基于深度學習的無人機飛行軌跡及地質勘測研究

黃志都,崔志美

(廣西電網有限責任公司 電力科學研究院，廣西 南寧 530000 )

隨著科學技術的不斷發展，無人機在性能上也得到了迅速的提升。由于無人機具有體積小、靈活便捷、價格親民等優點，目前應用領域也越來越廣泛，尤其是軍事行業以及生活民用行業[1]。從20世紀80年代開始，一些專家學者就開始對無人駕駛飛機進行研究。美國學者Nicolas(2018)利用無人機技術以及地理信息系統對2018年發生的洪澇災害進行調查，通過深度學習算法以及相應的圖像分割處理技術，對某縣城的土地損毀程度進行評估，在此過程中無人機表現出快速的應變能力，為此次的洪澇災后評估帶來了巨大的便利[2]。Lewckyi (2019)提出將無人機與現代智能手機相聯系，無人機在遠程攝影過程中，智能手機可作為攝影的測量平臺，兩者都具有攜帶方便、體積小等優點，所以他認為智能手機與無人機相匹配是未來時代發展的趨勢[3]。Mikopl (2020)利用Sigmoid算法以及相機完成了無人機數據表面模型的構建，這項研究成果為地質管理部門提供了準確的信息資源[4]。沈永林(2019)利用影像數據和無人機飛行的相關參數，通過計算機對飛行狀態的重要數據點進行測算，匹配飛行運動時的動畫影像，對飛行姿態及方向進行復原，最終完成對地質災害現場的圖像的三維構建[5]。徐藝來(2019)提出了一種改進的漸進三角網加密方法，將其應用于無人機地質災害勘測技術中，能夠分離地面點云數據，改進后的濾波方法可以產生更準確的結果。在實際的地貌分類研究中，自動分類仍然需要進行人工實地驗證，以確保結果的準確性，并且不同地區地貌的特征具有很大差異時，其自動分類方法不能共用[6]。Vasuki等(2019)利用無人機攝影測量技術構建數字高程模型和正射影像，可以描述地質構造的復雜特征，并實現自動化斷層和裂縫的提取和制圖，三維重建的內部精度足以滿足三米級的測量需求[7]。Tziavou等(2020)通過對固定翼和六旋翼無人機地質制圖的案例研究，討論了影響無人機圖像分辨率的主要參數，為了達到所需的精度要求，地面采樣距離應小于該值的一半[8]。

綜上所述，本文試圖從深度學習的角度出發，通過查找相關文獻對無人機的飛行軌跡以及地質災害勘測進行研究，然后又引入了一種新的Sigmoid算法對無人機飛行時的姿態以及速度進行分析，挖掘不同算法是否能對無人機的發展產生影響，本研究旨在為進一步深入分析無人機提供借鑒。

1 理論與方法

1.1 基于地質災害勘測研究的深度學習模型構建

無人駕駛飛機也稱為無人機，是一種通過無線電遙控設備和自備的程序控制裝置操縱的不載人飛機，或者由車載計算機完全地或間歇地自主地操作。無人機按應用領域，可分為軍用與民用。在軍用方面，無人機分為偵察機和靶機[9]。在民用方面，無人機可以用來監測傳染病、繪制地圖、救援災難等等。由于攝影測量技術的快速發展，無人機很可能是地質學家在不久的將來常用的工具之一[10]。具體的無人機地質影像采集流程如圖1所示。

根據無人機成像的特點和透鏡定律，拍攝實物的距離到成像的距離計算方法如公式(1)所示。

(1)

公式(1)中，a0表示的是所拍實物的距離，at表示的是鏡頭后成像距離，b為鏡頭的焦距。

無人機將實物的照片拍攝完畢之后，要對得到的圖片進行相應的質量評估，首先在圖片中提取的均值要與規范化系數相比較，具體的規范化系數計算方法如公式(2)所示。

(2)

其中，

(3)

利用高斯分布可將以上公式進行優化，具體的結果如公式(4)所示。

(4)

