本发明涉及无人机起降定位，具体为一种无人机起降停机坪。
背景技术：
1、随着无人机技术的快速发展和广泛应用，无人机起降停机坪作为无人机起降的重要基础设施，其性能和智能化水平直接影响到无人机的安全起降和作业效率。现有的停机坪在无人机定位与导航方面缺乏精准性和智能化，通常仅依赖简单的物理标记或人工操作来辅助无人机定位，这种方式不仅效率低下，而且容易受到人为因素和环境因素的影响，导致定位不准确，甚至引发事故。因此，我们提出一种无人机起降停机坪。
技术实现思路
1、本发明的目的在于提供一种无人机起降停机坪，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：一种无人机起降停机坪，包括物理层、感知层和维护层；
3、所述物理层包括用于提供无人机起降平台的停机坪本体，所述停机坪本体采用耐用、防滑和防水的材料制成；
4、所述感知层包括定位标记模块、机器学习模块和停机坪识别模块；
5、所述定位标记模块用于在停机坪本体上设置具有独特标识的轮廓标记和定位标记，所述轮廓标记用于指示无人机当前停机坪是否可用，所述定位标记用于向无人机提供精准的降落坐标信息；
6、所述机器学习模块采用深度学习技术训练图像识别模型，所述图像识别模型包括停机坪轮廓识别模型和停机坪定位标记识别模型，所述轮廓识别模型用于判断当前停机坪是否可降落，所述定位标记识别模型用于获取停机坪本体上被定位标记模块设置的降落坐标信息；
7、所述停机坪识别模块用于捕捉停机坪的图像，获取可降落的停机坪及其坐标信息；停机坪识别模块进一步包括图像采集单元、图像预处理单元和图像分析单元，所述图像采集单元负责实时捕捉停机坪的图像；所述图像预处理单元用于对捕捉到的图像进行去噪和增强处理；所述图像分析单元用于将图像预处理单元输出的图像传入机器学习模块，以获取可降落的停机坪及其坐标信息；在获取坐标信息后，无人机按照该坐标降落到指定的位置；
8、所述维护层包括图像接收模块、异常检测模块和维护通知模块；
9、所述图像接收模块负责接收停机坪识别模块捕捉的图像数据；所述异常检测模块对接收到的图像进行进一步的分析处理，包括障碍物检测和停机坪表面状况评估，以判断停机坪是否存在障碍物、表面损坏或污染；所述维护通知模块负责生成维护通知，并将通知发送给相关人员或系统，以及时安排工作人员进行停机坪的维护与修复。
10、优选的，所述定位标记采用易于识别和区分的符号设计，包括使用特定的颜色、形状或图案组合，所述轮廓标记和定位标记在标记符号的边沿均设有夜航指示灯。
11、优选的，所述定位标记模块在停机坪本体上设置的定位标记为停机坪所在位置的经度和纬度值。
12、优选的，所述机器学习模块采用深度学习技术训练图像识别模型的具体步骤包括：
13、步骤1：数据准备
14、步骤1.1：通过实地拍摄收集停机坪的图像数据集，图像数据集中包含不同角度、不同光照条件和不同背景下的停机坪图像；
15、步骤1.2：对收集到的停机坪图像数据进行精确标注，指示出停机坪的轮廓和定位标记；
16、步骤1.3：将标注好的图像数据划分为训练集和验证集，其中训练集用于训练深度学习模型，验证集用于评估模型的性能；
17、步骤2：构建深度学习模型
18、步骤2.1：采用卷积神经网络构建轮廓识别模型和定位标记识别模型，轮廓识别模型和定位标记识别模型均包含多个卷积层、池化层和全连接层，卷积层负责提取图像中的特征，池化层用于降低特征的维度和复杂性，全连接层将学习到的特征映射到最终的分类结果上；
19、步骤2.2：初始化模型的权重和偏置参数；
20、步骤3：训练深度学习模型
21、步骤3.1：使用训练集对模型进行训练；
22、步骤3.2：通过前向传播算法，将图像数据输入模型，计算每一层的输出；
23、步骤3.3：利用设定的交叉熵损失函数，计算模型预测与真实标注之间的差异；
24、步骤3.4：通过反向传播算法和梯度下降优化器，根据损失函数的梯度信息更新模型的权重和偏置；
25、步骤3.5：迭代多次进行训练，直至模型收敛或达到预设的训练轮数。
