0 引 言
随着电力系统规模的不断发展壮大，输电线路的运维和检修工作也越来越重要。无人机设备广泛应用于长距离输电线路巡检作业中。然而，输配电系统通常建设在森林、高山等地势复杂地带，因此无人机不仅会受到输电系统自身结构设计的干扰，也会受到复杂多变的外界环境影响［1］。而野外低空空域中无人机的主要障碍物包括树木、电力线塔与电线杆三类。巡线过程中遇到的不同障碍物，无人机需要做出相应的避让措施。因此，准确识别上述巡线过程中常见障碍物是保障无人机实现可靠规避的关键。
目前，在障碍物识别技术上，国内外主要依赖于视觉传感器、激光雷达传感器以及多传感器融合的技术。唐友军等［2］提出的方法是基于图像的低空无人机障碍物检测，利用改进的YOLOv5算法，通过优化位置回归损失函数和引入改进的注意力机制，提升了障碍物检测的精度和位置回归的准确性。然而，该方法对图像质量要求严格，在恶劣天气或光线条件差的情况下，对电力线这类细小目标的识别效果仍存在不足。宋谱怡等［3］基于视觉传感器进行目标分类，提出了一种改进的YOLOv5s算法。该方法通过引入压缩-激励模块（SENet）和双锥台特征融合（BFF）结构，增强网络的特征提取能力，并将完全交并比（Complete Intersection over Union，CIoU）替换为损失函数，提升了边界框回归速率和定位精度。实验结果表明，改进后的YOLOv5s算法在平均精度（mAP）上达到了86.3%，虽然在复杂背景下无人机图像目标检测的性能有所提升，但仍受到恶劣环境的限制。另外，刘岚等［4］基于激光雷达进行目标分类，采用了机器学习算法对点云数据进行自动分类。通过这种方法，实现了对输电线路及其周围环境的精确分类和建模。尽管该方法在障碍物检测和分类的准确性上取得了显著效果，但基于激光雷达传感器的方法面临数据处理量庞大、点云利用率低等问题，且挂载的激光雷达体积大、重量大，严重影响无人机的灵敏性［5］；樊轶伦等［6］基于毫米波雷达和深度相机进行目标分类。使用了基于深度学习的MinkUNet模型进行自动分类和分割，结合毫米波雷达数据，通过贝叶斯概率更新和占位栅格地图的方法进行环境建模和障碍物检测。实验结果表明，该方法显著提高了小目标（如树枝和导线）的检测信噪比，检测误差在0.5 m内，满足无人机巡检的要求。尽管该方法显著提高了小目标（如树枝和导线）的检测信噪比，但在实际应用中数据的实时性及多传感器协同配合的复杂性也带来了一定的技术挑战。
综上所述，目前电力巡线过程中的障碍物识别技术在面对复杂环境时仍存在诸多不足，而毫米波雷达作为一种新兴传感器技术，具有抗干扰能力强、全天候工作等优势，可以有效弥补视觉传感器和激光雷达的不足。因此，本文聚焦于毫米波雷达，旨在通过基于毫米波雷达的障碍物分类算法，提高无人机巡线过程中障碍物检测的准确性和鲁棒性，从而保障输电线路巡检工作的顺利进行。
1 障碍物分类方法整体框架
本文基于毫米波雷达传感器，提出一种有利于无人机巡线过程中对常见的主要障碍物（如树木、电力线以及电力塔）进行检测并分类的方法。如图1所示，该图展示了本研究障碍物分类方法的完整过程。首先，通过接收雷达发射的线性调频信号的回波信号形成包含距离、速度和角度信息的雷达数据立方体，并提取目标的距离-速度及距离-方位角的多普勒（Doppler）响应。接着，在特征提取阶段，应用奇异值分解（Singular Value Decomposition, SVD）和灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM），从各Doppler响应中提取奇异向量特征和纹理特征。随后，使用蛇鹭优化算法（Secretary Bird Optimization Algorithm, SBOA）对支持向量机（Support Vector Machine, SVM）进行参数优化。该算法包括初始化、捕猎和逃避3个阶段优化SVM参数。初始化阶段设置初始参数和种群，生成包含多个候选解的种群，这些候选解分别对应不同的SVM参数组合，如核参数C和γ。捕猎阶段通过增强种群多样性和采用Levy飞行分布在全局和局部搜索之间平衡，优化搜索过程。该阶段通过评估每个候选解的适应度函数（通常为交叉验证误差），并利用种群间的信息交流更新参数。逃避阶段模拟蛇鹭的逃避行为，通过环境隐藏和大范围跳跃策略，增加个体位置更新的多样性，防止陷入局部最优解。最后，SBOA迭代更新SVM参数组合，使得优化后的SVM能够在多维特征空间中实现对障碍物的高效分类。