公式(4)中，f表示高斯分布函數，β表示方差，剩余字母的含義與上述公式相同。根據公式(4)從四個不同的方向對像素系數進行乘積，具體的結果如公式(5)～公式(8)所示。

(5)

(6)

(7)

(8)

(9)

圖1 無人機地質影像采集流程

其中，

(10)

(11)

上述公式中，βI表示第I個數值的方差，βr表示第r個數值的方差，剩余字母的含義與上述公式相同。

利用上述的算法能夠在一方面使得無人機拍攝的圖像更加清晰、準確，另一方面可以對圖片進行后期的優化和修整，最終讓無人機在地質災害勘測方面發揮出最大的作用。除此之外，無人機的軌跡規劃也非常重要，正確的設計能夠在一定的時間中花費最小的精力，拍攝出優質的圖片，因此無人機軌跡規劃的兩個重要約束條件是路徑的可飛行性和安全性，在無障礙威脅且滿足過載和環境約束條件下，無人機的飛行約束主要是自身性能的約束。主要包括：四旋翼無人機運動時最大加速度±amax(ms-2)、最大速度vmax(ms-1)、最大飛行高度Hmax(m)、最大飛行時間Tmax和最大航程Lmax(m)。對多點軌跡規劃問題的描述可以用如下數學式表示：

(12)

其中，N為系列路徑點的個數,Psi為系列起始點,Pfi為系列終止點，Π代表約束條件，ri(q)代表軌跡規劃生產的路徑，(x,y,z)代表飛行器所在的位置或航路點，(ψ,θ)分別代表飛行器的偏航角和俯仰角。

假設P1(xi,yi,zi)、P2(xi+1,yi+1,zi+1)、P3(xi+2,yi+2,zi+2)為給定的三個目標點坐標，初始航向角表達式為：

(13)

終止航向角表達式為：

(14)

公式(13)和公式(14)中c的取值為-π，π或者0，它可以將航向角的取值范圍限定在[-π，π]。

深度學習是機器學習研究的一個新方向，它的最終目的是讓機器能夠像人一樣具備分析學習能力，可以對圖像和聲音數據進行識別。將該模型引入無人機的飛行軌跡規劃以及地質災害勘測研究中，不僅可以將實操過程中所遇到的問題情景再現，而且能夠形成一整套研究邏輯策略。對深度學習的研究內容進行分析之后，發現主要涉及三種不同的方法。

(1) 基于卷積運算的神經網絡系統，即卷積神經網絡。該模型包含卷積計算且計算具有深度結構的前饋神經網絡，主要分為輸入層、卷積層、池化層和全連接層四部分，是深度學習的代表算法之一[11]。具體如圖2所示。

圖2 卷積神經網絡模型

(2) 基于多層神經元的自編碼神經網絡，包括自編碼( Auto encoder)以及近年來受到廣泛關注的稀疏編碼( Sparse Coding)[12]。

(3)以多層自編碼神經網絡的方式進行預訓練，進而結合鑒別信息進一步優化神經網絡權值的深度置信網絡(Deep Belief Networks，DBN)，該模型既可以用于非監督學習，也可以用于監督學習[13]。

1.2 擬采用的研究方法

(1)比較分析法：指將兩種或者兩種以上的研究對象進行多方對比，發掘它們之間的相同之處和不同之處，對好的方法進行分析、研究和借鑒，目的就是為高校英語教學提供良好的策略[14]。(2)定量定性分析法是指通過收集相關的研究數據，對數量的特征、數量之間的邏輯關系以及數量的變化趨勢等方面進行分析、研究和總結的一種常用方法。定性分析法指的是預測者根據相關的歷年數據變化、政府政策發布以及社會上發生的具有影響力的重大事件對該數據的未來發展趨勢變化和性質進行分析的方法[15]。(3)案例研究法：通過對相關數據的搜集，尋找之前專家學者對多元文化視域下高校英語教學策略的研究方法，將它們作為分析的案例，結合目前社會現實中存在的各類問題和現象，建立相應的研究框架，使得文章更加科學。(4)色差分析法：為了對不同性質的實物進行區分，需要建立起點與點之間的關系，進一步挖掘出所研究實物的特定位置、特定屬性、特定類型等等[16]。中國擁有復雜多樣的地形地貌，所以在地質災害勘測以及對無人機飛行軌跡規劃方面都存在一定的困難，利用色差分析法可以在較大程度上避免問題的發生，提供更加精準的數據結果。具體的實物色差公式計算方法如公式(15)所示。

