[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

说明书

本发明公开了一种基于LSTM神经网络算法的无人机路面病害检测方法，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；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。LSTM神经网络模型算法可用于对无人机姿态时间序列信息的预测，从而得到无人机距离路面病害的距离，偏角等信息，对路面病害的精确测量提供帮助该方法检测效率快，准确度高，鲁棒性好。

技术领域

本发明涉及深度学习神经网络、路面病害检测技术领域，具体涉及一种基于LSTM神经网络算法的无人机路面病害检测方法。

背景技术

随着经济的不断发展，中国公路总里程跃居世界第一。但是随着长期车载及冻融循环的影响，路面会出现各种各样的病害。传统的检测方法为人工检测或检测车检测，费时费力，耗资巨大。本发明结合了飞行轨迹的连续性、时序性和交互性，提出了一种基于LSTM神经网络算法的无人机路面病害检测方法。

传统的无人机姿态预测模型存在简化大、考虑因素少的问题。为了解决长序列训练过程中的梯度消失和梯度爆炸问题和一般的循环神经网络存在的长期依赖问题，本发明算法将来自IMU等传感器的姿态、位置和加速度等信息同时作为轨迹预测模型的输入，使得预测值更加符合真实轨迹变化规律。对于建立的基于LSTM的无人机姿态预测模型，通过调整学习率，学习步长等超参数进行训练，得到了最优模型。

申请号为201410608597.8的专利文献公开了一种基于PID神经网络的无人机控制方法，该方法采用基本形式为2×3×1的PID神经网络控制算法，得到了抗干扰能力好，鲁棒性好，控制精度高的小型无人机飞行控制模型。但是该神经网络没有考虑连续时间对模型输出的影响，因此，预测精度较低。

针对无人机飞行姿态的连续性、时序性等问题，本发明采用LSTM神经网络算法，得到了无人机姿态监测模型，提高了无人机在道路病害检测时对病害目标距离判断的精度。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于LSTM神经网络算法的无人机路面病害检测方法，该方法检测效率快，准确度高，鲁棒性好，解决了上述背景技术中提到的问题。

为实现上述目的，本发明提供如下技术方案：一种基于LSTM神经网络算法的无人机路面病害检测方法，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；

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。

优选的，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，使得各个数据对应统一时间点。

优选的，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。