[发明专利]一种基于LSTM神经网络算法的无人机路面病害检测方法

权利要求书

1.一种基于LSTM神经网络算法的无人机路面病害检测方法，其特征在于，包括如下步骤：

S1、获取无人机姿态监测数据，构建无人机时间序列数据集，并按比例分为训练集，验证集和测试集；

S2、构建LSTM神经网络模型，通过添加CEC模块，保证误差以常数的形式在网络中流动；

S3、初始化模型，将训练集数据输入到模型中，设置超参数，进行模型训练；

S4、模型调参，得到最优模型；

S5、将测试集数据输入到最优模型进行测试，输出各项数值评价指标，判断是否达到预期值；

S6、现场检测，判断评价指标能否达到所需要求；

所述步骤S1中，所述获取无人机姿态监测数据，构建无人机时间序列数据集具体包括：利用GPS、速度计，陀螺仪，磁罗盘，气压计传感器获取偏航角、俯仰角、滚动角、经度、维度、海拔、气压计高度、方向数据；考虑各个传感器的采集频率不同，编写python程序，采用线性插值，对数据进行扩增，数据在每个时间点一一对应，使得各个数据对应统一时间点。

2.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法，其特征在于：所述步骤S1中，所述按比例分为训练集，验证集和测试集具体是：按6：2：2的比例分为训练集，验证集和测试集。

3.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法，其特征在于：所述步骤S2中的LSTM神经网络模型包括遗忘门、输入门、输出门和记忆单元；所述遗忘门对上一个节点输入进行选择性忘记；所述输入门用于判断上一个节点信息的重要性，并进行选择性记忆；所述输出门决定输出信息。

4.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法，其特征在于：所述步骤S3中超参数为学习率、总迭代次数、记忆块的堆叠数量、小批量数量和预测步数。

5.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法，其特征在于：所述步骤S4中，所述模型调参，得到最优模型具体包括：输入验证集数据到模型中，按顺序调整超参数，根据不同超参数下模型的损失值及准确率的变化曲线，得到最优超参数，得到最优模型。

6.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法，其特征在于：所述步骤S5中的各项数值评价指标包括准确率，均方误差和平均绝对误差；

所述均方误差是指参数估计值与参数真值之差平方的期望值，公式如下：

所述平均绝对误差是绝对误差的平均值，公式如下：

7.根据权利要求1所述的基于LSTM神经网络算法的无人机路面病害检测方法，其特征在于：所述步骤S6中，所述现场检测，判断评价指标能否达到所需要求具体是指：控制无人机飞行，并回传各种传感器采集的无人机姿态数据至高性能计算机终端检测，判断评价指标能否达到所需要求。

8.根据权利要求7所述的基于LSTM神经网络算法的无人机路面病害检测方法，其特征在于：所述评价指标主要包括预测效率，均方误差，平均绝对误差和鲁棒性。