CN119672566A - 一种基于无人机的高速公路积水检测预警方法 - Google Patents

Abstract

本发明公开了一种基于无人机的高速公路积水检测预警方法；属于路面积水检测技术领域；其实施过程为：四旋翼无人机起飞后，通过相机、红外热成像仪、激光雷达等先进传感器设备，实时获取高速公路路面的积水情况；然后采用PO算法进行高速公路积水位置检测的最优航迹规划；采用YOLOv8算法对采集的高速公路图像中的积水进行分类识别，并用iRMB注意力模块作为特征提取器。四旋翼无人机搭载相机进行图像数据采集，系统结合无人机的高机动性和快速响应能力，实现对高速公路积水的快速检测、定位和预警；可提高高速公路运营管理水平和突发事件应急处置能力，为高速公路运营管理单位提供安全保障。

Description

一种基于无人机的高速公路积水检测预警方法

技术领域

本发明属于路面积水检测的技术领域，涉及了一种基于无人机的高速公路积水检测预警方法。

背景技术

无人机技术的成熟：无人机技术经过多年的发展，已经具备了较高的稳定性、续航能力和智能化水平。无人机能够携带各种传感器和设备，进行高空、长距离、高清晰度的拍摄和监测。

高速公路管理的需求：高速公路作为交通运输的重要基础设施，其安全性和畅通性至关重要。然而，暴雨、洪水等自然灾害往往导致高速公路积水，严重影响行车安全。因此，对高速公路积水进行及时、准确的检测预警显得尤为重要。

传统检测手段的局限：传统的积水检测方法如人工巡查、地面传感器等，存在效率低、覆盖范围有限、易受干扰等问题。而无人机技术则能够克服这些局限，实现高效、准确的积水检测。

发明内容

针对上述问题，本发明目的是提出了一种基于无人机的高速公路积水检测预警方法。

本发明的技术方案是：本发明所述的一种基于无人机的高速公路积水检测预警方法，基于四旋翼无人机搭载激光雷达和相机得以实现，其实施步骤如下：

步骤1：无人机选型：选择适合高速公路巡检的无人机，确保无人机具备稳定的飞行性能和高清的图像采集能力；

传感器集成：为无人机配备高精度的水位传感器，以便实时监测水位变化；

地图和路线规划：根据高速公路的地理特点和积水易发区域，规划无人机的飞行路线和巡检点；

步骤2：无人机起飞：按照预定的飞行路线和巡检点，无人机自主起飞并执行巡检任务；

实时监测：无人机搭载的水位传感器实时监测高速公路上的积水情况，同时无人机的高清摄像头拍摄积水区域的图像；根据PO算法完成对积水检测的航迹规划；

数据传输：无人机将实时监测到的水位数据和图像信息实时传输至地面控制站或数据中心；

步骤3：数据接收：地面控制站或数据中心接收无人机传输的数据；

数据分析：利用计算机视觉和深度学习算法对接收到的图像信息进行分析，识别出积水区域的位置、范围和积水深度；

预警判断：根据分析结果，结合预设的预警阈值，判断是否需要发布积水预警；

优化算法：采用YOLOv8算法对采集的高速公路图像中的积水进行分类识别，并用iRMB注意力模块作为特征提取器；

步骤4：预警发布：一旦判断需要发布积水预警，通过短信、显示屏等渠道发布预警信息；

应急响应：驾驶员根据预警信息迅速启动应急响应机制，采取必要的管制措施，确保本身安全。

进一步的，步骤(1)中的激光雷达完成对高速公路积水区域进行数据采集，其具体方法为：选择适合道路积水检测的激光雷达系统，该系统应具备高灵敏度、高分辨率和实时数据处理能力；确保激光雷达系统配备有双回波或多回波模式，以便更准确地测量积水深度；构建数字模型，然后根据PO算法完成对高速公路积水情况的航迹规划。

