CN114926723B - 一种输电线路周边干扰物识别与报警触发方法、终端及存储介质 - Google Patents

Abstract

本发明公开了一种电网检测技术领域的一种输电线路周边干扰物识别与报警触发方法、终端及存储介质，所述方法包括：响应于所接收到的输电线路图像的子块的特征向量，采用预构建并训练好的识别模型对子块中的干扰物进行识别，获取该子块的干扰物识别概率；根据子块的干扰物识别概率，获取输电线路周边干扰物识别结果；本发明将以像素为单位的图像基本单元转换成以块为单位的基本单元，并用特征向量来表达，降低了像素表达图像的数据量，在保证检测精度的同时提高检测速度，具有更好的工作效果，适用于较为偏远的地区进行工作。

Description

一种输电线路周边干扰物识别与报警触发方法、终端及存储 介质

技术领域

本发明涉及一种输电线路周边干扰物识别与报警触发方法、终端及存储介质，属于电网检测技术领域。

背景技术

随着我国城镇化建设进程的加快，各地大规模基导致输电线路通道被压缩，输电保护区内的违章建房植树、施工作业突发性和季节外侵等给线路的安全稳定运行构成较大威胁，外侵原因引发设备故障已经为线路原因的主要之一。由于输电线路外侵具有很大随机性，运行单位防不胜防，因此需要研究外侵的智能检测技术。

服务器端现有技术中有基于PointCNN的神经网络模型来检测包含建筑等事物的复杂场景下树木信息,提高该场景下树木检测精度。但通常针对的是遥感的远距离、大规模树木检测，难以应用于近距离、小规模树木检测，且使用遥感手段成本较高。此外，现有技术中也有通过建立BP神经网络预测树木生长高度的方法，但其时间范围上的尺度更大，不能实时的监测和识别树木干扰物。

而且，无论哪种现有技术，均需要在现场采集大量图像传输至服务器进行判断，这使得对于通信信道的带宽要求较高。而需要进行输电线周边干扰物检测的场景常常处于较为偏远的地区，通信带宽较小，无法传递大量图片，导致检测的精度和检测速度较差。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种输电线路周边干扰物识别与报警触发方法、终端及存储介质，解决输电线路周边干扰物检测工作的精度和检测速度较差的问题。

为解决上述技术问题，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种输电线路周边干扰物识别方法，所述方法包括：

响应于所接收到的输电线路图像的子块的特征向量，采用预构建并训练好的识别模型对子块中的干扰物进行识别，获取该子块的干扰物识别概率；

根据子块的干扰物识别概率，获取输电线路周边干扰物识别结果；

其中，所述子块通过对输电线路图像进行横、纵向划分获取；所述子块的特征向量根据子块的坐标及子块的像素计算获取；所述识别模型是通过依次建模任一子块与不同尺度下的邻域子块之间、子块的不同分量之间、子块的不同尺度下的邻域之间的关系，并依据带有标记的样本图像进行学习获取的。

所述子块的特征向量[a,b,c]的表达式如公式(1)所示：

式中：mn为每个子块所包含的像素数，i(Y,y)代表每个像素，Y为像素在子块中的横方向的坐标、y为像素在子块中的纵方向的坐标。

所述识别模型的构建方法包括：

步骤A：将子块的特征向量按照维度展开，获取子块的特征向量的三个分量矩阵

步骤B：根据预选取的尺度建立三个不同尺度的局部二维模板W₁、W₂、W₃，分别作用于子块的特征向量的三个分量矩阵上，用于建立任一子块与不同尺度下的邻域子块之间可能存在的关系；

步骤C：建立局部三维模板V₁，分别作用于步骤B的结果上，用于建立子块的不同分量之间可能存在的关系；

步骤D：建立局部三维模板V₂，分别作用于步骤C的结果上，用于建立子块的不同尺度下的邻域之间可能存在的关系；

步骤E：根据步骤D的结果建立子块的干扰物识别概率Z(u,v)的计算模型：

式中：Ψ表示步骤D的结果；p、q表示子块在当前模板中的位置坐标，u、 v表示子块在输电线图像划分时横、纵方向上的顺序坐标；Q(p,q,u,v)表示Ψ(p,q)与Z(u,v)之间的关系权重；β₄为线性调整量；σ₄为非线性函数；N表示输电线图像划分时横、纵方向的划分数量。