图1 整体框架流程图
2 毫米波雷达信号处理
2.1 毫米波雷达基本原理简述
本研究通过提取障碍物的Doppler响应特征进行目标分类。其中，毫米波雷达的基本信号处理为Doppler响应的准确提取奠定了理论基础。毫米波雷达是一种利用电磁波进行高精度目标探测和测量的设备，通过发射电磁波并接收其回波来测量目标与雷达之间的距离。常用的信号形式是线性调频连续波（Linear Frequency-Modulated Continues Wave, LFMCW）［7-8］，数学模型为
式中，A表示信号的振幅，f0表示起始频率，S表示频率调制的斜率，t表示时间。当电磁波遇到目标并反射回来时，雷达接收信号中会产生频率偏移，具体表达式为
式中，c为光速（约等于3×108 m/s）。距离分辨率与系统带宽B直接相关，公式为
系统的最大可测距离与模数转换器的采样频率有关，其关系可表示为
这表明，提高采样频率可以增加最大可测距离，但也要求更高的系统带宽和处理能力。
啁啾（Chirp）信号通常会以一定的重复时间发送，多个线性调频脉冲堆叠形成雷达帧。通过分析相位随时间的变化（从一个Chirp到下一个Chirp的相位变化），可以测量目标的速度［9］。具体公式为
式中，fd为多普勒频移，λ为信号波长。雷达发送至少两个间隔时间Tc的线性调频脉冲，经过距离傅里叶变换后，每个线性调频脉冲将在相同位置但具有不同相位的峰值。
测角方面，本研究采用多信号分类（Multiple Signal Classification, MUSIC）算法进行高分辨率方位角估计。该算法通过对接收信号的协方差矩阵进行特征值分解，将信号空间划分为信号子空间和噪声子空间。首先，对接收天线阵列收集到的数据进行预处理，包括去除直流分量和归一化处理，以确保不同信号间的幅度差异不会影响后续分析的准确性。然后，计算接收信号的协方差矩阵。协方差矩阵R的计算公式为
式中，x（n）表示接收信号，N表示快拍数，xH（n）表示x（n）的共轭转置。接着，对协方差矩阵R进行特征值分解，获得特征值及对应的特征向量。根据特征值的大小，将特征向量划分为信号子空间和噪声子空间。噪声子空间由较小特征值对应的特征向量构成。最后，通过构建MUSIC谱函数，并在假设的角度上进行搜索以寻找谱函数的峰值［10］。MUSIC谱函数定义为
式中，α（θ）表示方向矢量，θ表示待估计的角度。谱函数的峰值位置对应的角度即为目标的方位角。
2.2 Doppler特征提取
2.2.1 基于SVD的距离-速度Doppler特征提取
在雷达信号处理中，目标距离-速度Doppler的提取是一个关键步骤，其能够有效地分辨出运动目标并估计其距离和速度［11］。本研究通过快速傅里叶变换（Fast Fourier Transform, FFT）处理距离维度数据，从而生成初步的距离-速度Doppler图像。整个FFT过程中对每条数据采用Hamming窗函数进行加权处理，以减小频谱泄漏的影响，并执行速度FFT变换。
为了增强目标信号，对所有的数据进行相干积累，生成相干积累后的距离-速度Doppler图像。3种目标的距离-速度Doppler图像如图2所示。
图2 3种目标的距离-速度Doppler图像
图2展示了电力线、电力塔和树木在距离-速度Doppler图像中的表现。图2（a）中的电力线显示为较为分散的点状反射信号，显示出细长和信号较弱的特点，且信号在距离轴上分布较广。图2（b）中的电力塔回波信号呈现为一个集中的亮斑，显示出其结构大和反射强的特点，且信号在距离轴上非常集中。图2（c）中树木回波信号在距离轴上较强且延伸较长，反映出树木结构复杂、反射多样的特性。