进一步的，关于无人机航迹规划的目标函数设定，要考虑到飞行高度、俯仰角度、转弯角度的约束，

目标函数可以表示为：

f＝p₁f₁+p₂f₂+p₃f₃

式中，f₁、f₂、f₃分别表示为航程代价、威胁代价、高度代价；通过调整p₁、p₂、p₃来调整目标函数的权重；

航程代价：考虑到UAV的燃料限制，更短的航程意味着无人机可以在燃料消耗完毕之前完成任务；航程代价函数f₁可以表示为：

式中，||l_el_e+1||表示第e个飞行节点和第e+1个飞行节点之间的距离；S表示总飞行节点数；

威胁代价：无人机在工作时要躲避存在的障碍物；威胁代价函数f₂定义为：

式中，d_e是第e个飞行节点的危险度；

高度代价：为令无人机安全飞行，避免与地面发生碰撞要和地面保持一定安全距离，且飞行高度不能超过最大飞行高度的限制；将高度代价函数g₃定义为：

式中，p₁和p₂为比例函数；

飞行高度约束：无人机飞行时，考虑到安全性和相关空域规定，要对其飞行高度进行限制，设定最大飞行高度和最小飞行高度分别为h_max和h_min,飞行高度应该满足：

h_min≤h≤h_max

俯仰角度约束：设置最大俯仰角为γ_max，飞行俯仰角度应该满足：-γ_max≤γ≤γ_max，飞行角度计算公式为：

转弯角度约束：无人机在转角过程中转弯角度应尽可能平滑，不能超过其本身允许的最大转弯角度β_max，转弯角度公式如下：

f₁＝(x_e-x_e-1)(x_e+1-x_e)+(y_e-y_e-1)(y_e+1-y_e)

(x_e,y_e,z_e)和(x_e+1,y_e+1,z_e+1)分别表示无人机飞行航机的第e和第e+1个航迹节点。

进一步的，PO算法共有四个阶段：

第1阶段：在PO算法中，在前三次迭代中，同时执行探索操作和开发操作，直到在相变阶段完成初始化；即：

式中，Sep_Cost的可变值与开采和勘探的每个阶段有关，Sep_Time也是一个常数值的变量，常规是1；PF1和PF2都是具有固定值的参数，这些参数必须在优化过程之前设置，用于对f1和f2函数中的每一个进行优先级排序；

第2阶段：在这个阶段，使用三个不同的函数f1、f2和f3进行评分；

第一个功能强调升级部分，并导致勘探和开发的两个阶段中的一个阶段的优先顺序，这两个阶段的选择和执行都比其他阶段更好；第一个功能更加强调勘探阶段；

式中，和表示基于探索阶段或开发阶段的第一个函数的量，其中t表示当前迭代次数；和是当前选择中改进之前的最佳解决方案的成本；另一方面，和是改进当前选择后获得的最佳解决方案的成本；T_t ^explore和T_t ^exploit是从上一个选择到当前选择的未选择迭代次数；PF1是一个用户可调整的参数，在进行优化操作之前，必须将其设置为0到1之间的值；此参数决定第一个函数的重要性；并且随着该函数的值的增加而被优先化，并且随着其优先级的降低而减小；

第二个函数还强调谐振分量，并导致相位比其他优先相位表现得更好，良好的性能按顺序进行检查和测量；因此，该功能可以帮助开发阶段对其进行选择；

第3阶段：无人机随机跳到搜索空间中搜索积水；首先，整个种群按升序排序，然后用下列公式改进其解决方案：

If rand₁＞0.5,Z_i,G＝R_Dim*(Ub-Lb)+Lb

Otherwise

Z_i,G＝X_a,G+G.(X_a,G-X_b,G)+G.(((X_a,G-X_a,G)-(X_c,G-X_d,G))+((X_c,G-X_d,G)-(X_e,G-X_f,G)))

G＝2.rand₂-1

式中，Ub和Lb是问题的下界和上界，R_Dim是在0和1的范围内随机生成的数字，并且在问题的维度上；rand1也是一个在0和1之间随机生成的数字；X_aG、X_bG、X_cG、X_dG、X_eG和X_fG是整个群体中的解，这些解是随机选择的面；G使用第二个公式计算；

其中，rand2是在0和1之间均匀分布的随机生成的数；根据上式，选择两个方程中的一个来产生不同的解，然后应用生成的新解来改进当前解；

第4阶段：

在开发阶段，PO算法利用两种不同的算子来改进，使用该行为的以下等式进行模拟的；

以上所示公式显示了PO中使用的两种策略；考虑到在美洲狮中，为了在第一种模式下狩猎，在开发阶段，为了奔跑和伏击策略，使用了公式中的情况，进行该操作用无人机来模拟美洲狮向猎物的快速奔跑。

