在阿塔卡马沙漠，SQM公司运营着全球最大的露天采矿作业区之一。每一条灌溉管道、每一个喷头，以及哪怕一丝一毫的温度变化，都可能影响采矿效率。然而，直到最近，这些检查仍然依靠人工，现场工程师每天步行或驾车数公里，巡视泄漏点和脱落的喷头。
创新团队希望加快步伐。他们需要不依赖于人力耐力或人员可用性的巡检方式。他们需要每天早上都能准确告知他们应该在哪里采取行动的数据。正是这种需求促使他们找到了总部位于智利的无人机自主系统集成商 Adentu，以及专为无人值守、数据驱动型无人机操作而构建的企业级自主平台FlytBase。他们携手合作，着手解答一个至今仍困扰着大多数工业运营的问题：如何将自主系统从概念验证转化为日常工作流程？
挑战
多年来，SQM的检查流程一直受限于规模。步行检查意味着要在沙漠烈日下暴晒数小时，而驾车检查则精度不高，也无法提供温度信息。问题常常被忽视数日之久。
SQM 数字创新副经理 Rodrigo Toler 回忆道：“我们的工程师每花一个小时走路，就意味着一个小时没能解决问题。”
三个问题立刻凸显出来：
1. 检查差距 矿井规模庞大，因此无法及时发现泄漏或干涸区域，从而避免效率损失。
2. 延迟反馈 - 当发现脱落的洒水器时，堆肥的某些部分可能已经好几天没有灌溉了。
3. 对变革的抵制 - 现场团队经验丰富、务实，并且对那些承诺提高效率但会增加复杂性的新技术持怀疑态度。
解决这些挑战需要的不仅仅是无人机。这意味着要设计出能够顺利融入SQM日常运营节奏的自主系统。
解决方案
Adentu 的工程师们从小规模做起：一个 DJI Dock 扩展坞、一个区域、一个应用场景。他们的目标不是规模，而是信任。如果他们能够证明数据质量和运行可靠性始终如一，系统就能自然而然地扩展。
FlytBase成为任务的核心控制系统，负责安排每日飞行、管理遥测数据、处理自动图像传输以及远程维护健康检查。无人机拍摄 RGB 和热成像图像，并将其发送至FlytBase ，FlytBase 再将其转发至 SQM 的 Azure 环境进行机器学习分析。
Adentu 构建了一个中间件，实现了FlytBase和 Azure 之间的数据无缝流动。输出结果并非原始图像，而是洞察：灌溉地图和温度模式被转化为排名仪表板，清晰地向现场团队展示应该前往何处以及首先要解决哪些问题。
“ FlytBase平台让我们能够自动执行日常任务、健康检查和数据传输，从而构建真正无需人工干预的工作流程，”Adentu 的商务经理 José Pablo Mujica 说。
这是 SQM 的检查团队第一次能够以完全由自主系统生成的优先级排序列表开始一天的工作。
工作原理
每天的工作都在日出前开始。FlytBase FlytBase从 DJI Dock 启动两台无人机，分别在黎明和傍晚热成像对比最强的时候执行两次全自动任务。无人机会在指定的探测区域内采集视觉和热成像数据，然后自动返回充电。
随后， FlytBase通过安全 API 将图像传输到 Azure 数据湖。基于 SQM 自身图像训练的机器学习模型会将区域分类为最佳、潮湿或干燥。飞行完成后 90 分钟内，SQM 的操作人员即可在屏幕上看到更新后的仪表板，其中包含以颜色编码的地图，突出显示异常情况并精确定位坐标。
早上 8:30，现场团队就已经知道要去哪里、要检查什么、要修理什么，而此时大部分工地甚至还没有开始移动。
执行
从构思到生产，整个过程遵循着一套清晰的流程：
第一步--实地考察
Adentu 和 SQM 对作业区域进行了测绘，确定了最佳对接站位置，并考虑了高温、灰尘和地形等因素。网络连接采用 Starlink，选择 Starlink 是因为其在偏远地区的稳定性。
