1.一种基于图像识别和惯性导航的隧道无人机定位方法，其特征在于，包括以下步骤：

1)惯性导航：分析陀螺仪和加速度计获取的数据，并对数据进行预处理，从而推算隧道无人机的位置；

2)利用YOLOv5目标检测算法检测、记录隧道无人机飞行过程中出现的二维码标签；

3)对步骤2检测到的二维码标签进行模糊图像处理：采取伽马变换增强低灰度或高灰度细节，通过锐化加强图像边缘轮廓，并采取基于梯度决算的中值滤波方法进行降噪；

4)利用Zbar算法检测步骤3模糊图像处理后的二维码标签，对二维码信息进行识别，从而获得视觉定位数据；

5)通过首轮卡尔曼滤波校正，对惯性导航数据进行融合；

5.1)通过惯性导航传回的预处理数据计算出实际值Zk，计算表达式如下：Zk＝HXk+V(k)

式中，H为测量系统的参数矩阵，即缩放系数；Xk为惯性导航的实际量测值；V(k)为测量噪声序列；

5.2)基于系统之前的状态通过系统运动过程估计系统的当前状态，计算表达式如下：式中， 为k时刻位置的估计值，A为状态转移矩阵， 为k‑1时刻位置的估计值，Buk代表处理噪声；

5.3)计算先验估计的协方差矩阵，计算表达式如下：T

Pk＝APk‑1A+Q

式中，Pk为本周期的预测误差协方差阵，Pk‑1为上一周期的预测误差协方差阵，Q为过程噪声序列的方差阵；

5.4)通过当前状态先验估计及其协方差计算出卡尔曼滤波增益，计算表达式如下：T T ‑1

Gk＝PkH(HPkH+R)

式中，Gk为卡尔曼滤波增益，R为量测噪声序列的方差阵；

5.5)计算实际值Zk和先验状态即预测值 的差别，从而得到最优状态估计 计算表达式如下：

5.6)更新最优估计值的误差协方差矩阵Pk’，计算表达式如下：Pk’＝(1‑GkH)Pk

5.7)更新后的最优估计值的误差协方差矩阵Pk’，能够用于下一时刻的位置计算，计算方式如步骤5.1～5.5所示；

6)通过次轮卡尔曼滤波校正，对二维码定位数据和惯性导航数据进行融合；

6.1)通过识别到的二维码信息计算出实际值Zk，计算表达式如下：Zk＝HXk+V(k)

式中，H为测量系统的参数矩阵，即缩放系数；Xk为二维码信息的实际量测值；V(k)为测量噪声序列；

6.2)将k时刻首轮卡尔曼滤波融合得到的最优状态估计作为k‑1时刻位置的估计值，估计系统的当前状态，计算表达式如下：式中， 为k时刻位置的估计值，A为状态转移矩阵， 为k‑1时刻位置的估计值，Buk代表处理噪声；

6.3)计算先验估计的协方差矩阵，计算表达式如下：T

Pk＝APk‑1A+Q

式中，Pk为本周期的预测误差协方差阵，Pk‑1为上一周期的预测误差协方差阵，Q为过程噪声序列的方差阵；

6.4)通过当前状态先验估计及其协方差计算出卡尔曼滤波增益，计算表达式如下：T T ‑1

Gk＝PkH(HPkH+R)

式中，Gk为卡尔曼滤波增益，R为量测噪声序列的方差阵；

6.5)计算实际值Zk和先验状态即预测值 的差别，从而得到最优状态估计 计算表达式如下：

6.6)更新最优估计值的误差协方差矩阵Pk’，计算表达式如下：Pk’＝(1‑GkH)Pk

6.7)更新后的最优估计值的误差协方差矩阵Pk’，能够用于下一时刻的位置计算，计算方式如步骤6.1～6.5所示。

2.根据权利要求1所述的一种基于图像识别和惯性导航的隧道无人机定位方法，其特征在于：步骤1中，通过板载计算机处理陀螺仪和加速度计获取的数据，综合出隧道无人机的运动曲线，从而得到隧道无人机的实时位置坐标，以及隧道无人机距离隧道口的实时距离s，实时距离s的计算公式如下：式中，(xi,yi)为隧道无人机当前的位置坐标，(xi‑1,yi‑1)为隧道无人机前一取样时刻的位置坐标，隧道口为坐标原点。

3.根据权利要求1所述的一种基于图像识别和惯性导航的隧道无人机定位方法，其特征在于：步骤3中，所述基于梯度决算的中值滤波方法选用Sobel模板来计算图像中每一个点的梯度。

4.一种基于图像识别和惯性导航的隧道无人机定位系统，其特征在于：所述无人机定位系统应用了权利要求1～3中任一项所述的无人机定位方法，所述无人机定位系统包括无人机、二维码标志、摄像头、陀螺仪、加速度计、板载计算机以及后台管理系统；

所述二维码标志用于隧道内定位，隧道内每隔一百米设有一个发光的二维码标志；

所述摄像头用于拍摄二维码标志以及隧道内的视频信息；

所述加速度计用于测量无人机的加速度，所述陀螺仪用于测量无人机的偏转角度；

所述板载计算机用于处理惯性导航与视觉导航获取的数据，所述板载计算机与后台管理系统通信连接，所述板载计算机能将处理后的数据传递给后台管理系统；

所述后台管理系统用于控制与导航无人机在隧道内的巡检线路；

所述摄像头、陀螺仪、加速度计和板载计算机均安装在无人机上。