(15)

公式(15)中，xi和xj分別表示x的橫坐標與縱坐標，gi和gj分別代表目標色的橫坐標與縱坐標，ri和rj分別代表試樣色的橫坐標與縱坐標，bi和bj分別代表標準色的橫坐標與縱坐標。

加權的實物色差公式計算方法如公式(16)所示。

D(xi,xj)=

(16)

上述公式中，wr表示試樣色的方差，wg表示目標色的方差，wb表示標準色的方差，剩余字母的含義與上述公式相同。

1.3 試驗環境及無人機性能

本次選定的無人機地質災害勘測試驗區位于陜西省Y市的一個縣城，試驗區面積大約為160 km2，試驗區總面積中93%以上是黃土丘陵，只有5%的溝谷川地。所處的自然環境屬于典型的黃土丘陵溝壑區與典型的重水土流失區域，地質災害頻發。因此選取本段為本次無人機地質災害調查試驗的區段。試驗區具體的氣象特征如表1所示。

表1 試驗區氣象特征

另外試驗所使用的無人機性能指標如表2所示。

表2 無人機性指標

最后，卷積神經網絡和Sigmoid算法應用于無人機的飛行軌跡勘測及地質災害勘測中的具體流程如圖3所示。

圖3 無人機飛行軌跡勘測及地質災害勘測中的運行流程

2 深度學習下飛行軌跡規劃及地質災害勘測結果與分析

2.1 深度學習在地質災害勘測中的應用

中國的地形地貌復雜多樣，西高東低，呈階梯狀分布，給地質災害勘測帶來了一定的困難，近些年出現的無人能夠解決這一難題。無人機在高空采集數據時，地面分辨率和所需時間之間的關系如圖4所示。

圖4 無人機飛行高度與分辨度、勘測時間之間的關系

從圖4中可以發現，無人機飛行的高度與地面分辨率呈負相關，與所花費的時間呈正相關。隨著無人機飛行高度的不斷上升，地面分辨率也在不斷下降，但是當無人機飛行高度在10 m的時候，花費的時間最少，大約為0.25 min，高度在132 m的時候，花費的時間最多，大約為3.5 min。可見無人機相對于人工勘測來說，會節省很多時間，但是與其他勘測技術相比，無人機可能不是最省時的。

為了解決上述無人機地質災害勘測清晰度的問題，在圖像分析中引入了卷積神經網絡模型。當無人機的飛行高度在25 m時，不同控制點數量下的精度結果如圖5所示。

圖5 高度25m下不同數量控制點下的精度對比[圖(a)表示控制點4時的點位誤差，圖(b)表示控制點4時的高程誤差，圖(c)表示控制點6時的點位誤差，圖(d)表示控制點6時的高程誤差，圖(e)表示控制點8時的點位誤差，圖(f)表示控制點8時的高程誤差]

從圖5中可以發現，用無人機進行地質災害勘測時，云臺的設備相對比較穩定，影像質量水平可以滿足本文的測量要求。將同一飛行高度下不同控制點的點位誤差與高程誤差進行比較可以看出，在圖像分析過程中加入卷積神經網絡模型后，隨著控制點數量的增加，所檢驗點的水平中誤差和高程誤差均變小，也就是精確值變高；但是當控制點數量增加到一定程度后，對精確度的影響越來越小。經過綜合的對比分析可以發現，當高度為25 m時選擇6個控制點的結果最優，可以達到較好的平面精度與高程精度效果。可見，卷積神經網絡模型在地質勘測的圖像研究中具有重要作用。

2.2 深度學習在無人機飛行軌跡規劃中的應用

由于無人機內部結構越來越復雜，單純依靠手控操作完成多項任務也變得艱巨，所以本文在無人機飛行軌跡規劃中引入了一種Sigmoid算法，具體的試驗結果如圖6和圖7所示。

