CN116185079A - 一种基于自适应巡航的无人机施工巡检航线规划方法 - Google Patents

Abstract

本发明公开了一种基于自适应巡航的无人机施工巡检航线规划方法，该方法包括以下步骤：在巡检范围内制定巡检航线；规划好无人机的巡检航线后，对无人机的巡检航线进行模拟验证；对无人机的飞行状态和无人机与周围环境的交互进行实时监控和调整。通过在巡检过程中对施工现场内的物体进行识别，提高无人机在复杂的施工环境下的安全性和可靠性，且对施工现场内的物体进行识别可以帮助无人机识别出障碍物、建筑物等物体，并做出避让或绕行的决策，确保无人机的安全飞行，且在基于蒙特卡罗树搜索算法的无人机巡检航线规划方法的基础上，结合施工现场的物体识别手段，将一些对无人机有威胁的物体附近的航点进行摘除，可以适用于施工现场的巡航。

Description

一种基于自适应巡航的无人机施工巡检航线规划方法

技术领域

本发明涉及无人机远程控制领域，具体来说，涉及一种基于自适应巡航的无人机施工巡检航线规划方法。

背景技术

无人机的自适应巡航是指一种智能飞行控制的方法，通过预先设置无人机的巡航速度和飞行高度，根据周围环境和障碍物的变化，自动调整巡航速度和飞行高度，以保持安全的飞行状态。在巡航过程中，无人机可以实现主动感知和避障，并且可以通过传感器对空气动力学和飞行控制进行实时调整，以保持稳定的飞行状态。同时，自适应巡航还可以通过陀螺仪、加速计等设备进行姿态控制，使其在不同飞行高度和角度下都可以保持稳定的飞行状态。现有的无人机巡检航线规划方法均是按照理想的情况执行，没有考虑到有些建筑物，例如基站对无人机飞行的影响。

例如中国专利号201810099352.5公开了一种基于云端的无人机航线规划方法，其包括云端服务器、地面控制站和无人机，云端服务器根据任务起点、终点坐标值推荐航线，无人机控制器根据该航线控制无人机飞行，减少每次都要人为设置航线问题，效率高，降低了人力成本。但是上述方法还存在以下不足：一般来说，施工现场会有基站，基站是用于移动通信的无线电收发信电台，并且在一定的、无线电覆盖区域中，通过移动通信交换中心与移动电话终端之间进行信息传递。在施工现场设置基站可以提高现场的通讯质量和效率，基站是高功率无线电发射站，用于无线通讯，包括移动电话、手提电话和无线路由器等，当无人机在基站附近飞行时，基站的无线电信号可能会与无人机的无线电信号产生干扰，这可能会影响无人机的通讯质量、飞行稳定性等方面，从而影响无人机的飞行效果。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于自适应巡航的无人机施工巡检航线规划方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

一种基于自适应巡航的无人机施工巡检航线规划方法，该方法包括以下步骤：

S1、确定施工现场的巡检范围，并在巡检范围内制定巡检航线。

S2、规划好无人机的巡检航线后，对无人机的巡检航线进行模拟验证。

S3、无人机在巡检过程中，对无人机的飞行状态和无人机与周围环境的交互进行实时监控和调整。

进一步的，所述确定施工现场的巡检范围，并在巡检范围内制定巡检航线包括以下步骤：

S11、确认施工现场的无人机巡检航线的起点及终点；

S12、基于蒙特卡洛树进行无人机巡检航线的规划。

其中，所述基于蒙特卡洛树进行无人机巡检航线的规划包括以下步骤：

S121、定义状态空间：将无人机巡检航线划分为若干离散的航点；

S122、构建搜索树：从无人机巡检航线的起点开始，每次选取一个未访问过的航点，并在搜索树中扩展航点；

S123、模拟路径：从扩展的航点开始，通过随机选择相邻航点的方式，模拟生成一条可行的路径；

S124、评估路径：对模拟生成的路径进行评估，并将评估结果反向传播到搜索树的所有航点中，更新它们的价值和访问次数；

S125、选择下一个扩展航点：根据搜索树中每个节点的胜率和价值信息，选择下一个扩展的航点；

S126、循环执行步骤S123-S125，直到到达终点或达到规定的搜索深度。

进一步的，所述对模拟生成的路径进行评估时的指标包括路径长度、最大化覆盖范围及最小化燃料消耗。

进一步的，所述无人机在巡检过程中，对无人机的飞行状态和与周围环境的互动进行实时监控和调整包括以下步骤：

S31、无人机在巡检过程中对施工现场内的物体进行识别；

S32、遇到对无人机有威胁的物体时进行规避处理。特别是遇到基站等对无人机安全飞行有威胁的物体时，能够及时的让无人机远离危险物体，提高了施工现场无人机巡航的稳定性。