进一步的，所述步骤(3)中使用YOLOv8算法对公路图像中的积水进行分类识别由于集水面积较小不易察觉且形状不规则，由于iRMB的特征提取能力较强，可以有效地提取目标的特征，同时提高鲁棒性和检测精度；具体步骤如下：

第1步：收集积水区域的公路图像，并进行标注，标记积水区域的边界框；

第2步：对图像中的积水区域进行精确标注，通常标注为矩形框；

第3步：对图像进行数据增强，提高模型的泛化能力；

第4步：选择YOLOv8作为基础模型，并加载预训练权重；

第5步：在YOLOv8的特征提取网络中引入iRMB模块，增强模型对积水特征的学习能力。

进一步的，所述YOLOv8是一种先进的目标检测框架，其核心是一个深度卷积神经网络，用于直接从输入图像中预测目标的类别和位置；

YOLOv8的架构可以分为三个主要部分：输入层、特征提取层和检测层；输入层的主要任务是对输入的图像数据进行预处理，以便于后续的网络处理；这包括对图像进行缩放以适应网络输入尺寸的要求，以及归一化处理以减少光照变化和颜色偏差对模型的影响；

特征提取层是YOLOv8的核心，负责从预处理过的图像中提取有用的特征；这一层通常由多个卷积层组成，每个卷积层都会应用一组滤波器来提取特定类型的特征，如边缘、纹理或更复杂的图案；随着网络层次的加深，提取的特征从简单到复杂逐渐过渡，形成一个从浅层到深层的特征层次结构；

检测层是YOLOv8的最后一个部分，负责将特征提取层提取的特征转化为具体的检测结果；这一层使用一系列卷积层来预测目标的边界框、类别和置信度；YOLOv8采用了锚框(Anchor Box)机制来预测边界框的位置和尺寸，同时使用类别特定的置信度分数来评估检测结果的可靠性；最终，通过非极大值抑制(Non-Maximum Suppression，NMS)处理来去除重叠的检测，确保每个目标只被检测一次。

进一步的，所述反向残差注意力模块(iRMB)是在增强模型对关键特征的学习能力，特别是在复杂背景或多目标场景中；iRMB的设计融合了残差学习和注意力机制，以提高网络对飞机特征的识别和响应能力；iRMB的结构可以表示为：

IRMB(x)＝ReLU(x+λ.F(x,{W_i}))

式中，x是输入特征，F(x,{W_i})是应用于x的一系列卷积操作，w是卷积层的权重集合，λ是一个可学习的缩放参数，用于调节残差部分的贡献；

在iRMB中，F代表了一个包含注意力机制的残差块；这个残差块的设计可以进一步细化为:

F(x,{W_i})＝W₃*σ(W₂*ReLU(W₁*x))

式中，*表示卷积操作，W₁、W₂、W₃分别是不同卷积层的权重,σ是Sigmoid激活函数，用于实现注意力机制。

在iRMB中,注意力机制的作用是重点强调输入特征中与飞机检测相关的部分；这通过Sigmoid激活函数实现，该函数生成一个介于0和1之间的注意力图，用于加权输入特征；

具体的，注意力图是通过学习输入特征的全局分布来生成的，可以表示为：

A(x)＝σ(W_A*x)

式中，A(x)是生成的注意力图，W_A是学习到的注意力权重；

iRMB的引入使得网络能够更加有效地关注于对飞机检测任务至关重要的特征；通过结合残差学习和注意力机制，iRMB不仅提高了特征的表达能力，还增强了网络对于复杂背景和多目标环境中飞机特征的识别能力；此外，iRMB的设计还考虑了计算效率，确保了模型在提高性能的同时，不会过度增加计算负担。

本发明的有益效果是：系统结合无人机的高机动性和快速响应能力，实现对高速公路积水的快速检测、定位和预警；可提高高速公路运营管理水平和突发事件应急处置能力，为高速公路运营管理单位提供安全保障；基于无人机的高速公路积水检测预警方法提高积水检测的效率和准确性、增强预警的及时性和有效性、保障交通安全和减少损失及提升应急管理水平。