圖6 無人機飛行姿態控制及誤差[圖(a)表示飛行姿態為俯仰角的數據，圖(b)表示飛行姿態為俯仰角的誤差數據，圖(c)表示飛行姿態為橫滾角的數據，圖(d)表示飛行姿態為橫滾角的誤差數據，圖(e)表示飛行姿態為偏航角的數據，圖(f)表示飛行姿態為偏航角的誤差數據]

圖7 無人機飛行速度控制及誤差[圖(a)表示飛行速度為y的數據，圖(b)表示飛行速度為y的誤差數據，圖(c)表示飛行速度為x的數據，圖(d)表示飛行速度為x的誤差數據，圖(e)表示飛行速度為z的數據，圖(f)表示飛行速度為z的誤差數據]

文中利用Sigmoid算法主要從無人機的飛行速度控制以及姿態控制兩方面展開研究，從上述圖5和圖6中可以看出，在姿態控制方面，俯仰角的誤差范圍處于-0.4～0.62之間，橫滾角的誤差范圍處于-0.5～0.91之間，偏航角的誤差范圍處于-0.05～0.2之間，對比三種姿態控制可知，偏航角的誤差范圍最小，俯仰角的誤差范圍最大，但是Sigmoid算法將整體的姿態誤差都控制在-0.5～1之間，另外，在速度控制方面整體誤差都處于-0.3～0.3之間，可見這種算法對無人機飛行軌跡的姿態控制以及飛行速度控制都具有很好的保障作用。

3 討 論

以陜西省Y市的某一縣城作為試驗區域，利用卷積神經網絡算法以及Sigmoid算法對無人機的飛行軌跡及地質災害勘測進行研究，并得出了4、6、8這三個控制點的數據點位誤差、高程誤差，經過對比發現，控制點為6時的點位誤差和高程誤差最小、結果最優等相關結論，在一定程度上為今后無人機的發展提供了研究思路與方法。 在美國，已經基于無人機的遙感系統建立了相應的示范性基地，并將其應用于快速獲取道路運輸網絡的圖像并對所得信息進行快速分析，可以應用無人機取得實時遙感影像并對地震后出現問題的道路、橋梁進行評估以快速確定震后救災的路線。本文所使用的無人機遙感系統多使用小型數字相機作為機載遙感設備，與美國的航片相比，存在像幅較小、影像數量多等問題，后續還要在這方面進行分析和借鑒。

4 結 論

快速發展的無人機能夠幫助人類解決一些復雜而艱巨的任務，基于深度學習算法，對無人機的飛行軌跡以及地質災害勘測進行分析和研究，主要得出以下幾點結論：(1)無人機飛行的高度越高，對地質災害勘測的圖像分辨率越低，所消耗的時間越長；(2)將深度學習中的卷積神經網絡模型引入無人機拍攝圖像的研究中發現，當高度為25米，控制點為4、6、8時，隨著控制點數量的增加，所檢驗點的水平中誤差和高程誤差均變小，也就是精確值變高；(3)將4、6、8這三個控制點的數據點位誤差、高程誤差經過對比發現，控制點為6時的點位誤差和高程誤差最小，此時的結果最優；(4) 通過將Sigmoid算法應用在無人機的飛行軌跡規劃中得出，在飛行速度方面可以將誤差控制在-0.3～0.3之間，在姿態控制方面可以將誤差控制在-0.5～1之間，其中偏航角的誤差范圍最小，可見，Sigmoid算法能夠在一定程度上保障無人機的飛行軌跡，因此，在今后的無人機研發或者地質災害勘測中有望根據上述的研究結論進行應用。

由于精力有限，文章在數據獲取方面存在一定的局限性，對于相關數據的一些檢驗也有偏差，在深度學習下無人機的飛行軌跡規劃以及地質災害勘測經濟投入上并未進行討論，后續可根據具體情況進行效益評估，利用深度學習算法以及Sigmoid算法促進無人機今后的發展。