在特征提取的过程中，采用奇异值分解方法具有显著优势。其能够有效降维，保留距离-速度Doppler数据的主要特征，并压缩数据量，减少计算复杂度。通过忽略较小的奇异值去除噪声，提高信号的信噪比［12］。此外，奇异值分解提取的特征具有良好的可解释性，便于后续分析和应用。这些优势使奇异值分解成为处理和分析复杂雷达数据的理想选择。
本研究从雷达回波数据中提取距离-速度信息，并将其构建为二维矩阵。此矩阵的每一行代表不同的距离单元，而每一列则代表不同的速度单元。通过对距离-速度Doppler数据应用奇异值分解来提取特征，对构建的距离-速度矩阵进行奇异值分解，如式（8）所示。
式中：A是原始距离-速度矩阵；U是左奇异向量矩阵，包含了距离维度的信息；S是对角矩阵，包含了奇异值，表示数据在不同奇异向量方向上的能量；V是右奇异向量矩阵，包含了速度维度的信息。
为了简化特征空间并保留主要信息，本研究选择前两个奇异值及其对应的奇异向量。将该奇异值作为特征维度并进行绘制，其结果如图3和图4所示。
图3 左奇异向量特征
图4 右奇异向量特征
在特征空间中，电力线、电力塔和树木差异显著。电力线的特征点在左特征向量图中分布较为分散，而在右特征向量图中则主要集中在右侧，密集度中等且存在一定的离散点。电力塔的特征点在两个图中的分布都较为集中，尤其是在右特征向量图中，与电力线有明显的重叠，显示出强聚集性和高密集度。相比之下，树木的特征点在左特征向量图中分布较为分散，在右特征向量图中主要集中在右侧，且密集度较低。这些分布和密集度的差异性有助于在特征空间中有效区分这3种目标，从而进行更准确的分类和分析。
2.2.2 基于GLCM的目标距离-角度Doppler特征提取
距离-方位角Doppler图像在雷达信号处理中的作用至关重要。它不仅能够提供目标的距离和方位角信息，还能反映目标的运动特性，为后续的目标识别、分类提供丰富的特征数据。通过高精度的距离-方位角Doppler图像，可以实现对复杂环境中多目标的精确检测和分辨，提升雷达系统的整体性能。距离-方位角Doppler图像结合了目标的距离、速度和方位角信息，使得其能够在三维空间中对目标进行全面分析［13］。这种综合信息对于准确识别和分类目标至关重要。例如，在多目标环境中，不同目标可能具有相似的距离和速度特征，但通过方位角信息，可以有效区分这些目标。3种目标的距离-方位角Doppler图像如图5所示。
图5 3种目标的距离-方位角Doppler图像
图5展示了电力线、电力塔和树木在距离-方位角Doppler图像中的表现。其中，图5（a）显示了电力线的回波信号，其特征是一个窄且明确的亮斑，集中在特定的距离和方位角范围内，表明电力线的位置清晰且回波信号较弱。图5（b）展示了电力塔的回波信号，特征为一个强度更高且更集中的亮斑，反映出电力塔的结构较大且具有强反射特性，信号在距离和方位角轴上都非常集中。图5（c）中树木的回波信号表现为分散的亮斑，信号在距离和方位角轴上都有显著的扩展，表明树木的结构复杂且反射特性多变。这些图像通过展示不同目标在距离和方位角上的独特特征，为目标分类和识别提供了重要依据。
在本研究中，通过灰度共生矩阵（GLCM）方法对雷达数据中的距离-方位角Doppler图像进行特征提取。GLCM是一种用于描述图像纹理的统计方法，通过计算图像中灰度级别的联合概率分布来反映图像的纹理特征［14］。本研究选择偏移方向［0 1］、［-1 1］、［-1 0］和［-1 -1］作为GLCM的计算方向，旨在提供图像纹理的多样性描述。这4个方向代表了水平、对角线和垂直方向上的灰度关系，能够捕捉不同方向上的纹理特征，帮助识别图像中的结构和模式。
通过上述方式，对于归一化后的数据构建4个方向的GLCM。其公式如下：
式中，i和j是灰度级别，d是距离，θ是方向，I（p,q）是图像在位置（p,q）处的灰度值，Δp和Δq是相应方向上的偏移量。
基于计算得到的GLCM，提取以下4种纹理特征：对比度（Contrast）、相关性（Correlation）、能量（Energy）和均匀性（Homogeneity）。这些特征反映了图像的不同纹理属性。
1） 对比度（Contrast）：反映了图像中像素灰度级别的对比强度，定义为