进一步的，所述无人机在巡检过程中对施工现场内的物体进行识别包括以下步骤：

S311、通过无人机上的摄像头采集施工现场的物体图像；

S312、通过预先训练好的物体识别模型对施工现场内的物体图像进行特征提取，得到输出结果；

S313、将输出结果作为特征向量输入至SVM分类器中进行预测，并返回预测结果；

S314、若结果为物体对无人机具有威胁，则使得无人机对该物体进行规避飞行。

进一步的，所述预先训练好的物体识别模型在训练过程中包括以下步骤：

S3121、构建施工现场物体图像的训练集，并对施工现场物体图像进行预处理；

S3122、在卷积神经网络中构建三个卷积层、两个池化层、四个归一化层、一个全连接层及一个Dropout层；

S3123、在卷积层一中，使用64个9×9×3的卷积核、步长为4对施工现场物体图像进行卷积处理，且经过激活函数，得到64个35×35的特征图；

S3124、在池化层一中，对卷积层以输出的结果使用3×3大小的最大池化操作，步长为2，得到17×17×64的特征图；

S3125、通过归一化层一对池化层一输出的结果中相邻特征图的激励进行的归一化处理；

S3126、对归一化处理的结果依次通过卷积层二、池化层二、归一化层二、卷积层三、归一化层三进行处理，其处理的方式与上述相关层的处理方式相同，且通过全连接层将各个特征图进行结合；

S3127、对全连接层的输出结果通过归一化层四进行归一化处理，并通过Dropout层使物体识别模型避免过拟合，且物体识别模型输出预测结果；

S3128、通过使用损失函数来衡量物体识别模型预测结果与真实标签之间的差距，并通过反向传播算法计算物体识别模型参数的梯度，并使用梯度下降优化方法更新物体识别模型参数。

其中，物体识别模型在测试过程中，给定一个新样本的特征向量x，通过物体识别模型计算得到每个物体类别的概率分布，并选择概率最大的那个类别作为预测结果。

进一步的，所述对施工现场物体图像进行预处理包括以下步骤：

在施工现场物体图像中随机选取出若干张图片块，并对图片块作左右翻转处理，将得到的图片块均作为训练集的一部分；

将训练集中的图片的分辨率统一变换成148×148×3。

进一步的，所述三个卷积层中的卷积核的权重参数采用随机梯度优化算法进行更新；

其中，所述卷积核的权重参数采用随机梯度下降优化算法进行更新包括以下步骤：

通过反向传播算法计算损失函数对于每个卷积核权重的梯度；

使用随机梯度下降优化算法对每个卷积核的权重进行更新，以最小化损失函数：

；

式中，θ _t 为第t次迭代时的损失函数的参数权重值，θ _t+1 为第t+1次迭代时的损失函数的参数权重值；

η为学习率；

∇ _θ 为梯度；

h（θ）为损失函数。

进一步的，所述随机梯度下降优化算法中的学习率随着每一次的迭代进行更新，且对学习率进行更新时，判断当前迭代次数是否小于总迭代次数；

若小于，则判断当前迭代次数是否大于设置的开始更新设置，若是，则学习率的计算方式为：

；

式中，drop为每次更新的幅度；

E为迭代次数，d为迭代更新的频率，e为开始更新η的迭代次数；

η ₀ 为初始化学习率，γ为学习率衰减幅度，σ为常数，防止η减小到接近零；

判断当前迭代次数是否小于设置的开始更新设置，若是，则学习率的计算方式为：

；

式中，drop为每次更新的幅度；

E为迭代次数，d为迭代更新的频率；

η ₀ 为初始化学习率，σ为常数。

进一步的，所述遇到对无人机有威胁的物体时进行规避处理包括以下步骤：

无人机巡航时，若识别出有威胁的物体，则将巡检航线中的每个航点与有威胁的物体的距离进行计算，若某一航点与有威胁的物体之间的距离小于距离阈值，则将该航点删除，并选择其它替代航点。