将三个不同尺度的局部二维模板W₁、W₂、W₃，分别作用于子块的特征向量的三个分量矩阵上获取的结果如下：

将局部二维模板W₁分别作用于子块的分量矩阵上，即：

W₁的尺寸为3乘以3，包含9个变量，p、q对应于W₁其取值为-1,0,1；以W₁为模板依次遍历子块的分量矩阵得到三个矩阵F_a、F_b、F_c，其对应坐标处的值F_a(u,v)、F_b(u,v)、F_c(u,v)与对应坐标处/>邻域周围的值与模板W₁确定；β₁为线性调整量；σ₁为非线性函数，用于建立F_a、F_b、 F_c与/>的非线性关系的自由度，定义如下：

式中参数θ用于使x＝0处产生一个不连续点；0＜θ＜0.1；

将局部二维模板W₂分别作用于子块的分量矩阵上，即：

W₂的尺寸为5乘以5，包含25个变量，p、q对应于W₂其取值为-2,-1,0,1,2，以W₂为模板依次遍历子块的分量矩阵得到三个矩阵G_a、G_b、G_c，其对应坐标处的值G_a(u,v)、G_b(u,v)、G_c(u,v)与对应坐标处/> 邻域周围的值与模板W₂确定；σ₂为非线性函数，σ₂(x)用于建立G_a、G_b、 G_c与/>的非线性关系的自由度，定义如下：

将局部二维模板W₃分别作用于子块的分量矩阵上，即：

W₃的尺寸为7乘以7，包含49个变量，-3≤p,q≤3,p,q∈整数表示子块当前模板中的位置坐标；以W₃为模板依次遍历子块的分量矩阵得到三个矩阵H_a、H_b、H_c，其对应坐标处的值H_a(u,v)、H_b(u,v)、H_c(u,v)与对应坐标处/>邻域周围的值与模板W₃确定；σ₃为非线性函数，用于建立H_a、H_b、H_c与/>的非线性关系的自由度，定义如下：

将局部三维模板V₁分别作用于步骤B的结果上，得到如下结果：

其中，

其中，

其中，

式(8)、(9)、(10)中，k表示遍历参量，k∈{1,2,3}；Φ₁₁(u,v)、Φ₁₂(u,v)、Φ₁₃(u,v)分别表示三维模板V₁作用于式(2)的结果F_a、F_b、F_c，式(4)的结果G_a、G_b、G_c，式(6)的结果H_a、H_b、H_c后的结果；β₂为线性调整量；σ₄为非线性函数，用于使Φ₁₁(u,v)、Φ₁₂(u,v)、Φ₁₃(u,v)能够对非线性关系进行建模，定义如下：

将局部三维模板V₂分别作用于步骤C的结果上，得到如下结果：

其中，β₃为线性调整量。

所述识别模型学习过程中优选代价函数为：

其中，为对应于某张样本图像标注的真实值，Z(u,v)表示根据样本图像输入计算出的Z的估计值；0.1＜λ＜1为控制参数。

第二方面，本发明提供了一种输电线路周边干扰物报警触发方法，包括采用第一方面任一项所述的识别方法，获取输电线路图像中各子块的干扰物识别概率Z(u,v)；

如果子块S(u,v)是关键子块且Z(u,v)>0.6，则触发干扰物报警；

如果S(u,v)不是关键子块，但S(u,v)是位于预标定的警戒区域内，且 Z(u,v)>0.8，则触发干扰物报警；

否则，不报警；

其中，所述关键子块是指与输电线路图像中的输电线路存在重叠部分的子块；如果一个子块超过一半的像素位于预标定的警戒区域内，则判定该子块位于警戒区域内，否则，判定该子块位于警戒区域外。

第三方面，本发明提供一种服务器，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面和第二方面任一项所述方法的步骤。

第四方面，计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面和第二方面任一项所述方法的步骤。

与现有技术相比，本发明所达到的有益效果：

1、该输电线路周边干扰物识别方法，将以像素为单位的图像基本单元转换成以块为单位的基本单元，并用特征向量来表达，降低了像素表达图像的数据量，在保证检测精度的同时提高检测速度；

2、本发明提出通过建立适用于输电线路的干扰物的专用识别模型，并对模型进行学习的方法，通过依次建模任一子块与其不同范围内的相邻子块之间、子块的不同分量之间、子块的不同尺度下的邻域之间的关系，模拟图像子块与干扰物的非线性识别模型，从而实现对子块中干扰物的高精度识别。