2） 相关性（Correlation）：描述了灰度级别间的线性关系，定义为
式中，μi和μj是灰度级别的均值，σi和σj是灰度级别的标准差。
3） 能量（Energy）：反映了图像中纹理模式的均匀性，定义为
4） 均匀性（Homogeneity）:描述了灰度级别对角线附近的元素分布，定义为
将上述4种纹理特征在4个方向上的计算结果进行组合，形成特征向量。这些特征向量能够有效地描述目标距离-方位角Doppler图像的纹理特性，为后续的目标分类和识别提供重要依据。图6分别展示GLCM特征提取后的结果。其中，图6（a）~图6（c）分别展示各目标的4种特征：均匀性、对比度、相关性和能量。4种颜色分别表示4个偏移方向：［0 1］（蓝色）、［-1 1］（橙色）、［-1 0］（黄色）和［-1 -1］（紫色）。
图6 GLCM提取特征
电力线、电力塔和树木在不同特征上的表现存在显著差异。对于对比度和能量，电力线和电力塔在偏移方向［0 1］上的值较高，而树木在所有偏移方向上的对比度和能量值相对较低。相关性在所有目标的所有偏移方向上均较高。对于均匀性，所有目标在所有偏移方向上的值均较高且相似。这些差异表明，GLCM特征在区分不同类型的目标方面具有显著的潜力。
3 基于蛇鹭优化的SVM多目标分类
蛇鹭优化算法（SBOA）是一种新提出的元启发式优化算法，其灵感来源于蛇鹭（Secretary Bird）的捕猎行为。蛇鹭是一种非洲大草原的猛禽，以其独特的捕猎策略和高效的捕食能力著称。SBOA模拟了蛇鹭在捕猎和逃避捕食者时的行为，以实现全局优化［15］。该算法主要分为初始化、捕猎和逃避3个阶段。整体流程图如图7所示。
图7 SBOA算法流程图
1） 初始化阶段
在初始化阶段，算法通过在解空间内随机生成初始种群来启动优化过程。假设种群大小为N，每个个体的维度为D，种群中的每个个体Xi, j表示一个可能的解，其初始化方式如下：
式中，i=1,2,…,N, j=1,2,…,D, Lj和Uj分别为第j个维度的下界和上界，ϕ为介于0和1之间的均匀分布随机变量。初始化阶段确保种群覆盖整个搜索空间，为后续的优化过程打下基础。
2） 捕猎阶段
捕猎阶段是算法的核心部分，分为3个子阶段：搜索猎物阶段、接近猎物阶段和攻击猎物阶段。
搜索猎物阶段，蛇鹭在广阔区域内随机搜索猎物。算法通过随机选择两个个体，并在其之间进行插值来更新个体位置：
式中，Xi为当前个体，Xr1和Xr2为随机选择的两个个体，α为均匀分布随机变量。此阶段的主要目的是增加种群的多样性，避免过早陷入局部最优解。
接近猎物阶段，算法通过全局最优位置和当前个体位置的指数衰减函数来更新个体位置：
式中，Best为当前全局最优位置，t为当前迭代次数，T为最大迭代次数，β为均匀分布随机变量。此阶段通过逐步缩小搜索范围，提高了搜索精度。
攻击猎物阶段，蛇鹭迅速接近并捕获猎物。算法使用Levy飞行分布更新个体位置，以增加探索的多样性：
式中，CF=
为缩放因子，Levy（D）为Levy飞行分布。Levy飞行分布是一种具有重尾性质的随机过程，能够在局部细致搜索和全局大范围跳跃之间取得平衡。
3） 逃避阶段
逃避阶段模拟蛇鹭在感知到威胁时的逃避行为，主要分为两种策略：利用环境隐藏和逃跑。
蛇鹭在利用环境隐藏时，个体位置更新时考虑局部扰动和环境的随机性：
式中，γ为均匀分布随机变量，此策略通过局部扰动增强了算法的局部搜索能力，同时保持了一定的随机性以防止陷入局部最优。
逃跑时，蛇鹭迅速远离威胁源，通过随机选择其他个体的位置进行更新：
式中，Xθ表示随机选择的个体，κ和δ表示均匀分布随机变量。此策略通过大范围的跳跃行为，使得个体能够快速逃离局部最优区域。
在上述过程的每次迭代中，算法都会更新当前种群中的全局最优解。通过持续更新全局最优解，算法逐步逼近最优解。当达到最大迭代次数或找到满意的解时，算法终止。
