输电线路安全预警方法及装置

技术领域

本申请涉及电力系统技术领域，特别是涉及一种输电线路安全预警方法及装置。

背景技术

随着电力系统技术的发展，在电力系统中扮演着传输、调节、分配等重要角色的高压输电线路，成为了我国电网安全、稳定运行的重要组成，是电力系统的动脉。输电线路稳定可靠的运行是智能电网建设的重要组成部分，其设备的可靠性及运行状况直接决定着整个电力系统的稳定和安全，也决定着供电的质量和可靠性。

对于大部分地区的输电线路架设来说，随着时间的累计，易出现输电线路故障，从而导致整个电力系统出现隐患。为了尽可能避免输电线路故障，需要提前针对输电线路进行安全预警。现阶段，对于输电线路的安全预警需要通过人工进行巡检，无法做到实时安全预警。

发明内容

基于此，有必要针对上述技术问题，提供一种能够进行实时安全预警的输电线路安全预警方法及装置。

第一方面，本申请提供了一种输电线路安全预警方法。输电线路安全预警方法包括：

对第一视频图像中的输电线和预设的目标物体进行标注与记录，以生成数据集；

划分数据集以构建第一训练模型，对数据集的格式进行转换以构建第二训练模型，并将第一训练模型、第二训练模型分别部署至目标平台；

发送第一视频图像至目标平台，对第一视频图像进行实时抽帧，并使用第一训练模型对抽帧图像中的各像素点进行分类，以生成语义分割后的输电线图像，使用第二训练模型对抽帧图像中的目标物体进行目标检测，以输出预测目标物体检测框；

根据输电线图像和预测目标物体检测框确定目标物体的边界点位置与输电线间的最短距离，并当最短距离小于预设的安全距离阈值时，发送告警信息以告知输电线路存在安全隐患。

在其中一个实施例中，对第一视频图像中的输电线和预设的目标物体进行标注与记录，以生成数据集，包括：

对第一视频图像中的输电线和目标物体进行标注，记录输电线和目标物体的第一标签；

对第一视频图像中的目标物体进行标注，记录目标物体的树冠的第二标签；

根据第一标签和第二标签生成数据集。

在其中一个实施例中，划分数据集以构建第一训练模型，包括：

划分数据集以生成第一训练集；

将第一训练集放入U-net模型进行语义分割训练以生成第一训练模型。

在其中一个实施例中，将第一训练集放入U-net模型进行语义分割训练以生成第一训练模型，包括：

使用随机裁剪和归一化的方法对第一训练集进行数据预处理；

确定第一初始训练参数，并将第一初始训练参数和预处理后的第一训练集放入U-net模型进行语义分割训练以生成第一训练模型。

在其中一个实施例中，确定第一初始训练参数，并将第一初始训练参数和预处理后的第一训练集放入U-net模型进行语义分割训练以生成第一训练模型，包括：

确定第一初始训练参数，并将预处理后的第一训练集放入使用第一初始训练参数的U-net模型进行语义分割训练以输出语义分割结果；

对U-net模型输出的语义分割结果、第一标签和第二标签进行损失计算以得到语义分割损失；

根据语义分割损失对U-net模型的第一模型参数进行迭代优化，以生成第一训练模型。

在其中一个实施例中，对数据集的格式进行转换以构建第二训练模型，包括：

将数据集中存为xml格式的数据转换为txt格式；

划分格式转换后的数据集以生成第二训练集；

将第二训练集放入Rotation-Yolov5模型进行目标物体的目标检测训练以生成第二训练模型。

在其中一个实施例中，将第二训练集放入Rotation-Yolov5模型进行目标物体的目标检测训练以生成第二训练模型，包括：

使用随机裁剪和归一化的方法对第二训练集进行数据预处理；

确定第二初始训练参数，并将第二初始训练参数和预处理后的第二训练集放入Rotation-Yolov5模型进行目标物体的目标检测训练以生成第二训练模型。

在其中一个实施例中，确定第二初始训练参数，并将第二初始训练参数和预处理后的第二训练集放入Rotation-Yolov5模型进行目标物体的目标检测训练以生成第二训练模型，包括：