其中，所述有威胁的物体包括违反法规的物体、风险物体及侵犯他人隐私物体。

本发明的有益效果为：

（1）本发明的一种基于自适应巡航的无人机施工巡检航线规划方法，通过基于蒙特卡罗树搜索算法的无人机巡检航线规划方法，能够快速规划出最优巡检航线，提高巡检效率，通过准确的估计各个航点的价值，选择出最优路径，提高了无人机巡检的准确度，具备较强的可扩展性，可应对复杂的施工环境和任务需求，实现了无人机的自适应巡航。

（2）本发明通过在巡检过程中对施工现场内的物体进行识别，提高无人机在复杂的施工环境下的安全性和可靠性，且对施工现场内的物体进行识别可以帮助无人机识别出障碍物、建筑物等物体，并做出避让或绕行的决策，确保无人机的安全飞行。特别是遇到基站等对无人机安全飞行有威胁的物体时，能够及时的让无人机远离危险物体，提高了施工现场无人机巡航的稳定性。同时采用基于卷积神经网络的物体识别模型，物体分类准确度高。对物体识别模型的训练过程中，使用随机梯度下降优化算法对每个卷积核的权重进行更新，且通过判断当前迭代次数是否小于总迭代次数，分类完成学习率的更新，根据这种不同的迭代次数周期性地更新学习率，使得学习率能够更好地适应随机梯度下降优化算法。通过使用自适应学习率更新算法，可以根据当前迭代次数来动态调整学习率，从而更好地平衡收敛速度和准确性。

（3）本发明在基于蒙特卡罗树搜索算法的无人机巡检航线规划方法的基础上，结合施工现场的物体识别手段，将一些对无人机有威胁的物体附近的航点进行摘除，可以适用于施工现场复杂多变的环境的巡航。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的一种基于自适应巡航的无人机施工巡检航线规划方法的流程图。

实施方式

为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

根据本发明的实施例，提供了一种基于自适应巡航的无人机施工巡检航线规划方法。

现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于自适应巡航的无人机施工巡检航线规划方法，该方法包括以下步骤：

S1、确定施工现场的巡检范围，并在巡检范围内制定巡检航线。

在一个实施例中，所述确定施工现场的巡检范围，并在巡检范围内制定巡检航线包括以下步骤：

S11、确认施工现场的无人机巡检航线的起点及终点；

S12、基于蒙特卡洛树进行无人机巡检航线的规划。

其中，所述基于蒙特卡洛树进行无人机巡检航线的规划包括以下步骤：

S121、定义状态空间：将无人机巡检航线划分为若干离散的航点；

S122、构建搜索树：从无人机巡检航线的起点开始，每次选取一个未访问过的航点，并在搜索树中扩展航点；

S123、模拟路径：从扩展的航点开始，通过随机选择相邻航点的方式，模拟生成一条可行的路径；

S124、评估路径：对模拟生成的路径进行评估，并将评估结果反向传播到搜索树的所有航点中，更新它们的价值和访问次数；

S125、选择下一个扩展航点：根据搜索树中每个节点的胜率和价值信息，选择下一个扩展的航点；

S126、循环执行步骤S123-S125，直到到达终点或达到规定的搜索深度。

其中，蒙特卡洛树搜索是一种基于蒙特卡洛方法的搜索算法，适用于求解具有高复杂度、大状态空间的问题。蒙特卡洛树搜索算法可以理解为对某个问题进行反复模拟，找出最优解的过程。这个过程通常基于一个搜索树结构，其中每个节点表示游戏中的一种状态，每次运行蒙特卡洛树搜索时都会向下生长这棵搜索树，直到到达一个预定的终止条件。

在一个实施例中，所述对模拟生成的路径进行评估时的指标包括路径长度、最大化覆盖范围及最小化燃料消耗。

S2、规划好无人机的巡检航线后，对无人机的巡检航线进行模拟验证。

S3、无人机在巡检过程中，对无人机的飞行状态和无人机与周围环境的交互进行实时监控和调整。

在一个实施例中，所述无人机在巡检过程中，对无人机的飞行状态和与周围环境的互动进行实时监控和调整包括以下步骤：

S31、无人机在巡检过程中对施工现场内的物体进行识别；

S32、遇到对无人机有威胁的物体时进行规避处理。特别是遇到基站等对无人机安全飞行有威胁的物体时，能够及时的让无人机远离危险物体，提高了施工现场无人机巡航的稳定性。