附图说明

图1是本发明的操作流程图。

具体实施方式

下面结合具体实例对本发明的具体技术方案做进一步的详细说明。

如图所示，本发明所述的一种基于无人机的高速公路积水检测预警方法，是基于四旋翼无人机搭载激光雷达和相机(大疆action4相机)得以实现，其实施过程为：四旋翼无人机起飞后，通过相机、红外热成像仪、激光雷达等先进传感器设备，实时获取高速公路路面的积水情况；然后采用PO算法进行高速公路积水位置检测的最优航迹规划；并采用YOLOv8算法对采集的高速公路图像中的积水进行分类识别，并用iRMB注意力模块作为特征提取器；搭载相机采集高速公路图像数据，然后对其进行分类识别；四旋翼无人机搭载相机进行图像数据采集；

S1、选择适合道路积水检测的激光雷达系统，该系统应具备高灵敏度、高分辨率和实时数据处理能力；确保激光雷达系统配备有双回波或多回波模式，以便更准确地测量积水深度；

构建数字模型，然后根据PO算法完成对高速公路积水情况的航迹规划；

S2、根据PO算法完成对高速公路积水位置的路径规划；PO算法中无人机一共有4个阶段：

第1阶段：在PO算法中，在前三次迭代中，同时执行探索操作和开发操作，直到在相变阶段完成初始化：

式中，SeqCost的可变值与开采和勘探的每个阶段有关，SeqTime也是一个常数值的变量，常规取1；PF1和PF2都是具有固定值的参数，这些参数必须在优化过程之前设置，用于对f1和f2函数中的每一个进行优先级排序；

第2阶段：在这个阶段，使用三个不同的函数f1、f2和f3进行评分；第一个功能强调升级部分，并导致勘探和开发的两个阶段中的一个阶段的优先顺序，这两个阶段的选择和执行都比其他阶段更好；

第一个功能更加强调勘探阶段；

式中，和表示基于探索阶段或开发阶段的第一个函数的量，其中t表示当前迭代次数；和是当前选择中改进之前的最佳解决方案的成本；另一方面，和是改进当前选择后获得的最佳解决方案的成本；T_t ^explore和T_t ^exploit是从上一个选择到当前选择的未选择迭代次数；PF1是一个用户可调整的参数，在进行优化操作之前，必须将其设置为0到1之间的值；此参数决定第一个函数的重要性；并且它随着该函数的值的增加而被优先化，并且随着其优先级的降低而减小；第二个函数还强调谐振分量，并导致相位比其他优先相位表现得更好；良好的性能按顺序进行检查和测量；因此，该功能可以帮助开发阶段对其进行选择；

第3阶段：无人机随机跳到搜索空间中搜索积水；首先，整个种群按升序排序，然后用下列公式改进其解决方案：

If rand₁＞0.5,Z_i,G＝R_Dim*(Ub-Lb)+Lb

Otherwise

Z_i,G＝X_a,G+G.(X_a,G-X_b,G)+G.(((X_a,G-X_a,G)-(X_c,G-X_d,G))+((X_c,G-X_d,G)-(X_e,G-X_f,G)))

G＝2.rand₂-1

式中，Ub和Lb是问题的下界和上界，R_Dim是在0和1的范围内随机生成的数字，并且在问题的维度上；rand1也是一个在0和1之间随机生成的数字；X_aG、X_bG、X_cG、X_dG、X_eG和X_fG是整个群体中的解，这些解是随机选择的面；G使用第二个公式计；其中rand2是在0和1之间均匀分布的随机生成的数；根据上式，选择两个方程中的一个来产生不同的解，然后应用生成的新解来改进当前解；

第4阶段：

在开发阶段，PO算法利用两种不同的算子来改进，使用该行为的以下等式进行模拟的：

以上所示公式显示了PO中使用的两种策略；考虑到在美洲狮中，为了在第一种模式下狩猎，在开发阶段，为了奔跑和伏击策略，使用了公式中的情况，进行该操作使无人机模拟美洲狮向猎物的快速奔跑；

