1.一种基于无人机监测盲区数据补全的表面位移测量方法，其特征在于，具体方法如下：根据待测量边坡，预设规划测量航线；

控制无人机按预设规划测量航线飞行，无人机搭载的激光雷达扫描待测量边坡；

将激光雷达测量的边坡数据划分为若干窗口数据，将每个窗口数据输入诊断模型判定是否存在监测盲区；

若存在监测盲区，获取盲区范围，并标记对应窗口为盲区窗口；

调取盲区范围相邻的数据，联合盲区范围内的数据，一并构建补全数据集；

根据补全数据集，预测盲区范围的预测数据；

所述诊断模型为卷积神经网络模型，判定是否存在监测盲区，具体方法如下：求取所有窗口的平均数值，将每个窗口的每个数值根据大小转换为RGB值；

将每个窗口的若干RBG值输入卷积神经网络模型；

卷积神经网络模型输出是否存在监测盲区，以及监测盲区的区域；

所述补全数据集包括盲区范围边缘预设区域的相邻数据区域，以及删除盲区内数据后的空白区域；

预测盲区范围的预测数据，具体方法如下：

将空白的盲区全为若干行和若干列；

分别调取每行盲区左右最相邻的两个数值，以插值法填充盲区内每个空白数据格，填充的内容命名为行预测数据；

分别调取每行盲区上下最相邻的两个数值，以插值法填充盲区内每个空白数据格，填充的内容命名为列预测数据；

根据预测权重，加权行预测数据和列预测数据，获取盲区预测数据。

2.如权利要求1所述的基于无人机监测盲区数据补全的表面位移测量方法，其特征在于，所述无人机为四旋翼无人机，动力学模型如下：式中， 分别表示四旋翼无人机加速度， 分别表示四旋翼无人机滚转角、俯仰角和偏航角的加速度， 分别为表示四旋翼无人机滚转角、俯仰角和偏航角的速度，Ixx、Iyy、Izz分别表示四旋翼无人机绕坐标系三个坐标轴方向上的转动惯量，m为四旋翼无人机的质量，g为重力加速度；

其中：

式中，UL为总拉力，τx、τy、τz分别为绕机体轴三个方向上的转动力矩，ωi为四个螺旋桨的转速，l为螺旋桨中心到四旋翼无人机重心的距离，CT为推力系数，CM为反扭矩系数。

3.如权利要求1所述的基于无人机监测盲区数据补全的表面位移测量方法，其特征在于，控制无人机的具体方法如下：以下一时刻轨迹校正值Xc(k+1)修正下一时刻期望轨迹Xref(k+1)，获取下一时刻新的状态量Xe(k+1)；

以下一时刻新的状态量Xe(k+1)，通过优化求解当前时刻最优控制量U(k)；

将当前时刻最优控制量U(k)输入无人机状态预测模型，获取下一时刻无人机预测状态Xpre(k+1)；

以当前最优控制量U(k)控制四旋翼无人机，记录四旋翼无人机下一时刻的实际状态Y(k+1)；

根据下一时刻无人机预测状态Xpre(k+1)和下一时刻无人机实际状态Y(k+1)，再计算下下时刻轨迹校正值Xc(k+2)。

4.如权利要求3所述的基于无人机监测盲区数据补全的表面位移测量方法，其特征在于，当前时刻轨迹校正值Xc(k)、下一时刻期望轨迹Xref(k+1)、新的状态量Xe(k+1)、预测状态Xpre(k+1)和实际状态Y(k+1)均包括无人机状态属性，所述无人机状态属性包括：无人机位置坐标x、y、z，无人机速度 无人机加速度无人机姿态角 θ、ψ，姿态角速度 姿态角加速度

5.如权利要求4所述的基于无人机监测盲区数据补全的表面位移测量方法，其特征在于，优化求解当前时刻最优控制量U(k)，具体方法如下：以ω1、ω2、ω3、ω4作为优化变量，确定约束条件；

根据初始化优化变量U0(k)以及当前时刻的无人机实际状态Y(k)，计算下一时刻对应的预测状态属性计算该配置优化变量的适应度；

在约束条件内改变优化变量配置，重新计算改变后优化变量配置对应的适应度；

重复改变优化变量配置，以及计算对应的适应度，直到适应度小于预设目标或迭代次数完成；

选取适应度最小时，对应的ω1、ω2、ω3、ω4作为当前时刻最优控制量U(k)；

计算下一时刻对应的预测状态属性 具体方法如下：若下一时刻轨迹校正值|Xc(k+1)|

J＝|Xpre(k+1)‑Xref(k+1)|。

6.如权利要求4所述的基于无人机监测盲区数据补全的表面位移测量方法，其特征在于，所述无人机状态预测模型为BP神经网络模型，将无人机当前时刻的实际状态Y(k)以及当前时刻最优控制量U(k)输入训练好的BP神经网络模型，BP神经网络模型输出下一时刻无人机预测状态Xpre(k+1)。

7.如权利要求4所述的基于无人机监测盲区数据补全的表面位移测量方法，其特征在于，轨迹校正值计算公式为：Xc(k+1)＝Xpre(k)‑Y(k)

下一时刻新的状态量计算公式为：

Xe(k+1)＝Xref(k+1)+Xc(k+1)。

8.如权利要求1所述的基于无人机监测盲区数据补全的表面位移测量方法，其特征在于，所述预测权重获取方法如下：初始化所有盲区空白数据格的权重；

单独调整盲区每个空白数据格的权重，构建权重矩阵；

以权重矩阵加权行、列预测数据与盲区真实数据的差的绝对值作为评价指标；

选取绝对值最小的评价指标对应的权重矩阵作为预测权重。