在一个实施例中，所述无人机在巡检过程中对施工现场内的物体进行识别包括以下步骤：

S311、通过无人机上的摄像头采集施工现场的物体图像；

S312、通过预先训练好的物体识别模型对施工现场内的物体图像进行特征提取，得到输出结果；

S313、将输出结果作为特征向量输入至SVM分类器中进行预测，并返回预测结果；

S314、若结果为物体对无人机具有威胁，则使得无人机对该物体进行规避飞行。

在一个实施例中，所述S312中预先训练好的物体识别模型在训练过程中包括以下步骤：

S3121、构建施工现场物体图像的训练集，并对施工现场物体图像进行预处理；

S3122、在卷积神经网络中构建三个卷积层、两个池化层、四个归一化层、一个全连接层及一个Dropout层；

S3123、在卷积层一中，使用64个9×9×3的卷积核、步长为4对施工现场物体图像进行卷积处理，且经过激活函数，得到64个35×35的特征图；

S3124、在池化层一中，对卷积层一输出的结果使用3×3大小的最大池化操作，步长为2，得到17×17×64的特征图；

S3125、通过归一化层一对池化层一输出的结果中相邻特征图的激励进行的归一化处理；

S3126、对归一化处理的结果依次通过卷积层二、池化层二、归一化层二、卷积层三、归一化层三进行处理，其处理的方式与上述相关层的处理方式相同，且通过全连接层将各个特征图进行结合；

S3127、对全连接层的输出结果通过归一化层四进行归一化处理，并通过Dropout层使物体识别模型避免过拟合，且物体识别模型输出预测结果；

S3128、通过使用损失函数来衡量物体识别模型预测结果与真实标签之间的差距，并通过反向传播算法计算物体识别模型参数的梯度，并使用梯度下降优化方法更新物体识别模型参数。

其中，物体识别模型在测试过程中，给定一个新样本的特征向量x，通过物体识别模型计算得到每个物体类别的概率分布，并选择概率最大的那个类别作为预测结果。

在一个实施例中，所述对施工现场物体图像进行预处理包括以下步骤：

在施工现场物体图像中随机选取出若干张图片块，并对图片块作左右翻转处理，将得到的图片块均作为训练集的一部分；

将训练集中的图片的分辨率统一变换成148×148×3。

在一个实施例中，所述三个卷积层中的卷积核的权重参数采用随机梯度优化算法进行更新；

其中，所述卷积核的权重参数采用随机梯度下降优化算法进行更新包括以下步骤：

通过反向传播算法计算损失函数对于每个卷积核权重的梯度；

使用随机梯度下降优化算法对每个卷积核的权重进行更新，以最小化损失函数：

；

式中，θ _t 为第t次迭代时的损失函数的参数权重值，θ _t+1 为第t+1次迭代时的损失函数的参数权重值；

η为学习率；

∇ _θ 为梯度；

h（θ）为损失函数。

其中，随机梯度下降（Stochastic Gradient Descent，SGD）是一种常用于优化机器学习模型的算法，其基本思想是在每一步迭代中，选择一部分样本进行计算梯度并更新模型参数，以此来逐渐逼近模型最优参数。

在一个实施例中，所述随机梯度下降优化算法中的学习率随着每一次的迭代进行更新，且对学习率进行更新时，判断当前迭代次数是否小于总迭代次数；

若小于，则判断当前迭代次数是否大于设置的开始更新设置，若是，则学习率的计算方式为：

；

式中，drop为每次更新的幅度；

E为迭代次数，d为迭代更新的频率，e为开始更新η的迭代次数；

η ₀ 为初始化学习率，γ为学习率衰减幅度，σ为常数，为了防止η减小到接近零，可以是1或2等常数；

判断当前迭代次数是否小于设置的开始更新设置，若是，则学习率的计算方式为：

；

式中，drop为每次更新的幅度；

E为迭代次数，d为迭代更新的频率；

η ₀ 为初始化学习率，σ为常数，为了防止η减小到接近零，可以是1或2等常数。这种自适应学习率更新算法可以有效地解决学习率设置不当对随机梯度下降优化算法的影响。如果学习率设置过小，会导致收敛速度缓慢，需要进行多次迭代才能找到最优解；而如果学习率设置过大，则可能会跳过最优解而产生震荡。

在一个实施例中，所述遇到对无人机有威胁的物体时进行规避处理包括以下步骤：

无人机巡航时，若识别出有威胁的物体，则将巡检航线中的每个航点与有威胁的物体的距离进行计算，若某一航点与有威胁的物体之间的距离小于距离阈值，则将该航点删除，并选择其它替代航点。