附图说明

图1是根据本发明实施例提供的一种输电线路周边干扰物报警触发方法的输电线路和警戒区域标注示意图；

图2是根据本发明实施例提供的一种输电线路周边干扰物报警触发方法的报警判别流程图。

具体实施方式

下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

实施例一：

本实施例提供的一种输电线路周边干扰物识别方法可应用于终端，可以由输电线路周边干扰物识别装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在终端中，例如：任一具备通信功能的智能手机，平板电脑或计算机设备。

本发明实施例提供的一种输电线路周边干扰物识别方法，可以由服务器端执行，所述方法包括：

响应于所接收到的输电线路图像的子块的特征向量，采用预构建并训练好的识别模型对子块中的干扰物进行识别，获取该子块的干扰物识别概率；

根据子块的干扰物识别概率，获取输电线路周边干扰物识别结果；

其中，所述子块通过对输电线路图像进行横、纵向划分获取；所述子块的特征向量根据子块的坐标及子块的像素计算获取；所述识别模型是通过依次建模任一子块与不同尺度下的邻域子块之间、子块的不同分量之间、子块的不同尺度下的邻域之间的关系，并依据带有标记的样本图像进行学习获取的，以实现对子块中干扰物的高精度识别。

在对于输电线路图像进行横、纵向划分时，将其按照几何坐标在横、纵方向各自等分为N份，从而将输电线路图像划分为N*N个子块，可选的，N为64。

本发明实施例提供的输电线路周边干扰物识别方法将以像素为单位的图像基本单元转换成以块为单位的基本单元，并用特征向量来表达，降低了像素表达图像的数据量，在保证检测精度的同时提高检测速度。

需要说明的是，在本发明实施例中，子块的划分以及子块的特征向量计算方法可以由现场端执行，根据子块的特征向量利用识别模型获取子块的干扰物识别概率可以由服务器端执行，通过使用在现场采集图像并转换为子块的特征向量，再传输到识别模型的方法，大大降低了图像数据传输的数据量，并且具备同等对干扰物的识别准确率，由于特征向量的数据量远低于图像像素的数据量，因此提高了传输效率。

在本发明实施例中，所述子块的特征向量[a,b,c]的表达式如公式(1)所示：

式中：mn为每个子块所包含的像素数，i(Y,y)代表每个像素，Y为像素在子块中的横方向的坐标、y为像素在子块中的纵方向的坐标。

所述识别模型的构建方法包括：

步骤A：将子块的特征向量按照维度展开，获取子块的特征向量的三个分量矩阵

步骤B：根据预选取的尺度建立三个不同尺度的局部二维模板W₁、W₂、W₃，分别作用于子块的特征向量的三个分量矩阵上，用于建立任一子块与不同尺度下的邻域子块之间可能存在的关系；

步骤C：建立局部三维模板V₁，分别作用于步骤B的结果上，用于建立子块的不同分量之间可能存在的关系；

步骤D：建立局部三维模板V₂，分别作用于步骤C的结果上，用于建立子块的不同尺度下的邻域之间可能存在的关系；

步骤E：根据步骤D的结果建立子块的干扰物识别概率Z(u,v)的计算模型：

式中：Ψ表示步骤D的结果；p、q表示子块在当前模板中的位置坐标，u、 v表示子块在输电线图像划分时横、纵方向上的顺序坐标；Q(p,q,u,v)表示Ψ(p,q)与Z(u,v)之间的关系权重；β₄为线性调整量；σ₄为非线性函数；N表示输电线图像划分时横、纵方向的划分数量。

其中，S表示由一幅图像的子块组成的集合，S(u,v)表示对应的一个子块；也是一个特征向量，将其特征向量按照维度展开，可得三个分量S[u,v,a]、 S[u,v,b]、S[u,v,c]，其中S[u,v,a]表示图像的子块S(u,v)的特征向量的a分量， S[u,v,b]表示图像的子块S(u,v)的特征向量的b分量、S[u,v,c]表示图像的子块 S(u,v)的特征向量的c分量，令表示所有子块的特征向量的a分量组成的矩阵，/>表示所有子块的特征向量的b分量组成的矩阵，表示所有子块的特征向量的 c分量组成的矩阵。