26、步骤4：评估与优化模型：
27、步骤4.1：使用验证集对训练好的模型进行评估；
28、步骤4.2：计算模型的准确率、召回率和f1分数评估指标；
29、步骤4.3：根据评估结果对模型进行优化，包括调整网络结构、融合数据增强技术和修改超参数。
30、优选的，所述轮廓识别模型是一个判断停机坪是否可降落的二分类模型，其训练过程中采用的交叉熵损失函数为：
31、
32、其中，yi表示第i个样本的真实标签，值为0或1，表示模型对第i个样本的预测概率，n是总的样本数量，用此函数计算预测概率分布与真实标签分布之间的差异。
33、优选的，所述图像采集单元设置在无人机的底部，图像采集单元包括：
34、高清摄像头，其镜头朝向停机坪，用于捕捉停机坪的高清图像；
35、图像传感器，与高清摄像头相连接，用于将高清摄像头捕捉的光学图像转换为电信号；
36、图像处理电路，与图像传感器相连接，用于接收图像传感器的电信号，并将其转换为数字图像数据；
37、防抖装置，用于在无人机飞行过程中保持高清摄像头的稳定性；
38、数据传输接口，用于将数字图像数据传送给图像分析单元和图像接收模块，进行进一步处理。
39、优选的，所述图像预处理单元使用高斯滤波法消除图像中的噪声，通过将图像中每个像素的值替换为其邻域内像素值的加权平均数来消除噪声：
40、
41、式中，g(x,y)是在图像二维坐标(x,y)处的高斯函数值，x和y是二维空间中的坐标，σ是高斯分布的标准差，e是自然对数的底数，π是圆周率；
42、通过g(x,y)的计算规则对图像的每个像素点计算周围像素的加权平均灰度值，以该值来代替当前像素点的灰度值。
43、优选的，所述图像预处理单元进行图像增强的方式为：
44、使用sobel检测算子对图像进行卷积操作，计算每个像素点的梯度强度和方向；遍历图像中的每个像素点，比较其梯度强度与其梯度方向上邻近像素点的梯度强度，如果当前像素点不是局部最大值，则将其梯度强度设置为零，从而消除非标记的像素点，减少标记的伪影。
45、与现有技术相比，本发明的有益效果是：
46、通过定位标记模块在停机坪本体上设置具有独特标识的轮廓标记和定位标记，为无人机提供了精准的降落坐标信息。相较于传统的物理标记或人工操作方式，本发明的定位标记更具精准性和稳定性，有效降低了人为因素和环境因素对定位的影响。
47、机器学习模块采用深度学习技术训练图像识别模型，能够自动判断当前停机坪是否可降落，并获取精准的降落坐标信息，通过智能化的识别方式，不仅提高了作业效率，还减少了人为操作的错误率。
48、维护层的异常检测模块能够对停机坪进行障碍物检测和表面状况评估，及时发现并处理停机坪上的障碍物、表面损坏或污染等问题，有助于保障无人机的安全起降，降低事故风险。
1.一种无人机起降停机坪，其特征在于：
2.根据权利要求1所述的一种无人机起降停机坪，其特征在于：所述定位标记采用易于识别和区分的符号设计，包括使用特定的颜色、形状或图案组合，所述轮廓标记和定位标记在标记符号的边沿均设有夜航指示灯。
3.根据权利要求2所述的一种无人机起降停机坪，其特征在于：所述定位标记模块在停机坪本体上设置的定位标记为停机坪所在位置的经度和纬度值。
4.根据权利要求3所述的一种无人机起降停机坪，其特征在于，所述机器学习模块采用深度学习技术训练图像识别模型的具体步骤包括：
5.根据权利要求4所述的一种无人机起降停机坪，其特征在于：所述轮廓识别模型是一个判断停机坪是否可降落的二分类模型，其训练过程中采用的交叉熵损失函数为：
6.根据权利要求5所述的一种无人机起降停机坪，其特征在于，所述图像采集单元设置在无人机的底部，图像采集单元包括：
7.根据权利要求6所述的一种无人机起降停机坪，其特征在于，所述图像预处理单元使用高斯滤波法消除图像中的噪声，通过将图像中每个像素的值替换为其邻域内像素值的加权平均数来消除噪声：
8.根据权利要求7所述的一种无人机起降停机坪，其特征在于，所述图像预处理单元进行图像增强的方式为：
