1.一种基于YN‑Net卷积神经网络的输电线路障碍物检测方法，其特征在于，包括如下步骤：S1：基于输电线路巡检机器人搭载的ZED双目摄像头采集输电线路障碍物图像；

S2：对采集到的输电线路障碍物图像进行预处理并制成数据集；

S3：搭建YN‑Net卷积神经网络，并使用步骤S2的数据集对YN‑Net卷积神经网络进行充分训练，得到训练好的YN‑Net卷积神经网络模型；

S4：使用训练好的YN‑Net卷积神经网络模型对采集到的输电线路障碍物实时图像进行分类，根据输入图像中存在障碍物与不存在障碍物的概率值来判断输电线路巡检机器人前方是否存在障碍物；

所述步骤S3中YN‑Net卷积神经网络的搭建方法为：

B1：设计一种新型的卷积结构单元，命名为Reduce‑Group卷积，Reduce‑Group卷积首先使用标准卷积对输入特征图进行降维，再通过2个不同的卷积通道对降维后的特征图进行特征提取，通道1对降维后的特征图进行一次分组卷积特征提取，通道2对降维后的特征图进行两次分组卷积特征提取，最后将两个通道的结果叠加使用分组卷积进行特征提取，得到最终的输出特征图；

B2：基于Reduce‑Group卷积搭建YN‑Net卷积神经网络；

所述步骤B2中基于Reduce‑Group卷积搭建YN‑Net卷积神经网络的方法为：首先将输入图像进行大小调整，使用一层标准卷积层对调整后的输入图像进行特征提取得到初步特征图，然后使用五层的Reduce‑Group卷积层对初步特征图进行进一步特征提取，得到深度特征图，用两层的标准卷积层对深度特征图进行特征融合得到YN‑Net卷积神经网络的最终特征图，使用全局均值池化对最终特征图进行处理得到输出向量out，out的组成如公式(1)所示，其中a和b分别表示当前输入图像中存在障碍物与不存在障碍物的概率值out＝[a,b] (1)。

2.根据权利要求1所述的一种基于YN‑Net卷积神经网络的输电线路障碍物检测方法，其特征在于，所述步骤S2中采用图像筛选及图像增广对采集到的输电线路障碍物图像进行预处理。

3.根据权利要求1或2所述的一种基于YN‑Net卷积神经网络的输电线路障碍物检测方法，其特征在于，所述步骤S2中数据集获取方法为：根据是否存在障碍物，对经过预处理后的输电线路障碍物图像进行打标签操作，得到打好标签的数据集。

4.根据权利要求2所述的一种基于YN‑Net卷积神经网络的输电线路障碍物检测方法，其特征在于，所述步骤S2中预处理操作的过程为：A1：对采集到的图像集进行图像筛选，删除其中拍摄模糊的图像；

A2：对采集到的图像集进行图像增广，采取的操作包括：水平翻转、垂直翻转、添加高斯噪声、调节图像的饱和度、对比度及亮度；

A3：对采集到的图像集进行敏感区域划分，以图像中点为中心划分敏感区域，敏感区域纵向长度与图像纵向长度相同，横向长度为图像横向长度的三分之一，并依据敏感区域对图像集中的图像进行切割，只保留敏感区域内部图像。

5.根据权利要求1所述的一种基于YN‑Net卷积神经网络的输电线路障碍物检测方法，其特征在于，所述步骤S3中YN‑Net卷积神经网络模型的训练方法为：将数据集按照比例划分为训练集和测试集对搭建的YN‑Net卷积神经网络模型进行训练，损失函数使用交叉熵损失函数，网络优化器采用亚当优化器，对网络进行迭代训练，得到训练好的YN‑Net卷积神经网络模型。