0≤Z(u,v)≤1，Z(u,v)的值越大，表示包含干扰物的概率越高；当 Z(u,v)＝1时，表示子块中包含干扰物；当Z(u,v)＝0时，表示不包含干扰物。

将三个不同尺度的局部二维模板W₁、W₂、W₃，分别作用于子块的特征向量的三个分量矩阵上获取的结果如下：

将局部二维模板W₁分别作用于子块的分量矩阵上，即：

W₁的尺寸为3乘以3，包含9个变量，p、q对应于W₁其取值为-1,0,1；以W₁为模板依次遍历子块的分量矩阵得到三个矩阵F_a、F_b、F_c，其对应坐标处的值F_a(u,v)、F_b(u,v)、F_c(u,v)与对应坐标处/>邻域周围的值与模板W₁确定；β₁为线性调整量；σ₁为非线性函数，用于建立F_a、F_b、 F_c与/>的非线性关系的自由度，定义如下：

式中参数θ用于使x＝0处产生一个不连续点；0＜θ＜0.1；

将局部二维模板W₂分别作用于子块的分量矩阵上，即：

W₂的尺寸为5乘以5，包含25个变量，p、q对应于W₂其取值为-2,-1,0,1,2，以W₂为模板依次遍历子块的分量矩阵得到三个矩阵G_a、G_b、G_c，其对应坐标处的值G_a(u,v0、G_b(u,v)、G_c(u,v)与对应坐标处/> 邻域周围的值与模板W₂确定；σ₂为非线性函数，σ₂(x0用于建立G_a、G_b、 G_c与/>的非线性关系的自由度，定义如下：

将局部二维模板W₃分别作用于子块的分量矩阵上，即：

W₃的尺寸为7乘以7，包含49个变量，-3≤p,q≤3,p,q∈整数表示子块当前模板中的位置坐标；以W₃为模板依次遍历子块的分量矩阵得到三个矩阵H_a、H_b、H_c，其对应坐标处的值H_a(u,v)、H_b(u,v)、H_c(u,v)与对应坐标处/>邻域周围的值与模板W₃确定；σ₃为非线性函数，用于建立H_a、H_b、H_c与/>的非线性关系的自由度，定义如下：

其中，可选的，θ为0.03。

本实施例中，将局部三维模板V₁分别作用于步骤B的结果上，得到如下结果：

其中，

其中，

其中，

式(8)、(9)、(10)中，k表示遍历参量，k∈{1,2,3}；Φ₁₁(u,v)、Φ₁₂(u,v)、Φ₁₃(u,v)分别表示三维模板V₁作用于式(2)的结果F_a、F_b、F_c，式(4)的结果G_a、G_b、G_c，式(6)的结果H_a、H_b、H_c后的结果；β₂为线性调整量；σ₄为非线性函数，用于使Φ₁₁(u,v)、Φ₁₂(u,v)、Φ₁₃(u,v)能够对非线性关系进行建模，定义如下：

本实施例中，V₁是一个3*3*3大小的三维模板，用于建立子块的不同分量之间可能存在的关系。

将局部三维模板V₂分别作用于步骤C的结果上，得到如下结果：

其中，β₃为线性调整量。

本实施例中，识别模型学习过程中优选代价函数为：

其中，为对应于某张样本图像标注的真实值，Z(u,v)表示根据样本图像输入计算出的Z的估计值；0.1＜λ＜1为控制参数。

对应的真实值为0或者1；0.1＜λ＜1为控制参数，有助于提高模型对噪声的鲁棒性，可选的，λ＝0.3；

通过该代价函数能够快速收敛，且识别精度高。

实施例二：

本发明实施例还提供了一种输电线路周边干扰物报警触发方法，包括采用实施例一所述的识别方法，获取输电线路图像中各子块的干扰物识别概率Z(u,v)；

如果子块S(u,v)是关键子块且Z(u,v)>0.6，则触发干扰物报警；

如果S(u,v)不是关键子块，但S(u,v)是位于预标定的警戒区域内，且 Z(u,v)>0.8，则触发干扰物报警；

否则，不报警；

其中，所述关键子块是指与输电线路图像中的输电线路存在重叠部分的子块；如果一个子块超过一半的像素位于预标定的警戒区域内，则判定该子块位于警戒区域内，否则，判定该子块位于警戒区域外。