第1步：构建高速公路地形模型；

第2步：根据无人机自身条件(电池、负载等)来确定无人机航迹规划的约束条件；

第3步:对收集到的数据进行清洗、去噪、校正，确保数据的准确性；

第4步：利用预处理的数据，对算法模型进行训练，包括参数调优、特征选择等；

第5步：将训练好的算法模型综合到无人机中，如算法加载、传感器校准；

第6步：根据PO算法四个阶段，寻找最优路径，改进或重新规划航迹；

第7步：输出最终采集到的数据，对其进行处理和分析，保证航迹规划的有效性；

S3、积水识别原理：

从平面图象上来看，水平面的特点是灰度比较浅，轮廓比较光滑；但在实际应用中，由于受泥尘、光照等因素的影响，仅依据灰度或轮廓特征难以精确提取出水平面；因此，将这两种方法相结合，以提高对积水点的识别和提取精度；利用MATLAB软件对积水区域进行图像灰度化、二值化运算，实现了积水区域的自动识别，并能对积水区域进行较精确的定位；

图像灰度化：一幅灰阶影像是由一组资料矩阵组成，该矩阵的数值代表灰阶的深度，通常在[0、255]、白的255、黑的0；为了更好地反映水体的灰度特性，需要对采集到的彩色图像作灰度化处理；

图像灰度变化：在此基础上，提出了一种基于灰度变换的目标识别方法；MATLAB工具包中的imadju函数可以完成这个运算，其通用文法为g＝imadjust(f,[lowin,highin],[lowout,highout])；这个函数把原始图片中低于255*highout的灰度设定成低输出，而超过255*highout高的则高输出；

图像二值化：二值化的目标就是为了减少冗余的数据，从而得到更清晰的图像特征；选取合适的阈值对图像进行二值化处理非常重要，其结果将直接影响图像的质量；其中，积水点的识别需要较高的速度与准确性；

传统的平均法，设定门限值的效果都不理想，而双峰法和迭代法则需要较长的运算时间，所以在决定门限时，要凭经验选取以下方法：

式中,T为所求阈值，MAX为待处理图像矩阵的最大值，MIN为待处理图像矩阵中的最小值。

图像降噪：采用均值滤波，可有效平滑脉冲噪声，同时保护图像尖锐的边缘，使图像更加清晰完整；均值滤波是一种直接在图像空间域上进行平滑处理的技术，MATLAB工具箱中imdilate函数可实现该操作；这种处理减小了图像灰度的尖锐变化，在含有噪声的数字图像中，噪声可以看成是灰度级的尖锐变化，因此用平滑的方法可以减弱噪声；

S4、积水的判定：

统计连通域形状特征：计算连通域的椭圆率e、密实度C和面积A；

其中，椭圆率和密实度定义为：

式中，I_max表示与区域具有相同标准二阶中心距的椭圆长轴长度；I_min表示与区域具有相同标准二阶中心距的椭圆短轴长度；A表示连通域面积；

判定条件：根据积水形状特征，为e、C、A选择合适的阈值T_e、T_C、T_A,根据下式判断连通域R是否为积水面积；

式中，A_total表示图像的总面积，T_total为非积分连接域占图像总面积比例的阈值；第一个判别条件的作用是消除路面标线的影响，路面存在标线时，除标线外的路面区域都会被二值化提取出，就会导致运算量的加大，所以通过连通域面积和图像总面积A_total的对比，消除标线的影响，提高运算速度；

S5、使用YOLOv8算法对公路图像中的积水进行分类识别由于集水面积较小不易察觉且形状不规则，由于iRMB的特征提取能力较强，可以有效地提取目标的特征，同时提高鲁棒性和检测精度；

第1步：收集积水区域的公路图像，并进行标注，标记积水区域的边界框；

第2步：对图像中的积水区域进行精确标注，通常标注为矩形框；

第3步：对图像进行数据增强，提高模型的泛化能力；

第4步：选择YOLOv8作为基础模型，并加载预训练权重；

第5步：在YOLOv8的特征提取网络中引入iRMB模块，增强模型对积水特征的学习能力。

反向残差注意力模块(iRMB)，旨在增强模型对关键特征的学习能力，特别是在复杂背景或多目标场景中；iRMB的设计融合了残差学习和注意力机制，以提高网络对飞机特征的识别和响应能力；iRMB的结构可以表示为：

IRMB(x)＝ReLU(x+λ.F(x,{W_i}))

式中，x是输入特征，F(x,{W_i})是应用于x的一系列卷积操作，w是卷积层的权重集合，λ是一个可学习的缩放参数，用于调节残差部分的贡献；

在iRMB中，F代表一个包含注意力机制的残差块；这个残差块的设计可以进一步细化为：

F(x,{W_i})＝W₃*σ(W₂*ReLU(W₁*x))