其中，所述有威胁的物体包括违反法规的物体、风险物体及侵犯他人隐私物体。例如，如果航点所在区域有法规规定的禁飞区、高度限制等安全限制，无人机在此处进行飞行会被认为是不安全的。在航点周围有高压线、建筑物、基站风险因素存在时，无人机在此处进行飞行也可能被认为是不安全的。如果航点附近有民用或商业用房产或其他隐私场所，无人机在此处进行飞行也可能被认为是不安全的。

综上所述，借助于本发明的上述技术方案，本发明的一种基于自适应巡航的无人机施工巡检航线规划方法，通过基于蒙特卡罗树搜索算法的无人机巡检航线规划方法，能够快速规划出最优巡检航线，提高巡检效率，通过准确的估计各个航点的价值，选择出最优路径，提高了无人机巡检的准确度，具备较强的可扩展性，可应对复杂的施工环境和任务需求，实现了无人机的自适应巡航。本发明通过在巡检过程中对施工现场内的物体进行识别，提高无人机在复杂的施工环境下的安全性和可靠性，且对施工现场内的物体进行识别可以帮助无人机识别出障碍物、建筑物等物体，并做出避让或绕行的决策，确保无人机的安全飞行。特别是遇到基站等对无人机安全飞行有威胁的物体时，能够及时的让无人机远离危险物体，提高了施工现场无人机巡航的稳定性。同时采用基于卷积神经网络的物体识别模型，物体分类准确度高。对物体识别模型的训练过程中，使用随机梯度下降优化算法对每个卷积核的权重进行更新，且通过判断当前迭代次数是否小于总迭代次数，分类完成学习率的更新，根据这种不同的迭代次数周期性地更新学习率，使得学习率能够更好地适应随机梯度下降优化算法。通过使用自适应学习率更新算法，可以根据当前迭代次数来动态调整学习率，从而更好地平衡收敛速度和准确性。本发明在基于蒙特卡罗树搜索算法的无人机巡检航线规划方法的基础上，结合施工现场的物体识别手段，将一些对无人机有威胁的物体附近的航点进行摘除，可以适用于施工现场复杂多变的环境的巡航。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。

Claims (10)

1.一种基于自适应巡航的无人机施工巡检航线规划方法，其特征在于，该方法包括以下步骤：

S1、确定施工现场的巡检范围，并在巡检范围内制定巡检航线；

S2、规划好无人机的巡检航线后，对无人机的巡检航线进行模拟验证；

S3、无人机在巡检过程中，对无人机的飞行状态和无人机与周围环境的交互进行实时监控和调整。

2.根据权利要求1所述的一种基于自适应巡航的无人机施工巡检航线规划方法，其特征在于，所述确定施工现场的巡检范围，并在巡检范围内制定巡检航线包括以下步骤：

S11、确认施工现场的无人机巡检航线的起点及终点；

S12、基于蒙特卡洛树进行无人机巡检航线的规划；

其中，所述基于蒙特卡洛树进行无人机巡检航线的规划包括以下步骤：

S121、定义状态空间：将无人机巡检航线划分为若干离散的航点；

S122、构建搜索树：从无人机巡检航线的起点开始，每次选取一个未访问过的航点，并在搜索树中扩展航点；

S123、模拟路径：从扩展的航点开始，通过随机选择相邻航点的方式，模拟生成一条可行的路径；

S124、评估路径：对模拟生成的路径进行评估，并将评估结果反向传播到搜索树的所有航点中，更新它们的价值和访问次数；

S125、选择下一个扩展航点：根据搜索树中每个节点的胜率和价值信息，选择下一个扩展的航点；

S126、循环执行步骤S123-S125，直到到达终点或达到规定的搜索深度。

3.根据权利要求2所述的一种基于自适应巡航的无人机施工巡检航线规划方法，其特征在于，所述对模拟生成的路径进行评估时的指标包括路径长度、最大化覆盖范围及最小化燃料消耗。

4.根据权利要求1或3所述的一种基于自适应巡航的无人机施工巡检航线规划方法，其特征在于，所述无人机在巡检过程中，对无人机的飞行状态和与周围环境的互动进行实时监控和调整包括以下步骤：

