具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图3，本发明提供一种技术方案：一种基于LSTM神经网络算法的无人机路面病害检测方法，该网络模型的主要结构为记忆块，包括四个主要部分，即遗忘门，输入门，输出门与一个记忆单元。该方法检测效率快，准确度高，鲁棒性好，具体步骤流程如图1所示，步骤如下：

步骤一、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6：2：2的比例分为训练集，验证集和测试集，具体过程为：

具体地，神经网络算法需要大量数据进行训练。本发明为无人机姿态预测模型，因此，需要收集无人机姿态监测数据。通过大量训练，LSTM神经网络学习到了监测数据中各种参数对预测值地影响，从而获得无人机姿态预测模型。并通过验证集和测试集数据，对该网络进行调优和测试。因此，无人机时间序列数据集是构建模型的第一步，对无人机姿态预测模型的构建起着至关重要的作用。

路面病害图像采集方法为：无人机实际飞行的姿态数据；

由于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。

具体地，LSTM网络需要相同时间点的各项数据。因此，采用线性插值，对数据进行扩增，使得数据在每个时间点一一对应。

具体地，无人机姿态监测数据来自于GPS，速度计，陀螺仪，磁罗盘，气压计等传感器，主要包括偏航角、俯仰角、滚动角，经度，维度，海拔，气压计高度，方向等数据。

具体地，各种传感器的功能如下：

加速度计是用来提供无人机在XYZ三轴方向所承受的加速力；

陀螺仪传感器能监测三轴的角速度，因此可监测出俯仰、翻滚和偏摆时角度的变化率；

磁罗盘能为无人机提供方向感。它能提供装置在XYZ各轴向所承受磁场的数据。接着相关数据会汇入微控制器的运算法，以提供磁北极相关的航向角，然后就能用这些信息来侦测地理方位；

气压计运作的原理，就是利用大气压力换算出高度。压力传感器能侦测地球的大气压力。由气压计所提供的数据能协助无人机导航，上升到所需的高度。准确估计上升与下降速度；

GPS模块是全球导航系统之一，是美国的卫星导航2系统，通过GPS，可以得到无人机机体的位置信息。

步骤二、构建LSTM神经网络模型；

LSTM神经网络(Long Short Term Memory network，长短期记忆网络，是一种特殊的循环神经网络)算法的主要结构为记忆块，主要包含了遗忘门，输入门，输出门与一个记忆单元。具体地，记忆块的各部分的作用如下：

输入门的作用为判断上一个节点信息的重要性，并进行选择性记忆。在每一时刻从上一层输入的信息首先经过输入门，输入门决定这一时刻是否会有信息输入到该层记忆块；

对于每一时刻记忆块中的信息，遗忘门负责对其进行选择性忘记；

输出门决定输出信息，即每一时刻是否有信息从该层记忆块输出；

遗忘门，输入门，输出门共同组成了记忆单元，是LSTM神经网络中最小的结构单元，负责对长时间序列数据总体处理。

如图2所示，是LSTM神经网络模型的结构示意图，“×”表示缩放信息，“+”表示添加信息，σ表示Sigmoid函数层，tanh表示双曲正切函数层，h_t-1表示上一个记忆块的输出，X_t表示该层输入，h_t表示该记忆块的输出。在信息传递的过程中，每个传输单元的状态是决定LSTM网络的核心，贯穿于整个结构。在这个过程中，通过一些线性的作用保证了信息传输的不变性。

具体地，通过遗忘门、输入门和输出门，LSTM神经网络可以增加和去除单元中传输的信息，有选择地让信息通过，从而达到管理信息传输的目的。

具体地，在训练的过程中，传统的RNN模型更加倾向于按照序列末端的权值方向进行更新，即较远的序列输入的对权值变化影响较小。因此，训练结果往往偏向于新信息，即不太能有较长的记忆功能。为了克服长期误差消失的问题，需要做一些限制，对于t时刻的误差计算如下：

δ_j(t)＝f_j'(s_j(t))δ_j(t+1)w_jj

为了使误差不产生变化，可以强制令相关系数

f_j'(s_j(t))w_jj＝1

可得：

这表明激活函数是线性的。为了使误差不产生变化，常常令f_j(x)＝x，w_jj＝1这样就获得常数误差流了，也叫做CEC(constant error carrousel)。

步骤三、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。

根据步骤二构建的LSTM神经网络模型，采用迁移学习的方法对模型进行初始化。根据步骤一构建的无人机时间序列数据集(训练集)，导入LSTM神经网络模型。设置超参数，进行模型的训练。

具体地，迁移学习是相对于随机参数初始化而言，从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果，具有加快训练效率，提高检测精度的作用。

具体地，基于GPU的高带宽和多线程并行计算特性，深度学习算法须在高性能计算机上进行。同时，为了保证预测的实时性和设备的轻便型，LSTM神经网络算法在机载NvidiaJetson nano开发板上运行，实时传输预测数据给无人机。

步骤四、模型调参，得到最优模型

根据步骤三得到的模型，引入验证集数据进行测试。按学习率，总迭代次数，记忆块的堆叠数量，小批量数量，预测步数的顺序调整超参数。其中最重要的超参数为学习率和总迭代次数，因此，应当优先调整。对比不同超参数下模型的损失值及准确率的变化曲线，曲线如图3所示，图3(a)为俯仰角-时间曲线，图3(b)为滚动角-时间曲线，图3(c)为偏航角-时间曲线，实线代表真实值，虚线代表预测值，寻找最优超参数，确定最优模型。

具体地，主要的超参数为学习率，总迭代次数，记忆块的堆叠数量，小批量数量，预测步数等。

具体地，学习率决定了权值更新的速度。在模型训练的过程中，学习率过大容易使模型跨过最优值，导致过拟合；学习率过小会使梯度下降过程过慢。学习率需要根据经验和不断实验来设置。

具体地，小批量数量决定了数量梯度下降的方向。小批量数量过小，容易导致样本差异过大，难以收敛。小批量数量过大会使得梯度方向基本稳定，但是容易陷入局部最优解，降低精度。

具体地，最优超参数是指，通过调整获得不同超参数数值下的模型，损失值最小和准确率最大的模型，即为最优模型。

步骤五、将测试集数据输入到步骤四得到的最优模型进行测试，输出各项数值评价指标，判断是否达到预期值。

具体的，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：

具体地，当均方误差和平均绝对误差小于0.1时，即满足要求。

步骤六、现场检测，判断评价指标能否达到所需要求

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，采用步骤五获得的最优模型检测，判断评价指标能否达到所需要求。

具体地，评价指标主要包括预测效率，均方误差，平均绝对误差，鲁棒性等。

具体地，鲁棒性是指预测系统在不确定性的扰动下，具有保持性能不变的能力。因此，应当在不同条件下测试模型，从而判断模型的鲁棒性。

具体地，当预测效率大于数据采集速度时，均方误差和平均绝对误差小于0.1时，即满足要求。

本发明提出了一种基于LSTM神经网络算法的无人机路面病害检测方法，研发了适用于道路病害检测的LSTM的神经网络算法，基于无人机传感器监测数据对进行模型训练，提高了模型的准确性和鲁棒性，实现了无人机姿态的自动预测。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。