SBOA结合随机搜索、局部探索和全局探索3种策略，提高了优化过程的平衡性和全局搜索能力。搜索猎物阶段通过增强种群多样性扩展搜索范围，接近猎物阶段逐步缩小搜索范围，攻击猎物阶段利用Levy飞行分布在局部和全局搜索之间取得平衡，避免陷入局部最优解。逃避阶段通过模拟蛇鹭的逃避行为，采用环境隐藏和大范围跳跃策略，增加个体位置更新的多样性，提升全局搜索能力和算法稳定性。SBOA通过自适应调整搜索范围和强度，在高维、多峰和非线性问题中表现出色。在本文中，毫米波雷达信号处理和特征提取提供了高质量的基础数据，使得SVM能够进行有效的多目标分类。SBOA通过对SVM参数的优化，进一步提升了分类的准确性和稳定性。综上，SBOA凭借多阶段捕猎策略、Levy飞行分布和逃避策略，实现了高效的全局优化，这些特点使得SBOA在优化SVM模型参数时，能够充分利用雷达信号处理和特征提取所提供的数据，显著提升无人机对电力线、电力塔和树木等障碍物的分类准确性。
4 实 验
4.1 实验数据
本实验的数据采集工作均在室外环境进行。实验使用德州仪器生产的IWR6843ISK毫米波雷达，其俯仰角为±16°，水平角为±80°，可实现50 m内的目标检测。为模拟无人机动态采集过程，采集过程中均使用滑杆给雷达硬件产生0.5~2 m/s的速度。实验采集不同场景、角度、距离下数据样本共计1 363组，其中电力线461组，电力塔470组，树木432组。所采集的雷达信号，每一帧信号周期为100 ms，含有128个Chirp，由于接收信号的Chirp间的差别很小，因此选择以帧为单位进行特征提取，采集过程中设置信噪比为15 dB。
如第2节所述，本文选取了目标回波所产生的距离-速度Doppler及距离-方位角Doppler的6种特征，包括SVD分解后的左特征向量、右特征向量，基于GLCM提取的4种纹理特征，包括对比度、相关性、能量和均匀性。特征名称如表1所示。
表1 特征名称表
特征编号1 2 3 4 5 6特征名称左特征向量右特征向量对比度相关性能量均匀性
为避免较大数字特征对较小数字特征产生支配作用，因此分别将这些特征进行归一化处理。模型训练中，70%作为训练集，30%作为验证集。
4.2 评价指标
为客观评估分类结果，本研究中使用了以下4个评价指标来评估分类结果的性能：准确率（Accuracy，Acc）、灵敏度（Sensitivity，Sen）、阳性预测值（Positive Predictive Value，PPV）和F1分数（F1）［16］。这些指标的计算公式如下：
其中：TP（True Positive）为真正例，表示正确分类为正类的样本数量；TN（True Negative）为真反例，表示正确分类为负类的样本数量；FP（False Positive）为假正例，表示错误分类为正类的样本数量；FN（False Negative）为假反例，表示错误分类为负类的样本数量。式（20）Acc是分类器正确分类样本的比例，反映了分类器的总体性能；式（21）Sen，又称为召回率（Recall），是指在所有实际为正类的样本中，被正确分类为正类的比例，Sen衡量了分类器识别正类样本的能力；式（22）PPV，又称为精确率（Precision），是指在所有被分类为正类的样本中，实际为正类的比例，PPV衡量了分类器预测为正类的样本中有多少是真正例；式（23）F1是精确率和召回率的调和平均数，综合考虑了分类器的精确率和召回率，F1分数在处理类别不平衡的数据集时尤为重要。
通过以上4个评价指标的综合分析，可以全面评估分类器在不同方面的性能，从而选择出最优的分类器模型。
4.3 实验结果对比分析
除本文第3节所述的基于蛇鹭优化的参数调优方法，实验还选用基础SVM以及目前较为经典的麻雀优化算法（Sparrow Search Algorithm，SSA）进行结果对比分析。3种方式预测结果混淆矩阵如图8~图10所示。
图8 基础SVM预测结果混淆矩阵
从图8~图10可以看出，SBOA优化SVM的分类性能优于基础SVM和SSA优化的SVM。具体来说，在图8中，基础SVM在电力线（0）和电力塔（1）分类上有较多的误分类；在图9中，SSA优化SVM在电力线分类上有所改善，但在电力塔分类上仍有误分类现象；相比之下，图10显示了SBOA优化SVM在各类别上的分类性能明显提升，误分类的数量显著减少，电力线和电力塔的分类准确性都有所提高。
图9 SSA优化SVM预测结果混淆矩阵