S31、无人机在巡检过程中对施工现场内的物体进行识别；

S32、遇到对无人机有威胁的物体时进行规避处理。

5.根据权利要求4所述的一种基于自适应巡航的无人机施工巡检航线规划方法，其特征在于，所述无人机在巡检过程中对施工现场内的物体进行识别包括以下步骤：

S311、通过无人机上的摄像头采集施工现场的物体图像；

S312、通过预先训练好的物体识别模型对施工现场内的物体图像进行特征提取，得到输出结果；

S313、将输出结果作为特征向量输入至SVM分类器中进行预测，并返回预测结果；

S314、若结果为物体对无人机具有威胁，则使得无人机对该物体进行规避飞行。

6.根据权利要求5所述的一种基于自适应巡航的无人机施工巡检航线规划方法，其特征在于，所述预先训练好的物体识别模型在训练过程中包括以下步骤：

S3121、构建施工现场物体图像的训练集，并对施工现场物体图像进行预处理；

S3122、在卷积神经网络中构建三个卷积层、两个池化层、四个归一化层、一个全连接层及一个Dropout层；

S3123、在卷积层一中，使用64个9×9×3的卷积核、步长为4对施工现场物体图像进行卷积处理，且经过激活函数，得到64个35×35的特征图；

S3124、在池化层一中，对卷积层一输出的结果使用3×3大小的最大池化操作，步长为2，得到17×17×64的特征图；

S3125、通过归一化层一对池化层一输出的结果中相邻特征图的激励进行的归一化处理；

S3126、对归一化处理的结果依次通过卷积层二、池化层二、归一化层二、卷积层三、归一化层三进行处理，且通过全连接层将各个特征图进行结合；

S3127、对全连接层的输出结果通过归一化层四进行归一化处理，并通过Dropout层使物体识别模型避免过拟合，且物体识别模型输出预测结果；

S3128、通过使用损失函数来衡量物体识别模型预测结果与真实标签之间的差距，并通过反向传播算法计算物体识别模型参数的梯度，并使用梯度下降优化方法更新物体识别模型参数；

其中，物体识别模型在测试过程中，给定一个新样本的特征向量x，通过物体识别模型计算得到每个物体类别的概率分布，并选择概率最大的那个类别作为预测结果。

7.根据权利要求6所述的一种基于自适应巡航的无人机施工巡检航线规划方法，其特征在于，所述对施工现场物体图像进行预处理包括以下步骤：

在施工现场物体图像中随机选取出若干张图片块，并对图片块作左右翻转处理，将得到的图片块均作为训练集的一部分；

将训练集中的图片的分辨率统一变换成148×148×3。

8.根据权利要求7所述的一种基于自适应巡航的无人机施工巡检航线规划方法，其特征在于，所述三个卷积层中的卷积核的权重参数采用随机梯度优化算法进行更新；

其中，所述卷积核的权重参数采用随机梯度下降优化算法进行更新包括以下步骤：

通过反向传播算法计算损失函数对于每个卷积核权重的梯度；

使用随机梯度下降优化算法对每个卷积核的权重进行更新，以最小化损失函数：

；

式中，θ _t 为第t次迭代时的损失函数的参数权重值，θ _t+1 为第t+1次迭代时的损失函数的参数权重值；

η为学习率；

∇ _θ 为梯度；

h（θ）为损失函数。

9.根据权利要求8所述的一种基于自适应巡航的无人机施工巡检航线规划方法，其特征在于，所述随机梯度下降优化算法中的学习率随着每一次的迭代进行更新，且对学习率进行更新时，判断当前迭代次数是否小于总迭代次数；

若小于，则判断当前迭代次数是否大于设置的开始更新设置，若是，则学习率的计算方式为：

；

式中，drop为每次更新的幅度；

E为迭代次数，d为迭代更新的频率，e为开始更新η的迭代次数；

η ₀ 为初始化学习率，γ为学习率衰减幅度，σ为常数，防止η减小到接近零；

判断当前迭代次数是否小于设置的开始更新设置，若是，则学习率的计算方式为：

；

式中，drop为每次更新的幅度；

E为迭代次数，d为迭代更新的频率；

η ₀ 为初始化学习率，σ为常数。

10.根据权利要求9所述的一种基于自适应巡航的无人机施工巡检航线规划方法，其特征在于，所述遇到对无人机有威胁的物体时进行规避处理包括以下步骤：

无人机巡航时，若识别出有威胁的物体，则将巡检航线中的每个航点与有威胁的物体的距离进行计算，若某一航点与有威胁的物体之间的距离小于距离阈值，则将该航点删除，并选择其它替代航点；

其中，所述有威胁的物体包括违反法规的物体、风险物体及侵犯他人隐私物体。

Images