1.一种基于改进B-CNN算法的输电线植被入侵检测方法，其特征是，包括：获取待检测的输电线环境图像；对输电线环境图像进行预处理；对预处理后的图像提取GLCM特征；将预处理后的输电线环境图像以及所提取的图像GLCM特征输入预先训练的输电线植被入侵检测模型，得到模型输出的分类结果；根据输电线植被入侵检测模型分类结果输出植被侵入区域以及输电线区域分别被标记的图像；其中，所述输电线植被入侵检测模型采用B-CNN网络，其包括依次设置的输入层、卷积层、双线性池化层以及Softmax归一化层，所述卷积层包括分别连接输入层的卷积网络A和卷积网络B，两者的输出经双线性池化层做外积处理和池化处理后得到双线性向量；B-CNN网络表达为以下公式： ；式中， 表示B-CNN网络的输出分类； 和 分别表示卷积网络A和卷积网络B的特征提取函数，为映射过程函数 ，表示将图像 和位置区域 通过设定的映射关系映射成一个 维尺寸的向量； 表示池化函数， 表示通过Softmax归一化层的双向分类识别向量；所述外积处理公式表示为： ；其中 和 分别为图像 的位置 处卷积网络A和卷积网络B输出的特征；所述池化函数 表示为： ；其中 为图像 的卷积输出在外积处理后的池化结果。
2.根据权利要求1所述的方法，其特征是，所述对输电线环境图像进行预处理还包括对图像进行分块，每个图像块的像素为n×n，输入至输电线植被入侵检测模型的输电线环境图像为分块处理后的图像。
3.根据权利要求1所述的方法，其特征是，输电线植被入侵检测模型B-CNN网络中，卷积网络A和卷积网络B的输出端分别连接有通道注意力模块和空间注意力模块；所述通道注意力模块的特征计算公式为： ；所述空间注意力模块的特征计算公式为： ；式中， 表示卷积网络输出的特征， 为通道注意力模块输出的特征， 为空间注意力模块输出的特征； 和 分别表示对特征 进行平均池化和最大池化的结果， 、 表示多层感知器MLP中不同层的权重， 表示sigmoid函数， 表示逐元素相乘， 表示滤波器尺寸为7*7的卷积运算； 表示平均池化函数， 表示最大池化函数。
4.根据权利要求1所述的方法，其特征是，所述对预处理后的图像提取GLCM特征包括：将预处理后的输电线环境图像线性转换为一维向量，计算统计矩；计算角二阶矩、熵ENT、对比度Con、反差分矩阵IDM和相关性Correlation；其中统计矩包括：平均值 、标准偏差 、方差 、三阶中心距 、偏度 和峰度矩 ，计算公式为： ； ； ； ； ； ；上式中， 表示求平均值函数；角二阶矩、熵ENT、对比度Con、反差分矩阵IDM和相关性Correlation的计算公式分别为： ； ； ； ； ；式中， 表示GLCM特征矩阵中第 行元素的平均值， 表示第 行元素的标准偏差， 表示第 列元素的平均值， 表示第 列元素的标准偏差。
5.根据权利要求1所述的方法，其特征是，所述输电线植被入侵检测模型训练方法，包括：获取来源于不同输电线环境的图像样本及其植被入侵区域标注信息；将图像样本划分为训练集样本和测试集样本；对图像样本进行预处理，确定植被入侵区域标注信息以及输电线区域标注信息；对预处理后的图像样本进行GLCM特征提取；将预处理后的训练集样本、样本标注信息以及所提取的样本GLCM信息输入预先构建的B-CNN网络，对B-CNN网络进行训练；通过测试集样本检测已训练的B-CNN网络的分类精度，若分类精度达到预设精度要求则停止训练，否则继续通过训练集样本进行B-CNN网络的训练。
6.根据权利要求5所述的方法，其特征是，所述图像样本具有多种分辨率和比例，包括含有高密度植被区域的图像和含有低密度植被区域的图像。
7.一种基于改进B-CNN算法的输电线植被入侵检测装置，其特征是，包括：图像获取模块，被配置用于获取待检测的输电线环境图像；预处理模块，被配置用于对输电线环境图像进行预处理；GLCM特征提取模块，被配置用于对预处理后的图像提取GLCM特征；植被入侵检测模块，被配置用于将预处理后的输电线环境图像以及所提取的图像GLCM特征输入预先训练的输电线植被入侵检测模型，得到模型输出的分类结果；以及，检测结果输出模块，被配置用于根据输电线植被入侵检测模型分类结果输出植被侵入区域以及输电线区域分别被标记的图像；其中，所述输电线植被入侵检测模型采用B-CNN网络，其包括依次设置的输入层、卷积层、双线性池化层以及Softmax归一化层，所述卷积层包括分别连接输入层的卷积网络A和卷积网络B，两者的输出经双线性池化层做外积处理和池化处理后得到双线性向量；B-CNN网络表达为以下公式： ；式中， 表示B-CNN网络的输出分类； 和 分别表示卷积网络A和卷积网络B的特征提取函数，为映射过程函数 ，表示将图像 和位置区域 通过设定的映射关系映射成一个 维尺寸的向量； 表示池化函数， 表示通过Softmax归一化层的双向分类识别向量；所述外积处理公式表示为： ；其中 和 分别为图像 的位置 处卷积网络A和卷积网络B输出的特征；所述池化函数 表示为： ；其中 为图像 的卷积输出在外积处理后的池化结果。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该计算机程序被处理器执行时，实现如权利要求1-6任一项所述的基于改进B-CNN算法的输电线植被入侵检测方法。
