【技术实现步骤摘要】
本申请涉及数据处理，具体而言，涉及一种距离测算方法及装置、非易失性存储介质、电子设备。
技术介绍
1、电网作为国民经济和社会发展的重要基础设施，其规模随着经济的增长而不断扩大。输电线路作为电网的重要组成部分，其建设和维护任务日益繁重。输电线路通常建设在野外、山地或森林等偏远地区，这些地区由于自然和人为因素，容易发生山火，对电网安全构成严重威胁。
2、山火不仅会对自然环境造成破坏，还可能导致大规模停电事故，严重影响国民经济和人民的日常生活。山火的发生往往与输电线路的安全运行密切相关，因此，对输电线路进行实时巡检，及时发现并处理山火，对于保障电网安全至关重要。
3、当前，山火的管理和预防主要依靠森林防火部门和电力基层部门共同实施的山火预警体系，通过制定法规严格控制火源，加强日常线路巡视，以及在危险时期砍伐清理线路通道等措施。尽管如此，这些措施仍存在局限性，无法在整个输电网内部建立一个全面、长期、实时的山火实时监控及预警机制。传统的人工巡检方式在面对地形复杂、地域广阔的输电线路时显得力不从心。人工巡检效率低下，且难以覆盖所有区域，无法满足实时监控的需求。因此，迫切需要采用自动化、智能化的监测手段来提高巡检效率和准确性。
4、早期山火通常以烟雾形式出现，因此，及时发现早期烟雾是山火监测的关键。现有的自动监测技术中，基于计算机视觉的图像处理技术尤其适用于早期烟雾的监测，能够通过分析烟雾图像特点，实现对山火的早期预警。
5、随着科技的进步，多种自动监测技术被应用于山火监测，包括激光雷达检测技术
6、在过去的数十年中，红外与可见光的图像级融合技术得到了快速发展，各种不同的图像融合方法被广泛提出。各种融合方法大致可以被分为以下几种类别。基于多尺度变换的方法，这类方法常包含多尺度分解、多尺度融合以及多尺度重构等。
7、虽然这些传统的融合方法取得了相当的进展，但仍然存在问题，比如说特征提取过程依旧过分依赖先验知识、融合方法及融合规则越来越繁琐复杂等，这也限制了像素级图像融合的速度，距离实时融合的目标还具有差距。
8、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种距离测算方法及装置、非易失性存储介质、电子设备，以至少解决由于相关技术对无人机采集到的图片中的火点的识别速度较慢，造成的无法及时确定火点与线缆之间的距离的技术问题。
2、根据本申请实施例的一个方面，提供了一种距离测算方法，包括：获取无人机采集到的彩色图像，其中，彩色图像中至少包括：树木；利用深度学习模型识别彩色图像中树木火灾事故的火点，得到包围火点的识别框；获取无人机采集到的可见光图像和红外光图像，其中，可见光图像以及红外光图像中均至少包括：树木；利用卷积神经网络对可见光图像和红外光图像进行融合处理，得到融合图像；在融合图像上叠加识别框，得到目标图像，在目标图像中确定火点的第一位置；根据无人机采集到的输电线路的图像，确定输电线路的第二位置；计算第一位置与第二位置之间的目标距离。
3、可选地，卷积神经网络为通过如下方法训练所得到的：获取训练集，其中，训练集中包括：历史可见光图像和历史红外光图像，其中，历史可见光图像和历史红外光图中均至少包括：树木和火点；对历史可见光图像进行特征提取处理，得到第一特征，对历史红外光图像进行特征提取处理，得到第二特征；对第一特征和第二特征进行特征融合处理，得到第三特征，对第三特征进行特征重建处理，得到第一图像，其中，历史红外光图像中包括多个滑动窗口，第一图像为单通道灰度图像；根据历史红外光图像中的每个滑动窗口中的像素数量以及像素值，确定每个滑动窗口的像素平均强度；根据每个滑动窗口的像素平均强度，确定每个滑动窗口的像素评分；根据历史红外光图像中滑动窗口的数量以及每个滑动窗口的像素评分，确定第一子损失函数；根据历史可见光图像中的第一像素的像素值与第二像素的像素值之间的二范数，确定第二子损失函数，第一像素为任意一个像素，第二像素为第一像素的相邻像素；根据第一子损失函数以及第二子损失函数，确定第一目标损失函数；利用第一图像和第一目标损失函数对卷积神经网络进行训练。
4、可选地，利用第一图像和第一目标损失函数对卷积神经网络进行训练，包括：若卷积神经网络的输出图像在多维方向上的像素密度变化的速率大于第一预设阈值，确定卷积神经网络训练完成；或者，若卷积神经网络的输出图像的峰值信噪比大于第二预设阈值，确定卷积神经网络训练完成。