图10 SBOA优化SVM预测结果混淆矩阵
图11展示了基础SVM、SSA优化SVM和SBOA优化SVM在100次迭代中的损失函数值变化情况。从图中可以看出，经过SBOA优化的SVM模型在100次迭代中的损失函数值最低且最稳定，表明其分类性能优于基础SVM和SSA优化的SVM模型。这验证了SBOA优化算法在提高分类准确性和稳定性方面的有效性。
图11 基础SVM和SBOA、SSA优化SVM的性能对比
为比较不同信噪比对模型分类正确率的影响，实验选取-10~50 dB信噪比下分别进行200次蒙特卡洛（Monte Carlo）实验，并比较分类结果的平均准确率。平均准确率定义为
式中，J为不同信噪比条件下的实验次数，N为每个信噪比条件下的测试迭代次数，Accj, i表示在第j次实验中第i次测试的分类准确率。实验结果如图12所示。
图12 不同信噪比下各模型的平均准确率
图12展示了基础SVM和SSA优化、SBOA优化SVM在不同信噪比下的平均准确率。在信噪比低于10 dB的情况下，SBOA优化SVM的表现接近于SSA模型，但在信噪比达到15 dB后，SBOA优化SVM在分类准确率方面相较其他模型具有显著的性能提升，表现出更优异的性能并保持稳定。综上，SBOA优化SVM能够在较高信噪比下有效提升分类精度。
各模型分类结果的评价如表2所示。
表2 各模型分类结果对比
分类模型Acc基础SVM 0.833 SSA优化SVM 0.855 SBOA优化SVM标签电力线（0）电力塔（1）树木（2）电力线（0）电力塔（1）树木（2）电力线（0）电力塔（1）树木（2）0.894 Sen 0.783 0.787 0.938 0.862 0.773 0.938 0.891 0.858 0.938 PPV 0.824 0.755 0.930 0.821 0.813 0.938 0.891 0.852 0.938 F1 0.803 0.771 0.934 0.841 0.793 0.938 0.895 0.855 0.938
表2对比了基础SVM、SSA优化SVM和SBOA优化SVM三种模型在电力线、电力塔和树木分类任务中的性能，使用了4个评价指标：准确率（Acc）、灵敏度（Sen）、阳性预测值（PPV）和F1分数（F1）。从表2中可以清晰地看到，SBOA优化SVM模型在所有类别上的性能都优于基础SVM和SSA优化SVM。具体表现为：SBOA优化SVM的整体准确率为0.894，相较于SSA优化SVM的0.855和基础SVM的0.833都有显著提升；在电力线和电力塔分类上的灵敏度分别为0.891和0.858，均高于SSA和基础SVM模型；在所有类别上的阳性预测值均优于其他两种模型；在电力线和电力塔分类上的F1分数分别为0.895和0.855，同样高于其他模型。相比曹瀚文等［17］的方法，本文的方法在准确率上均有所提升，表现出了较好的电力线识别能力。
总的来说，SBOA优化SVM在电力线、电力塔和树木的分类任务中表现出更高的准确性和稳定性，进一步验证了SBOA算法在优化SVM模型参数方面的有效性。
5 结束语
本文提出的基于毫米波雷达的无人机障碍物分类方法，通过综合利用雷达信号处理、特征提取以及SBOA对支持向量机的优化，实现了对电力线、电力塔和树木等障碍物的高效分类。实验结果表明，SBOA在参数优化方面显著优于基础SVM和SSA，在提高分类准确性和稳定性方面表现出色。具体来说，利用SVD提取距离-速度Doppler特征和GLCM提取距离-方位角Doppler纹理特征，使得分类模型能够有效捕捉不同障碍物的独特特征。SBOA通过其多阶段捕猎策略和逃避行为，进一步提升了分类模型的性能，使其在面对高维、多峰和非线性问题时具备较强的适应性和鲁棒性。本文的方法为无人机在复杂环境中识别障碍物提供了一种新的解决方案，具有广泛的应用前景。未来的研究可以进一步结合其他传感器数据，进一步提升分类精度，并验证其在实际无人机巡检任务中的实用性。
［1］ 梁华贵，许义，朱先启，等.基于毫米波雷达的输电线路线树测距系统［J］.电气技术与经济，2019（4）:16-18.