式中，*表示卷积操作，W₁、W₂、W₃分别是不同卷积层的权重,σ是Sigmoid激活函数，用于实现注意力机制；

在iRMB中,注意力机制的作用是重点强调输入特征中与飞机检测相关的部分；这通过Sigmoid激活函数实现，该函数生成一个介于0和1之间的注意力图，用于加权输入特征；

具体的，注意力图是通过学习输入特征的全局分布来生成的，可以表示为：

A(x)＝σ(W_A*x)

式中，A(x)是生成的注意力图，W_A是学习到的注意力权重；

iRMB的引入使得网络能够更加有效地关注于对飞机检测任务至关重要的特征；通过结合残差学习和注意力机制，iRMB不仅提高了特征的表达能力，还增强了网络对于复杂背景和多目标环境中飞机特征的识别能力；此外，iRMB的设计还考虑了计算效率，确保了模型在提高性能的同时，不会过度增加计算负担；

S6：结合iRMB的YOLOv8算法具体步骤为：

第1步：无人机红外热成像仪采集路面图像；

第2步：根据PO算法完成对无人机的航迹规划；

第3步：采用YOLOv8作为基础网络结构；

第4步：采用YOLOv8算法对采集的高速公路图像中的积水进行分类识别，并用iRMB注意力模块作为特征提取器；

第5步：使用YOLOv8算法的神经网路结构，对输入输出图像进行训练；

第6步：对积水进行识别及判定；

第7步：输出特征图像；

S7、预警方式设计：

电子地图预警：在远程服务器完成无人机采集到的高速道路影像后，利用无人机拍摄的道路影像中包含的地理位置信息，在远程服务器上标记出对应的路段，并用红色的线段标记出有积水的路段，从而向驾驶员发出警告，让驾驶员注意驾驶；

电子显示屏预警：在高速公路入口处或者是积水多发的地方，安装电子显示屏，在电子显示屏上显示出路面积水的情况，警告司机该路段有积水会引起危险，并警告司机注行车安全特别是在下雨后司机警惕性不高的情况下，使用电子显示屏更加直观。

短信提示预警：

“社区短消息”是指在特定地域和特定时段，向特定的用户发送特定的短信息的增值业务；蜂窝短消息中的小区划分可以由用户根据业务需求及网络状况决定；以“社区短信”的方式，将道路积水的情况通知尚未到达的乘客提升他们的行车警觉性，起到预警作用。

Claims (10)

1.一种基于无人机的高速公路积水检测预警方法，其特征在于，实施步骤如下：

步骤(1)：无人机选型：选择适合高速公路巡检的无人机，确保无人机具备稳定的飞行性能和高清的图像采集能力；

步骤(2)：无人机起飞：按照预定的飞行路线和巡检点，无人机自主起飞并执行巡检任务；

步骤(3)：数据接收：地面控制站或数据中心接收无人机传输的数据；

步骤(4)：预警发布：一旦判断需要发布积水预警，通过短信及显示屏的渠道发布预警信息。

2.根据权利要求1所述的一种基于无人机的高速公路积水检测预警方法，其特征在于，在步骤(1)中，所述高清图像采集能力方式为：

传感器集成：为无人机配备高精度的水位传感器，实时监测水位变化；

地图和路线规划：根据高速公路的地理特点和积水易发区域，规划无人机的飞行路线和巡检点；

另外，所述完成对高速公路积水区域进行数据采集的具体方式为：

选择适合道路积水检测的激光雷达系统，确保激光雷达系统配备有双回波或多回波模式，测量积水深度；

构建数字模型，然后根据PO算法完成对高速公路积水情况的航迹规划。

3.根据权利要求1所述的一种基于无人机的高速公路积水检测预警方法，其特征在于，在步骤(1)中，关于无人机航迹规划的目标函数设定，要根据飞行高度、俯仰角度及转弯角度的约束，