5、可选地，深度学习模型中包括：第一目标模块、第二目标模块、第一模块、第二模块、第三模块、第四模块、第五模块、第六模块、第七模块、合并模块、上采样模块，其中，第一目标模块依次与3个第二目标模块连接，第1个第二目标模块分别与第1个第一模块和第2个第二目标模块连接，第1个第一模块与第1个合并模块连接，第1个合并模块分别与第1个第三模块连接和第1个上采样模块连接，第1个第三模块分别与第1个第五模块和第1个第六模块连接，第1个第六模块与第1个第七模块连接；第2个第二目标模块分别与第3个第二目标模块和第2个第一模块连接，第2个第一模块与第2个合并模块连接，第2个合并模块分别与第2个第三模块和第2个上采样模块连接，第2个第三模块与第3个合并模块连接，第3个合并模块分别与第1个第五模块和第3个第三模块连接，第1个第五模块与第1个第三模块连接，第3个第三模块分别与第2个第五模块和第2个第六模块连接，第2个第六模块与第2个第七模块连接；第3个第二目标模块与第四模块连接，第四模块与第2个上采样模块连接，第2个第五模块与第4个合并模块连接，第4个合并模块分别与第四模块和第4个第三模块连接，第4个第三模块依次与第3个第六模块和第3个第七模块连接；第一目标模块中包括：4个串联的第一模块和第二模块，第二目标模块中包括：第五模块和第二模块；第一模块中包括：卷积层、批量归一化层和激活函数；第二模块中包括：第一分支和第二分支，其中，第一分支中包括：4个串联的第一模块，第二分支中包括：1个第一模块，第一分支中的第1个第一模块、第3个第一模块、第4个第一模块与合并模块连接，第二分支中的第一模块与合并模块连接，合并模块与第5个第一模块连接；第三模块中包括：第三分支和第四分支，其中，第三分支中包括：4个串联的第一模块，第四分支中包括：1个第一模块，第一分支中的第1个第一模块、第2个第一模块、第3个第一模块、第4个第一模块与合并模块连接，第四分支中的第一模块与合并模块连接，合并模块与第5个第一模块连接；第四模块用本文档来自技高网...
【技术保护点】
1.一种距离测算方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络为通过如下方法训练所得到的：
3.根据权利要求2所述的方法，其特征在于，利用所述第一图像和所述第一目标损失函数对所述卷积神经网络进行训练，包括：
4.根据权利要求1所述的方法，其特征在于，所述深度学习模型中包括：第一目标模块、第二目标模块、第一模块、第二模块、第三模块、第四模块、第五模块、第六模块、第七模块、合并模块、上采样模块，其中，
5.根据权利要求4所述的方法，其特征在于，所述深度学习模型为通过如下方法训练所得到的：
6.根据权利要求5所述的方法，其特征在于，包括：
7.根据权利要求1所述的方法，其特征在于，计算所述第一位置与所述第二位置之间的目标距离之后，所述方法还包括：
8.一种距离测算装置，其特征在于，包括：
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述的距离测
10.一种电子设备，其特征在于，包括：存储器和处理器，所述处理器用于运行存储在所述存储器中的程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的距离测算方法。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的距离测算方法。
...【技术特征摘要】
1.一种距离测算方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络为通过如下方法训练所得到的：
3.根据权利要求2所述的方法，其特征在于，利用所述第一图像和所述第一目标损失函数对所述卷积神经网络进行训练，包括：
4.根据权利要求1所述的方法，其特征在于，所述深度学习模型中包括：第一目标模块、第二目标模块、第一模块、第二模块、第三模块、第四模块、第五模块、第六模块、第七模块、合并模块、上采样模块，其中，
5.根据权利要求4所述的方法，其特征在于，所述深度学习模型为通过如下方法训练所得到的：
6.根据权利要求5所述的方法，其特征在于，包括：
7.根据权利要...
【专利技术属性】
技术研发人员：戴瑞成，迟兴江，赵璧，史志远，张潇，段赛飞，张睿哲，姚磊，施翔，周恺，耿军伟，刘畅，张思航，
申请(专利权)人：国网北京市电力公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。