［2］ 唐友军，缪存孝，张贺，等.基于位置约束与注意力的低空无人机障碍物检测方法［J］.北京航空航天大学学报，2025，51（3）:933-942.
［3］ 宋谱怡，陈红，苟浩波.改进YOLOv5s的无人机目标检测算法［J］.计算机工程与应用，2023，59（1）:108-116.
［4］ 刘岚，吴新桥，李彬，等.基于物联网的无人机智能巡线路径规划方法［J］.电网与清洁能源，2024，40（3）:78-83.
［5］ MA Qirong, GOSHI D S, SHIH Y C, et al.An Algorithm for Power Line Detection and Warning Based on a Millimeter-Wave Radar Video［J］.IEEE Trans on Image Processing, 2011, 20（12）:3534-3543.
［6］ 樊轶伦，陈蕾，张本科，等.基于多传感器的无人机配电网架空线路自主巡检和姿态控制［J］.电测与仪表，2024，61（8）:186-194.
［7］ 戚浩楠，郑卓鸣，陈佳浩，等.基于77GHz毫米波雷达与工业相机的目标检测与精度分析［J］.电子元器件与信息技术，2023，7（1）:19-24.
［8］ 区汉东.基于毫米波雷达与视觉信息融合的目标追踪方法研究［D］.西安：长安大学，2023.
［9］ 柳景斌，王泽民，吕轩凡，等.低成本毫米波雷达的室内自定位方法［J］.武汉大学学报（信息科学版），2023，48（9）:1399-1408.
［10］ 肖易，何梓君，李荣冰.一种4D毫米波雷达高分辨角度估计方法［J］.测控技术，2024，43（6）:61-68.
［11］ YANIK M E, RAO S.Radar-Based Multiple Target Classification in Complex Environments Using 1D-CNN Models［C］//2023 IEEE Radar Conference, San Antonio, TX,USA:IEEE,2023:1-6.
［12］ 郑震，严迎建，刘燕江.基于SVD和MLP的多分类能量信息泄漏评估方法［J/OL］.华中科技大学学报（自然科学版），2024:1-8［2024-07-03］.https://doi.org/10.13245/j.hust.250876.
［13］ 磨良升，晋良念.一种车载毫米波TDM-MIMO雷达高精度成像方法［J］.雷达科学与技术，2023，21（5）:581-590.
［14］ 周易，卢延荣.基于模糊共生网络的SAR遥感场景分类［J］.遥感信息，2023，38（6）:103-109.
［15］ FU Youfa, LIU Dan, CHEN Jiadui, et al.Secretary Bird Optimization Algorithm: A New Metaheuristic for Solving Global Optimization Problems［J］.Artificial Intelligence Review, 2024, 57（5）:10729.
［16］ LAMANE M,TABAA M, KLILOU A.Classification of Targets Detected by mmWave Radar Using YOLOv5［J］.Procedia Computer Science, 2022, 203:426-431.
［17］ 曹瀚文.基于毫米波雷达的无人机障碍物分类技术研究［D］.哈尔滨：哈尔滨工业大学，2020.