目标函数表示为：

f＝p₁f₁+p₂f₂+p₃f₃

式中，f₁、f₂、f₃分别表示为航程代价、威胁代价、高度代价；通过调整p₁、p₂、p₃来调整目标函数的权重；

航程代价：

根据UAV的燃料限制，更短的航程表示无人机可在燃料消耗完毕之前完成任务；航程代价函数f₁表示为：

式中，||l_el_e+1||表示第e个飞行节点和第e+1个飞行节点之间的距离；S表示总飞行节点数；

威胁代价：

无人机在工作时要躲避存在的障碍物，威胁代价函数f₂定义为：

式中，d_e是第e个飞行节点的危险度；

高度代价：

为令无人机安全飞行，且飞行高度不能超过最大飞行高度的限制；将高度代价函数g₃定义为：

式中，p₁和p₂为比例函数；

飞行高度约束：

无人机飞行时，考虑到安全性和相关空域规定，对其飞行高度进行限制，设定最大飞行高度和最小飞行高度分别为h_max和h_min,飞行高度应满足：

h_min≤h≤h_max

俯仰角度约束：

设置最大俯仰角为γ_max，飞行俯仰角度应该满足：-γ_max≤γ≤γ_max，飞行角度计算公式为：

转弯角度约束：

无人机在转角过程中转弯角度应平滑，不能超过其本身允许的最大转弯角度β_max，转弯角度公式如下：

f₁＝(x_e-x_e-1)(x_e+1-x_e)+(y_e-y_e-1)(y_e+1-y_e)

式中，(x_e,y_e,z_e)和(x_e+1,y_e+1,z_e+1)分别表示无人机飞行航机的第e和第e+1个航迹节点。

4.根据权利要求1所述的一种基于无人机的高速公路积水检测预警方法，其特征在于，在步骤(2)中，所述无人机自主起飞并执行巡检任务为：

实时监测：无人机搭载的水位传感器实时监测高速公路上的积水情况，同时无人机的高清摄像头拍摄积水区域的图像；根据PO算法完成对积水检测的航迹规划；

数据传输：无人机将实时监测到的水位数据和图像信息实时传输至地面控制站或数据中心。

5.根据权利要求4所述的一种基于无人机的高速公路积水检测预警方法，其特征在于，所述PO算法共有四个阶段：

第1阶段：在PO算法中，在前三次迭代中，同时执行探索操作和开发操作，直到在相变阶段完成初始化；即：

式中，Sep_Cost的可变值与开采和勘探的每个阶段有关，Sep_Time是一个常数值的变量，取值1；PF1和PF2均是具有固定值的参数，这些参数须在优化过程之前设置，用于对f1和f2函数中的每一个进行优先级排序；

第2阶段：在这个阶段，使用三个不同的函数f1、f2和f3进行评分；第一个功能强调升级部分，并导致勘探和开发的两个阶段中的一个阶段的优先顺序；

第一个功能更加强调勘探阶段；即：

式中，和表示基于探索阶段或开发阶段的第一个函数的量，其中t表示当前迭代次数；和是当前选择中改进之前的最佳解决方案的成本；另一方面，和是改进当前选择后获得的最佳解决方案的成本；和是从上一个选择到当前选择的未选择迭代次数；PF1

是一个用户可调整的参数，在进行优化操作之前，须将其设置为0到1之间的值；

此参数决定第一个函数的重要性；且随着该函数的值的增加而被优先化，并且随着其优先级的降低而减小；第二个函数还强调谐振分量，并导致相位比其他优先相位表现得好；良好的性能按顺序进行检查和测量；

第3阶段：无人机随机跳到搜索空间中搜索积水；

首先，整个种群按升序排序，然后用下列公式改进其解决方案：

If rand₁＞0.5,Z_i,G＝R_Dim*(Ub-Lb)+Lb

Otherwise

Z_i,G＝X_a,G+G.(X_a,G-X_b,G)+G.(((X_a,G-X_a,G)-(X_c,G-X_d,G))+((X_c,G-X_d,G)-(X_e,G-X_f,G)))

G＝2.rand₂-1

式中，Ub和Lb是问题的下界和上界，R_Dim是在0和1的范围内随机生成的数字，且在问题的维度上；rand1也是一个在0和1之间随机生成的数字；X_aG、

X_bG、X_cG、X_dG、X_eG和X_fG是整个群体中的解，这些解是随机选择的面；G使用第二个公式计算；其中rand2是在0和1之间均匀分布的随机生成的数；根据上式，选择两个方程中的一个来产生不同的解，然后应用生成的新解来改进当前解；

