-
积水	-	少量	大量	正在漏水

野火风险因素（加权）

因素	权重	高风险指标
可防御空间	20%	区域不符合要求
植被密度	20%	NDVI >0.6，燃料负荷高
坡度	15%	坡度 >30%
屋顶材料	10%	木瓦、C 级
建筑间距	10%	建筑间距 <30ft
通行/疏散	10%	单一道路、道路狭窄

3DGS 质量设置

质量级别	迭代次数	时间	使用场景
预览	7K	5 min	快速检查
标准	30K	30 min	常规用途
高	50K	60 min	文档记录
检查	100K	3 hrs	损坏测量

参考文件

详细实现见 references/：

• fire-detection.md - 多模态火灾检测、热成像相机、火势蔓延跟踪
• roof-inspection.md - 损坏检测、热成像分析、材料分类
• insurance-risk-assessment.md - 冰雹损坏、野火风险、灾害建模、再保险
• gaussian-splatting-3d.md - COLMAP 流程、3DGS 训练、检查测量

集成点

• drone-cv-expert：飞行控制、导航、通用 CV 算法
• metal-shader-expert：GPU 加速的 3DGS 渲染
• collage-layout-expert：可视化报告排版
• clip-aware-embeddings：材料/损坏分类辅助

保险工作流

1. Pre-Event Assessment (Underwriting)
   ├─ Satellite: Regional risk context
   ├─ Drone: Property-level risk factors
   └─ Output: Risk score, premium factors

2. Post-Event Inspection (Claims)
   ├─ Drone survey: Damage documentation
   ├─ 3DGS: Measurements, change detection
   └─ Output: Claim package, cost estimate

3. Portfolio Risk (Reinsurance)
   ├─ Aggregate: TIV, loss curves
   ├─ Model: AAL, PML, concentration
   └─ Output: Treaty pricing, structure

---

核心原则：检查准确性取决于多源数据融合。单传感器评估会遗漏关键信息。务必将无人机发现与卫星基线数据及天气数据进行交叉比对，得出可靠结论。