确定第二初始训练参数，并将预处理后的第二训练集放入使用第二初始训练参数的Rotation-Yolov5模型进行目标物体的目标检测训练以输出预测目标物体检测框；

根据预设的损失函数，对Rotation-Yolov5模型输出的预测目标物体检测框和对应的预设的真实目标物体检测框进行损失计算以得到预测损失；

根据预测损失对Rotation-Yolov5模型的第二模型参数进行迭代优化，以生成第二训练模型。

在其中一个实施例中，根据输电线图像和预测目标物体检测框确定目标物体的边界点位置与输电线间的最短距离，包括：

创建空白图像模板；

根据预测目标物体检测框在空白图像模板上生成目标物体的掩膜，以反映目标物体在第一视频图像上的位置信息和确定目标物体的边界点位置；

将输电线图像和掩膜进行融合，以得到融合图像；

根据融合图像和边界点位置获取目标物体的边界点位置与输电线间的最短距离。

第二方面，本申请还提供了一种输电线路安全预警装置，输电线路安全预警装置包括：

数据集生成模块，用于对第一视频图像中的输电线和预设的目标物体进行标注与记录，以生成数据集；

模型构建模块，用于划分数据集以构建第一训练模型，对数据集的格式进行转换以构建第二训练模型，并将第一训练模型、第二训练模型分别部署至目标平台；

模型训练模块，用于发送第一视频图像至目标平台，对第一视频图像进行实时抽帧，并使用第一训练模型对抽帧图像中的各像素点进行分类，以生成语义分割后的输电线图像，使用第二训练模型对抽帧图像中的目标物体进行目标检测，以输出预测目标物体检测框；

安全告警模块，用于根据输电线图像和预测目标物体检测框确定目标物体的边界点位置与输电线间的最短距离，并当最短距离小于预设的安全距离阈值时，发送告警信息以告知输电线路存在安全隐患。

上述输电线路安全预警方法及装置，通过对第一视频图像中的输电线和预设的目标物体进行标注与记录，以生成数据集，进而划分数据集以构建第一训练模型，及对数据集的格式进行转换以构建第二训练模型，并将第一训练模型、第二训练模型分别部署至目标平台，进一步地，发送第一视频图像至目标平台，对第一视频图像进行实时抽帧，并使用第一训练模型对抽帧图像中的各像素点进行分类，以生成语义分割后的输电线图像，和使用第二训练模型对抽帧图像中的目标物体进行目标检测，以输出预测目标物体检测框，最后，根据输电线图像和预测目标物体检测框确定目标物体的边界点位置与输电线间的最短距离，并当最短距离小于预设的安全距离阈值时，发送告警信息以告知输电线路存在安全隐患。采用本申请的输电线路安全预警方法，根据历史数据构建训练模型，再获取实时数据并将实时数据放入所构建的训练模型中进行训练至实时确定输电线与目标物体边界点位置间的最短距离，进而判断最短距离是否小于安全距离阈值以实现实时且高效地进行输电线路安全预警，采用上述方法亦无需人工进行检测，节约了人力及时间成本。

附图说明

图1为一个实施例中输电线路安全预警方法的流程示意图；

图2为一个实施例中对第一视频图像中的输电线和预设的目标物体进行标注与记录，以生成数据集的流程示意图；

图3为一个实施例中划分所述数据集以构建第一训练模型的流程示意图；

图4为一个实施例中U-net模型的原理图；

图5为一个实施例中残参模块的结构图；

图6为一个实施例中将所述第一训练集放入U-net模型进行语义分割训练以生成所述第一训练模型的流程示意图；

图7为一个实施例中确定第一初始训练参数，并将所述第一初始训练参数和预处理后的所述第一训练集放入所述U-net模型进行语义分割训练以生成所述第一训练模型的流程示意图；

图8为一个实施例中对所述数据集的格式进行转换以构建第二训练模型的流程示意图；

图9为一个实施例中将所述第二训练集放入Rotation-Yolov5模型进行所述目标物体的目标检测训练以生成所述第二训练模型的流程示意图；

图10为一个实施例中确定第二初始训练参数，并将所述第二初始训练参数和预处理后的所述第二训练集放入所述Rotation-Yolov5模型进行所述目标物体的目标检测训练以生成所述第二训练模型的流程示意图；

