1.基于无线传感器网络的地下管廊检测方法，其特征在于：步骤一、在地下管廊中设置汇聚节点和n个普通节点；遍历所有的普通节点；确定各普通节点的邻居节点数量；测量各普通节点向自身对应的所有邻居节点传输数据所需的时长；将0赋值给轮数r；

步骤二、计算每个普通节点的簇适应度；第i个普通节点簇适应度T(i)的表达式如下：其中，α为第一加权因子；β为第二加权因子；α+β＝1；p为期望的簇头节点占所有节点的比重，0＜p≤0.2；S(i)E为第i个普通节点的剩余能量；E(i)max为第i个普通节点的初始能量；Nei(i)Num为第i个普通节点的邻居节点数量；round(1/p)为1/p的四舍五入所得整数；

mod(r,round(1/p))表示以round(1/p)为周期的离散函数，mod(r,round(1/p))表达式如下：其中，v＝

0,1,2,…；

将n个普通节点按照簇适应度从大到小的顺序进行排列，前a个普通节点作为簇头节点，其余普通节点作为非簇头节点；簇头数a的表达式如下：a个簇头节点对应a个簇；所有非簇头节点分别加入距离自身最近的簇头节点对应的簇；若一个非簇头节点是对应簇头节点的邻居节点，则该非簇头节点为单跳节点；若一个非簇头节点不是对应簇头节点的邻居节点，则该非簇头节点为多跳节点；

单跳节点的信息传输路径为直接传输给对应的簇头节点；多跳节点的信息传输路径为先传输给中继节点，再由中继节点传输给对应的簇头节点；中继节点为距离对应多跳节点到簇头节点连线最近的单跳节点；

步骤三、建立以汇聚节点为坐标原点、管廊长度方向为X轴方向、管廊宽度方向为Y轴方向的平面直角坐标系；对a个簇头节点依次进行排序；将1赋值给j；

步骤四、若汇聚节点位于第j个簇头节点的传输范围内，则第j个簇头节点的信息传输路径为直接传输给汇聚节点，并直接进入步骤七；

若汇聚节点位于第j个簇头节点的通讯范围外，则确定位于目标中继范围内的各簇头节点坐标；目标中继范围为以平面直角坐标系坐标原点及第j个簇头节点为两个角，长度方向平行于平面直角坐标系X轴的矩形范围；

确定m条以第j个簇头节点为起点、汇聚节点为终点的待定传输路径；待定传输路径内簇头节点及汇聚节点均作为待定传输路径的单位节点；待定传输路径中后一个单位节点位于前一个单位节点的传输范围内；将1赋值给k；

步骤五、对第j个簇头节点对应的第k条待定传输路径内Nk个单位节点沿数据传输方向依次进行排序；

计算第j个簇头节点对应的第k条待定传输路径的链路选择因子LSI(k)；

其中，SCHE(q)为第k条待定传输路径内第q个单位节点的剩余能量；Cost(q,q+1)为指第q-1个单位节点向第q个单位节点之间传输L大小的数据时所消耗的能量，Cost(q,q-1)的表达式如下：其中，L为普通节点单次传输的平均数据大小，L等于2000bits或4000bits；Eelec为第q个单位节点每发送1bit信息所消耗的能量；d(q,q+1)为第k条待定传输路径内第q个单位节点与第q+1个单位节点之间的距离；εfs＝10pJ/bit/m2，εmp＝0.0013pJ/bit/m4；临界值计算传输时延DELAY(k)如下式，其中，t(q,q+1)为第k条待定传输路径内第q个单位节点向第q+1个单位节点发送数据所需的时长；

计算第k条待定传输路径的链路性能LP(k)＝0.7×LSI(k)+0.3×DELAY(k)；之后进入步骤六；

步骤六、若k＜m，则将k增大1并重复执行步骤五，否则进入步骤七；

步骤七、对比m条待定传输路径链路性能的大小；链路性能最小的那条待定传输路径作为第j个簇头节点的信息传输路径；进入步骤八；

步骤八、若j＜a，则将j增大1并重复执行步骤四至七，否则，进入步骤九；

步骤九、所有簇头节点及非簇头节点进行三分钟的检测后；各个簇内的非簇头节点将自身检测到的数据传输给对应的簇头节点；各簇头节点将自身检测到的数据及接收到的数据传输给汇聚节点；之后，将轮数r增大1，并进入步骤十；

步骤十、统计各簇头节点的剩余能量SCHE(q)；若所有簇头节点的剩余能量均大于T(a，r)，则重复执行步骤九；否则，重复执行步骤二至九；

T(a，r)的表达式如下：

其中，SCHEN表示当前所有簇头节点剩余能量的总和。

2.根据权利要求1所述的基于无线传感器网络的地下管廊检测方法，其特征在于：步骤一中所述的普通节点分为气体传感器、压力传感器、温湿度传感器与烟雾传感器；汇聚节点位于地下管廊正中心位置。

3.根据权利要求1所述的基于无线传感器网络的地下管廊检测方法，其特征在于：在步骤四中，所述待定传输路径内后一个单位节点的横坐标比前一个单位节点的横坐标更趋近于零，后一个单位节点的纵坐标比前一个单位节点的纵坐标更趋近于零。

4.根据权利要求1所述的基于无线传感器网络的地下管廊检测方法，其特征在于：步骤九中，所述汇聚节点根据接收到的数据通过内置的卷积神经网络判断廊道内是否发生火灾、是否发生管廊结构损坏、是否发生可燃气体泄漏，并将判断结果上传指挥中心。