第4阶段：在开发阶段，PO算法利用两种不同的算子来改进，使用该行为的以下等式进行模拟；即：

以上所示公式显示了PO中使用的两种策略；考虑到在美洲狮中，为在第一种模式下狩猎，在开发阶段，为奔跑和伏击策略，使用公式中的情况，进行该操作用无人机来模拟美洲狮向猎物的快速奔跑。

6.根据权利要求1所述的一种基于无人机的高速公路积水检测预警方法，其特征在于，在步骤(3)中，所述接收无人机传输的数据具体是：

数据分析：利用计算机视觉和深度学习算法对接收到的图像信息进行分析，识别出积水区域的位置、范围和积水深度；

预警判断：根据分析结果，结合预设的预警阈值，判断是否需发布积水预警；

优化算法：采用YOLOv8算法对采集的高速公路图像中的积水进行分类识别，并用iRMB注意力模块作为特征提取器。

7.根据权利要求6所述的一种基于无人机的高速公路积水检测预警方法，其特征在于，使用YOLOv8算法对公路图像中的积水进行分类识别，由于iRMB的特征提取能强，在提取目标的特征的同时提高鲁棒性和检测精度；其具体步骤如下：

第1步：收集积水区域的公路图像，并进行标注，标记积水区域的边界框；

第2步：对图像中的积水区域进行精确标注，通常标注为矩形框；

第3步：对图像进行数据增强，提高模型的泛化能力；

第4步：选择YOLOv8作为基础模型，并加载预训练权重；

第5步：在YOLOv8的特征提取网络中引入iRMB模块，增强模型对积水特征的学习能力。

8.根据权利要求7所述的一种基于无人机的高速公路积水检测预警方法，其特征在于，所述YOLOv8是一个深度卷积神经网络；

其架构分为三个部分：输入层、特征提取层和检测层；

所述输入层的任务是对输入的图像数据进行预处理，包括对图像进行缩放以适应网络输入尺寸的要求，及归一化处理以减少光照变化和颜色偏差对模型的影响；

所述特征提取层是YOLOv8的核心，负责从预处理过的图像中提取有用的特征；这一层由多个卷积层组成，每个卷积层都会应用一组滤波器来提取特定类型的特征；随着网络层次的加深，提取的特征从简单到复杂逐渐过渡，形成一个从浅层到深层的特征层次结构；

所述检测层是负责将特征提取层提取的特征转化为具体的检测结果；这一层使用一系列卷积层来预测目标的边界框、类别和置信度；

YOLOv8采用锚框机制预测边界框的位置和尺寸，同时使用类别特定的置信度分数来评估检测结果的可靠性；最终，通过非极大值抑制处理来去除重叠的检测，确保每个目标只被检测一次。

9.根据权利要求7所述的一种基于无人机的高速公路积水检测预警方法，其特征在于，所述iRMB模块融合了残差学习和注意力机制，以提高网络对飞机特征的识别和响应能力；iRMB模块的结构表示为：

IRMB(x)＝ReLU(x+λ.F(x,{W_i}))

式中，x是输入特征，F(x,{W_i})是应用于x的一系列卷积操作，w是卷积层的权重集合，λ是一个可学习的缩放参数，用于调节残差部分的贡献；

在iRMB模块中，F代表一个包含注意力机制的残差块；这个残差块细化为：

F(x,{W_i})＝W₃*σ(W₂*ReLU(W₁*x))

式中，*表示卷积操作，W₁、W₂、W₃分别是不同卷积层的权重,σ是Sigmoid激活函数，用于实现注意力机制；

另外，在iRMB模块中,注意力机制的作用是强调输入特征中与飞机检测的部分；其通过Sigmoid激活函数实现，该函数生成一个介于0和1之间的注意力图，用于加权输入特征；

具体的，注意力图是通过学习输入特征的全局分布生成的，表示为：

A(x)＝σ(W_A*x)

式中，A(x)是生成的注意力图，W_A是学习到的注意力权重。

10.根据权利要求1所述的一种基于无人机的高速公路积水检测预警方法，其特征在于，在步骤(4)中，所述预警发布信息具体是：

应急响应：驾驶员根据预警信息迅速启动应急响应机制，采取必要的管制措施，确保本身安全。