图11为一个实施例中根据所述输电线图像和所述预测所述目标物体检测框确定所述目标物体的边界点位置与所述输电线间的最短距离的流程示意图；

图12为一个实施例中输电线路安全预警装置的结构框图；

图13为一个实施例中计算机设备的内部结构图。

附图标号说明：

输电线路安全预警装置：10；数据集生成模块：11；模型构建模块：12；模型训练模块：13；安全告警模块：14。

具体实施方式

为了便于理解本申请实施例，下面将参照相关附图对本申请实施例进行更全面的描述。附图中给出了本申请实施例的首选实施例。但是，本申请实施例可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请实施例的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请实施例的技术领域的技术人员通常理解的含义相同。本文中在本申请实施例的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请实施例。

可以理解的是，术语“包括/包含”指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。

实施例一

如图1所示，本申请实施例提供了一种输电线路安全预警方法。输电线路安全预警方法包括步骤110至步骤140。

步骤110，对第一视频图像中的输电线和预设的目标物体进行标注与记录，以生成数据集。在本申请实施例中，以树木作为预设的目标物体为例，通过视频抽帧的方法采集城镇不同地区包括输电线和树木的初始视频图像，并对初始视频图像进行筛选与清洗，以获得各种场景下输电线和树木的第一视频图像，其中包含不同天气情况及不同时间段的数据。

优选地，如图2所示，对第一视频图像中的输电线和预设的目标物体进行标注与记录，以生成数据集包括步骤210至步骤230。

步骤210，对第一视频图像中的输电线和目标物体进行标注，记录输电线和目标物体的第一标签。在本实施例中，使用Labelme工具对第一视频图像中的输电线和树木进行标注，并记录输电线和树木的第一标签，然后将标注的信息存为json格式，其中，第一标签包括多边形坐标。

步骤220，对第一视频图像中的目标物体进行标注，记录目标物体的树冠的第二标签。在本实施例中，使用roLabelimg工具对第一视频图像中的树木进行标注，并记录树木的树冠的第二标签，然后将标注的信息存为xml格式，其中，第二标签包括矩形坐标。特殊地，标注信息的矩阵可以旋转，标注信息包括(cx，cy，w，h，angle)，cx、cy代表标注矩形框中心点的坐标，w、h代表标注矩形框的宽和高，angle代表标注矩形框的角度。

步骤230，根据第一标签和第二标签生成数据集。在本实施例中，第一标签包括输电线和树木的多边形坐标，第二标签包括树木的树冠的矩形坐标，将上述标签及坐标中的数据进行分析处理以形成数据集。

步骤120，划分数据集以构建第一训练模型，对数据集的格式进行转换以构建第二训练模型，并将第一训练模型、第二训练模型分别部署至目标平台。

优选地，如图3所示，划分数据集以构建第一训练模型包括步骤310至步骤320。

步骤310，划分数据集以生成第一训练集。在本实施例中，把数据集进行等比例划分，其中70％作为第一训练集，20％作为第一训练集对应的验证集，10％作为第一训练集对应的测试集。

步骤320，将第一训练集放入U-net模型进行语义分割训练以生成第一训练模型。

在本实施例中，图4为U-net模型的原理图，如图4所示，U-net模型主要分为上采样和下采样的两部分。其中下采样主要利用连续的卷积池化层提取图像中的特征信息，并逐步将特征信息映射至高维，在整个网络的最高维是整个图像中丰富的特征信息，通过反卷积将高维特征再次向低维映射，映射的过程中为了增强分割的精度，会将同维度下收缩网络中与其维度相同的图像进行融合，由于在融合的过程中维度会变成原维度的2倍，此时需要再次卷积，保证处理过后的维度与融合操作之前的维度相同以便于进行再一次的反卷积后能够和同维度下的图像进行二次融合(concatenate)，一直到最终能够与原图像的维度相同时输出图像。U-net模型由左半边的压缩通道(Contracting Path)和右半边扩展通道(Expansive Path)组成。压缩通道是典型的卷积神经网络结构，它重复采用2个卷积层和1个最大池化层的结构，每进行一次池化操作后特征图的维数就增加1倍。在扩展通道，先进行1次反卷积操作，使特征图的维数减半，然后拼接对应压缩通道裁剪得到的特征图，重新组成一个2倍大小的特征图，再采用2个卷积层进行特征提取，并重复这一结构。在最后的输出层，用2个卷积层将64维的特征图映射成2维的输出图。此外，在U-net模型结构中每个下采样或上采样之后连接一个残差模块，残差模块如图5所示。

