1.一种基于无人机的隧道超欠挖分析方法，其特征在于，包括步骤：无人机响应于第一信号，飞行至预设的采集位置；在所述采集位置处，无人机上搭载的结构光源向隧道的掌子面和洞壁表面投射结构光；所述无人机左侧搭载的双目相机对所述隧道内结构光的投射处进行拍摄，获取第一图像对，所述无人机右侧搭载的双目相机对所述隧道内结构光的投射处进行拍摄，获取第二图像对；所述第一图像对和第二图像对输入到视差生成网络，由所述视差生成网络对所述第一图像对和第二图像对进行双目匹配，并生成视差图；所述视差生成网络的输入为所述第一图像对和第二图像对，输出为所述视差图；所述视差生成网络的匹配代价构建通过特征相关性计算： ；其中， 表示匹配代价， 为畸变矫正转化后的像素坐标， 为所述第一图像对内的深层特征， 为所述第二图像对内的深层特征， 为候选视差， 为特征图通道维度索引；所述视差生成网络通过3D卷积聚合代价并回归视差值，损失函数 为： ；其中， 为平滑系数， 为网络计算输出的视差图， 为视差真值；对所述视差图进行后处理：首先对所述视差图进行特征点提取，所述特征点提取后，进行特征点匹配，用匹配好的特征点集合计算稀疏视差，将所述稀疏视差作为所述视差图的真值，对所述视差图进行矫正；基于所述视差图生成隧道开挖的点云图，将所述点云图与所述隧道的设计轮廓进行对比，获取所述隧道内的超欠挖区域体积；对每个点云重建点 ，计算其到设计曲面的符号距离 ： ；其中， 表示基于三维坐标 的隐式方程， 表示所述隐式方程的梯度，当 时为超挖区域； 为欠挖区域；对超挖或欠挖区域分别进行体素化积分得到超欠挖区域体积 ： ；其中， 为体素分辨率， 为超挖或欠挖区域体素集合。
2.根据权利要求1所述的基于无人机的隧道超欠挖分析方法，其特征在于，所述第一信号来自所述隧道内的工序视频分析装置，所述工序视频分析装置设置在所述隧道的侧壁上，所述工序视频分析装置用于分析在掌子面的施工工序，当所述工序视频分析装置感知到所述掌子面爆破且清渣完成后，识别出对所述隧道的施工工法，及台阶长度和高度信息，并将该信息作为所述第一信号发送至所述无人机。
3.根据权利要求1所述的基于无人机的隧道超欠挖分析方法，其特征在于，在已开挖完成的所述隧道内，预设至少三个基准点，基于所述基准点来确定所述无人机自身位置定位需要的控制点，所述基准点在所述隧道的三维空间中均匀分布，多个所述基准点中，至少有一个所述基准点与其他所述基准点不在同一个平面上，所述无人机自身定位利用其后侧的至少三个所述控制点坐标，结合共线方程计算自身绝对坐标及姿态角，动态调整自身位置到所述采集位置处。
4.根据权利要求1所述的基于无人机的隧道超欠挖分析方法，其特征在于，所述双目相机成像模型的内参矩阵K定义为： ；其中， 分别为双目相机在x方向和y方向上的焦距， 为双目相机的主点坐标；先将原像素坐标(u，v)转化为相机坐标（ ， ）： ；对所述相机坐标（ ， ）进行畸变矫正，得到矫正后的坐标（ ， ），畸变矫正公式为： ；其中，r为中间数， ，k 1 、k 2 为径向畸变系数，p 1 、p 2 为切向畸变系数；再将校正后的相机坐标（ ， ）转化回图像坐标系： ；其中， 和 为畸变矫正后第一图像对和第二图像对内的像素坐标；畸变矫正转化后的像素坐标 与原像素坐标 满足： ；其中，H为单应性矩阵。
5.根据权利要求4所述的基于无人机的隧道超欠挖分析方法，其特征在于，所述视差图中，某像素点的视差值d与深度值 满足三角测量公式： ；其中， 为焦距， 为双目基线距离；结合所述相机内参K中的参数 ，将畸变矫正转化后的像素坐标 及所述视差值转换为三维坐标 ： 。
6.根据权利要求1所述的基于无人机的隧道超欠挖分析方法，其特征在于，所述无人机搭载的前视相机，在爆破清渣结束、支护施作之前，近距离采集掌子面高清晰图像，用于掌子面岩石完整程度、岩性及风化程度、出水情况地质关键参数的分析。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述隧道超欠挖分析方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述隧道超欠挖分析方法的步骤。