本实施例中，由图1可知，在对于输电线路图像进行警戒区域的划分工作时，在输电线路图像确定后，先在图像上标注一条直线，对应于图像中的一条输电线路；再根据输电线路标注两条直线，划分出与该输电线路相关的需要警戒的区域，该两条直线称为警戒线，警戒线与输电线路在图像内不存在交点，并且分别位于输电线路的异侧；由警戒线和图像边缘所组成的、并且包含输电线路的区域称为警戒区域；

本实施例中，如果输电线路在图像中的位置发生变化，按照前述方法重新标注；

通过建立图像中输电线路、警戒线和警戒区域的标记的方法，并根据标记的不同设置不同的识别判别条件，细化了识别范围，有助于提高识别准确率。

实施例三：

本发明实施例还提供了一种终端，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行实施例一和实施例二所述方法的步骤。

其中，处理器可以包括服务器端和/或现场端。

在执行实施例一所述方法的步骤时，输电线路图像的子块划分及子块的特征向量的获取方法可以由现场端执行，现场端按照预定的采集帧率采集输电线路图像，将采集的输电线路图像进行划分，以获取子块并可以根据实施例一中公式(1)所示的公式计算子块的特征向量，将计算后的子块的特征向量按采集帧率传回给服务器端；传送时，可以根据视角变化情况有选择的将一帧完整图像传给服务器端。

服务器端接收现场端传回的子块的特征向量，可由人工在服务器端对于图像进行输电线路、警戒区域的划分工作，服务器端根据预构建的识别模型对于特征向量进行识别，输出每个子块对应的干扰物识别概率。

需要说明的是，当现场端的视角发生变化、导致输电线路在视场中的位置发生变化时，现场端应重新将一张完整的输电线路图像传回给服务器端，服务器端应当对输电线路图像重新进行输电线路、警戒区域的划分；但在一般情况下，摄像机的视场不会发生变化，因此传递完整输电线路图像的几率较低；由于特征向量的数据量远低于图像像素的数据量，因此提高了传输效率。

在处理器执行实施例二所述方法的步骤时，可以由服务器端执行，根据识别模型和接收到的特征向量得到子块的干扰物识别概率，结合警戒区域和输电线路的位置触发相应的报警。

由于本发明实施例所提供的终端可执行本发明实施例一和实施例二所提供的方法，因此，本发明实施例所提供的终端具备执行方法相应的功能模块和有益效果。

实施例四：

本发明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，该程序被处理器执行时实现实施例一和实施例二所述方法的步骤。

由于本发明实施例所提供的存储介质可执行本发明实施例一和实施例二所提供的方法，因此，其具备执行方法相应的功能模块和有益效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种输电线路周边干扰物识别方法，其特征在于，所述方法包括：

响应于所接收到的输电线路图像的子块的特征向量，采用预构建并训练好的识别模型对子块中的干扰物进行识别，获取该子块的干扰物识别概率；

根据子块的干扰物识别概率，获取输电线路周边干扰物识别结果；

其中，所述子块通过对输电线路图像进行横、纵向划分获取；所述子块的特征向量根据子块的坐标及子块的像素计算获取；所述识别模型是通过依次建模任一子块与不同尺度下的邻域子块之间、子块的不同分量之间、子块的不同尺度下的邻域之间的关系，并依据带有标记的样本图像进行学习获取的；

其中，所述识别模型的构建方法包括：

步骤A：将子块的特征向量按照维度展开，获取子块的特征向量的三个分量矩阵

步骤B：根据预选取的尺度建立三个不同尺度的局部二维模板W₁、W₂、W₃，分别作用于子块的特征向量的三个分量矩阵上，用于建立任一子块与不同尺度下的邻域子块之间可能存在的关系；

步骤C：建立局部三维模板V₁，分别作用于步骤B的结果上，用于建立子块的不同分量之间可能存在的关系；

步骤D：建立局部三维模板V₂，分别作用于步骤C的结果上，用于建立子块的不同尺度下的邻域之间可能存在的关系；

步骤E：根据步骤D的结果建立子块的干扰物识别概率Z(u,v)的计算模型：

式中：Ψ表示步骤D的结果；p、q表示子块在当前模板中的位置坐标，u、v表示子块在输电线图像划分时横、纵方向上的顺序坐标；Q(p,q,u,v)表示Ψ(p,q)与Z(u,v)之间的关系权重；β₄为线性调整量；σ₄为非线性函数；N表示输电线图像划分时横、纵方向的划分数量。