优选地，如图6所示，将第一训练集放入U-net模型进行语义分割训练以生成第一训练模型包括步骤610至步骤620。

步骤610，使用随机裁剪和归一化的方法对第一训练集进行数据预处理。

步骤620，确定第一初始训练参数，并将第一初始训练参数和预处理后的第一训练集放入U-net模型进行语义分割训练以生成第一训练模型。

优选地，如图7所示，确定第一初始训练参数，并将第一初始训练参数和预处理后的第一训练集放入U-net模型进行语义分割训练以生成第一训练模型包括步骤710至步骤730。

步骤710，确定第一初始训练参数，并将预处理后的第一训练集放入使用第一初始训练参数的U-net模型进行语义分割训练以输出语义分割结果。

步骤720，对U-net模型输出的语义分割结果、第一标签和第二标签进行损失计算以得到语义分割损失。在本实施例中，可以根据SGD随机梯度下降方法进行损失计算。

步骤730，根据语义分割损失对U-net模型的第一模型参数进行迭代优化，以生成第一训练模型。在本实施例中，训练迭代到300个epoch后，训练效果达到最佳，此时停止训练，优化后的第一模型参数所对应的模型即为第一训练模型。

优选地，第一训练模型可以通过以下公式表示：

式中，N为进行语义分割的第一视频图像的像素个数，y

优选地，如图8所示，对数据集的格式进行转换以构建第二训练模型包括步骤810至步骤830。

步骤810，将数据集中存为xml格式的数据转换为txt格式。在本实施例中，可将数据集中存为xml格式的第二标签对应的数据转换为txt格式以适应模式。对应地，txt格式的第二标签为(类别，x，y，长边，短边，角度)，其中(x，y)为中心点。

步骤820，划分格式转换后的数据集以生成第二训练集。在本实施例中，把格式转换后的数据集进行等比例划分，其中70％作为第二训练集，20％作为第二训练集对应的验证集，10％作为第二训练集对应的测试集。

步骤830，将第二训练集放入Rotation-Yolov5模型进行目标物体的目标检测训练以生成第二训练模型。在本实施例中，Rotation-Yolov5模型可基于Yolov5算法实现旋转目标检测，主要实现方式是通过在原始Yolov5结构上加上角度分类loss，达到可以检测旋转目标。本实施例选择可检测旋转目标的Rotation-Yolov5模型是为了更好地匹配树木，使得目标框尽可能紧凑地贴近树木，防止由于树木倾斜时最小外接矩阵会包含太多无关信息。

优选地，如图9所示，将第二训练集放入Rotation-Yolov5模型进行目标物体的目标检测训练以生成第二训练模型包括步骤910至步骤920。

步骤910，使用随机裁剪和归一化的方法对第二训练集进行数据预处理。在本实施例中，对数据进行数据增强处理以增加正样本。

步骤920，确定第二初始训练参数，并将第二初始训练参数和预处理后的第二训练集放入Rotation-Yolov5模型进行目标物体的目标检测训练以生成第二训练模型。

优选地，如图10所示，确定第二初始训练参数，并将第二初始训练参数和预处理后的第二训练集放入Rotation-Yolov5模型进行目标物体的目标检测训练以生成第二训练模型包括步骤1010至步骤1030。

步骤1010，确定第二初始训练参数，并将预处理后的第二训练集放入使用第二初始训练参数的Rotation-Yolov5模型进行目标物体的目标检测训练以输出预测目标物体检测框。