步骤二--整合与验证
FlytBase的 API 配置为将数据直接推送到 Azure，而 SQM 的工程师在每次航班后都会验证同步和数据完整性。
步骤 3 - 利用人类反馈进行人工智能训练
研究团队标注了数百张早期任务图像，教会模型如何区分热反射和实际灌溉问题。这种人工反馈机制在第一个月内就将准确率提高了30%以上。
第四步--现场验收
文化上的一个里程碑出现在操作员开始要求在出动前提供无人机数据之时。“没有早晨的仪表盘数据，他们拒绝开始工作，”罗德里戈回忆道。这标志着技术不再是一个项目，而成为了一种习惯。
第五步--规模化和优化
一旦可靠性稳定在 95% 以上，SQM 就规范了工作流程，并将该系统视为任何其他运营资产。
结果
不到十个月，SQM 就实现了可衡量的转变。
检查频率从每两周一次增加到每天两次，翻了一番。即使在严酷的沙漠环境下，任务可靠性也超过 95%。探测时间从几天缩短到不到 90 分钟。提取效率提高了 2%。该系统的总投资在 7 万至 8 万美元之间，投资回报期不到一年。
运营方面的影响远不止于指标衡量。人工步行路线大幅减少，使工程师能够专注于解决方案设计而非目标检测。随着无人机承担重复性工作，现场团队开始将无人机视为合作伙伴，而非竞争对手。
罗德里戈说：“碘提取率从0.5%提高到2%，对于这种规模的工艺来说，这是巨大的进步。但更大的转变在于我们的团队开始信任自主性，并相信他们能够交付成果。”
前进的道路
在灌溉系统检测方面取得成功后，SQM公司正将该模式推广到其他领域。该公司已为其安保部门订购了更多DJI Dockers设备，计划开展全天候现场监控。Adentu公司正在测试沿HDPE管道的热模式监测，以及早发现泄漏或结构应力迹象。
下一步发展将涉及FlytBase AI-R，它将边缘人工智能分析直接带到码头，即使在网络连接中断的情况下也能进行实时数据处理。超视距 (BVLOS) 操作也在计划之中，这将使无人机能够自主覆盖更大的区域。
罗德里戈补充道：“我们现在正在探索边缘人工智能能带我们走多远，它能够本地处理信息，甚至离线处理信息。”
最初只是一个单一的应用案例，如今却成为了 SQM 计划如何在其采矿生态系统中扩展自主性的蓝图。
结论
SQM与Adentu和FlytBase的合作不仅实现了任务自动化，更重塑了整个运营节奏。不到一年时间，他们就从人工巡检转变为运营一座能够自我监控FlytBase每90分钟提供一次分析数据的矿山。FlytBase提供了自动化基础架构，Adentu使其能够现场部署，而SQM则将其转化为战略优势。
“ FlytBase负责自主运行；Adentu负责在沙漠中运行。我们共同打造了一座能够自我监控的矿井，”SQM数字创新副经理Rodrigo Toler说道。
这个案例证明，自动化并不会取代人，而是会增强人的能力。采矿业的未来不仅仅是自动化，它还将实现智能互联、持续运行和可衡量性。
常见问题
SQM 在此次部署中如何使用FlytBase？
FlytBase为任务调度、遥测管理和向 Azure 的安全数据传输提供支持，使 SQM 能够运行完全自主的热成像和视觉检查。
阿登图扮演了什么角色？
Adentu 将FlytBase与 SQM 的 Azure 环境集成，部署了物理基础设施，并定制了工作流程以满足运营需求。
实现了哪些可衡量的投资回报率？
任务可靠性达 95%，检查频率提高一倍，提取率提高 2%，投资回报周期为 10 个月。
该方案能否推广到其他业务？
是的。该工作流程采用模块化设计，与硬件无关，旨在扩展到全球各地的安全、灌溉和环境监测等应用场景。