2.根据权利要求1所述的输电线路周边干扰物识别方法，其特征在于，所述子块的特征向量[a,b,c]的表达式如公式(1)所示：

式中：mn为每个子块所包含的像素数，i(Y,y)代表每个像素，Y为像素在子块中的横方向的坐标、y为像素在子块中的纵方向的坐标。

3.根据权利要求1所述的输电线路周边干扰物识别方法，其特征在于，将三个不同尺度的局部二维模板W₁、W₂、W₃，分别作用于子块的特征向量的三个分量矩阵上获取的结果如下：

将局部二维模板W₁分别作用于子块的分量矩阵上，即：

W₁的尺寸为3乘以3，包含9个变量，p、q对应于W₁其取值为-1,0,1，以W₁为模板依次遍历子块的分量矩阵得到三个矩阵F_a、F_b、F_c，其对应坐标处的值F_a(u,v)、F_b(u,v)、F_c(u,v)与对应坐标处/>邻域周围的值与模板W₁确定；β₁为线性调整量；σ₁为非线性函数，用于建立F_a、F_b、F_c与/>的非线性关系的自由度，定义如下：

式中参数θ用于使x＝0处产生一个不连续点；0<θ<0.1；

将局部二维模板W₂分别作用于子块的分量矩阵上，即：

W₂的尺寸为5乘以5，包含25个变量，p、q对应于W₂其取值为-2,-1,0,1,2，以W₂为模板依次遍历子块的分量矩阵得到三个矩阵G_a、G_b、G_c，其对应坐标处的值G_a(u,v)、G_b(u,v)、G_c(u,v)与对应坐标处/> 邻域周围的值与模板W₂确定；σ₂为非线性函数，σ₂(x)用于建立G_a、G_b、G_c与/>的非线性关系的自由度，定义如下：

将局部二维模板W₃分别作用于子块的分量矩阵上，即：

W₃的尺寸为7乘以7，包含49个变量，-3≤p,q≤3,p,q∈整数表示子块当前模板中的位置坐标；以W₃为模板依次遍历子块的分量矩阵得到三个矩阵H_a、H_b、H_c，其对应坐标处的值H_a(u,v)、H_b(u,v)、H_c(u,v)与对应坐标处/>邻域周围的值与模板W₃确定；σ₃为非线性函数，用于建立H_a、H_b、H_c与/>的非线性关系的自由度，定义如下：

4.根据权利要求3所述的输电线路周边干扰物识别方法，其特征在于，将局部三维模板V₁分别作用于步骤B的结果上，得到如下结果：

其中，

其中，

其中，

式(8)(9)、(10)中，k表示遍历参量，k∈{1，2，3}；Φ₁₁(u，v)、Φ₁₂(u，v)、Φ₁₃(u，v)分别表示三维模板V₁ 作用于式(2)的结果F_a、F_b、F_c，式(4)的结果G_a、G_b、G_c，式(6)的结果H_a、H_b、H_c后的结果；β₂为线性调整量；σ₄为非线性函数，用于使Φ₁₁(u，v)、Φ₁₂(u，v)、Φ₁₃(u，v)能够对非线性关系进行建模，定义如下；

5.根据权利要求4所述的输电线路周边干扰物识别方法，其特征在于，将局部三维模板V₂分别作用于步骤C的结果上，得到如下结果：

其中，β₃为线性调整量。

6.根据权利要求1至5任一项所述的输电线路周边干扰物识别方法，其特征在于，所述识别模型学习过程中优选代价函数为：

其中，为对应于某张样本图像标注的真实值，Z(u，v)表示根据样本图像输入计算出的Z的估计值；0.1＜λ＜1为控制参数。

7.一种输电线路周边干扰物报警触发方法，其特征在于，包括采用权利要求1至6任一项所述的识别方法，获取输电线路图像中各子块的干扰物识别概率Z(u，v)；

如果子块S(u，v)是关键子块且Z(u，v)＞0.6，则触发干扰物报警；

如果S(u，v)不是关键子块，但S(u，v)是位于预标定的警戒区域内，且Z(u，v)＞0.8，则触发干扰物报警；

否则，不报警；

其中，所述关键子块是指与输电线路图像中的输电线路存在重叠部分的子块；如果一个子块超过一半的像素位于预标定的警戒区域内，则判定该子块位于警戒区域内，否则，判定该子块位于警戒区域外。

8.一种服务器，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。

9.一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，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。