步骤1020，根据预设的损失函数，对Rotation-Yolov5模型输出的预测目标物体检测框和对应的预设的真实目标物体检测框进行损失计算以得到预测损失。

在本实施例中，可根据预设的损失函数和SGD随机梯度下降方法进行损失计算以得到预测损失。其中，损失函数共有四个部分：置信度损失、class分类损失、bbox边框回归损失和角度损失。前三项损失函数均是Yolov5算法的基础损失函数，后一项角度损失函数是为适配对可旋转的目标进行检测而增加的。其中，置信度损失、class分类损失对应的损失函数是BCEWithLogits Loss(二元交叉熵损失函数)，公式如下：

Loss＝{l

式中，N为第二训练集batch，每个batch有n个树木第二标签。σ(x

bbox边框回归损失采用的是GIOU loss，公式如下：

L

式中，A表示真实目标物体检测框，B表示预测目标物体检测框，IOU(A,B)表示真实目标物体检测框和预测目标物体检测框的区域交并比，C表示可以覆盖预测目标物体检测框和真实目标物体检测框的最小矩形。

步骤1030，根据预测损失对Rotation-Yolov5模型的第二模型参数进行迭代优化，以生成第二训练模型。

进一步地，将上述训练好的第一训练模型和第二训练模型部署到自有平台。

步骤130，发送第一视频图像至目标平台，对第一视频图像进行实时抽帧，并使用第一训练模型对抽帧图像中的各像素点进行分类，以生成语义分割后的输电线图像，使用第二训练模型对抽帧图像中的目标物体进行目标检测，以输出预测目标物体检测框。在本实施例中，使用Rotation-Yolov5模型进行推理，即使用Rotation-Yolov5模型对第一视频图像中的树木进行检测，输出预测目标物体检测框，即返回树木的坐标位置。特殊地，由于我们使用的是可以检测旋转目标的Yolov5算法，因此此处返回的坐标位置是可以旋转的矩阵，有利于尽可能真实地匹配树木的位置，减少由于倾斜造成的影响。

步骤140，根据输电线图像和预测目标物体检测框确定目标物体的边界点位置与输电线间的最短距离，并当最短距离小于预设的安全距离阈值时，发送告警信息以告知输电线路存在安全隐患。

优选地，如图11所示，根据输电线图像和预测目标物体检测框确定目标物体的边界点位置与输电线间的最短距离包括步骤1110至步骤1140。

步骤1110，创建空白图像模板。

步骤1120，根据预测目标物体检测框在空白图像模板上生成目标物体的掩膜，以反映目标物体在第一视频图像上的位置信息和确定目标物体的边界点位置。

步骤1130，将输电线图像和掩膜进行融合，以得到融合图像。

步骤1140，根据融合图像和边界点位置获取目标物体的边界点位置与输电线间的最短距离。

在本实施例中，获取树木的边界点位置与输电线间的最短距离后，即可判断树木与输电线的最短距离是否小于预设的安全距离阈值。若最短距离小于安全距离阈值，则代表树木与输电线的安全距离不足，需要及时对树木进行修剪，否则容易导致输电线路故障。因此，为避免输电线路故障，当最短距离小于安全距离阈值时，应发送告警信息以告知系统后台输电线路存在安全隐患。可以理解的是，安全距离阈值由用户根据实际情况进行设定。

采用本实施例的输电线路安全预警方法，根据历史数据构建训练模型，再获取实时数据并将实时数据放入所构建的训练模型中进行训练至实时确定输电线与树木边界点位置间的最短距离，进而判断最短距离是否小于安全距离阈值以实现实时且高效地进行输电线路安全预警，采用本方法亦无需人工进行检测，节约了人力及时间成本。

应该理解的是，虽然如上所述的各实施例所涉及的流程图图1-图3和图6-图11中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图图1-图3和图6-图11中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

实施例二

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的输电线路安全预警方法的输电线路安全预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个输电线路安全预警装置实施例中的具体限定可以参见上文中对于输电线路安全预警方法的限定，在此不再赘述。

如图12所示，本申请实施例还提供了一种输电线路安全预警装置，输电线路安全预警装置10包括数据集生成模块11、模型构建模块12、模型训练模块13和安全告警模块14。数据集生成模块11，用于对第一视频图像中的输电线和预设的目标物体进行标注与记录，以生成数据集；模型构建模块12，用于划分数据集以构建第一训练模型，对数据集的格式进行转换以构建第二训练模型，并将第一训练模型、第二训练模型分别部署至目标平台；模型训练模块13，用于发送第一视频图像至目标平台，对第一视频图像进行实时抽帧，并使用第一训练模型对抽帧图像中的各像素点进行分类，以生成语义分割后的输电线图像，使用第二训练模型对抽帧图像中的目标物体进行目标检测，以输出预测目标物体检测框；安全告警模块14，用于根据输电线图像和预测目标物体检测框确定目标物体的边界点位置与输电线间的最短距离，并当最短距离小于预设的安全距离阈值时，发送告警信息以告知输电线路存在安全隐患。

优选地，上述数据集生成模块11包括第一标签记录单元、第二标签记录单元和数据集生成单元。第一标签记录单元，用于对第一视频图像中的输电线和目标物体进行标注，记录输电线和目标物体的第一标签；第二标签记录单元，用于对第一视频图像中的目标物体进行标注，记录目标物体的树冠的第二标签；数据集生成单元，用于根据第一标签和第二标签生成数据集。

优选地，上述模型构建模块12包括第一训练集生成单元和第一模型生成单元。第一训练集生成单元，用于划分数据集以生成第一训练集；第一模型生成单元，用于将第一训练集放入U-net模型进行语义分割训练以生成第一训练模型。

优选地，上述第一模型生成单元还用于使用随机裁剪和归一化的方法对第一训练集进行数据预处理；确定第一初始训练参数，并将第一初始训练参数和预处理后的第一训练集放入U-net模型进行语义分割训练以生成第一训练模型。

优选地，上述第一模型生成单元还用于确定第一初始训练参数，并将预处理后的第一训练集放入使用第一初始训练参数的U-net模型进行语义分割训练以输出语义分割结果；对U-net模型输出的语义分割结果、第一标签和第二标签进行损失计算以得到语义分割损失；根据语义分割损失对U-net模型的第一模型参数进行迭代优化，以生成第一训练模型。

优选地，上述模型构建模块12还包括数据格式转换单元、第二训练集生成单元和第二模型生成单元。数据格式转换单元，用于将数据集中存为xml格式的数据转换为txt格式；第二训练集生成单元，用于划分格式转换后的数据集以生成第二训练集；第二模型生成单元，用于将第二训练集放入Rotation-Yolov5模型进行目标物体的目标检测训练以生成第二训练模型。

优选地，上述第二模型生成单元还用于使用随机裁剪和归一化的方法对第二训练集进行数据预处理；确定第二初始训练参数，并将第二初始训练参数和预处理后的第二训练集放入Rotation-Yolov5模型进行目标物体的目标检测训练以生成第二训练模型。

优选地，上述第二模型生成单元还用于确定第二初始训练参数，并将预处理后的第二训练集放入使用第二初始训练参数的Rotation-Yolov5模型进行目标物体的目标检测训练以输出预测目标物体检测框；根据预设的损失函数，对Rotation-Yolov5模型输出的预测目标物体检测框和对应的预设的真实目标物体检测框进行损失计算以得到预测损失；根据预测损失对Rotation-Yolov5模型的第二模型参数进行迭代优化，以生成第二训练模型。

优选地，上述安全告警模块14包括图像模板创建单元、掩膜生成单元、融合图像生成单元和最短距离获取单元。图像模板创建单元，用于创建空白图像模板；掩膜生成单元，用于根据预测目标物体检测框在空白图像模板上生成目标物体的掩膜，以反映目标物体在第一视频图像上的位置信息和确定目标物体的边界点位置；融合图像生成单元，用于将输电线图像和掩膜进行融合，以得到融合图像；最短距离获取单元，用于根据融合图像和边界点位置获取目标物体的边界点位置与输电线间的最短距离。

上述输电线路安全预警装置10中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

实施例三

如图13所示，本申请实施例还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述输电线路安全预警方法的步骤。

本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

实施例四

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述输电线路安全预警方法的步骤。

实施例五

本申请实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述输电线路安全预警方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。