1.一种电力检修车的安全态势感知与危险预警方法，其特征在于，包括以下步骤：S1、构建电力作业现场三维模型；

S2、通过北斗地基增强定位获取电力检修车在电力作业现场三维模型中的位置坐标；

S3、根据电力检修车的位置坐标确定曲臂工作的允许阈值；

S4、构建并训练融合注意力机制的R‑YOLOV5网络；采用训练后的融合注意力机制的R‑YOLOV5网络对目标图像中电力检修车的曲臂进行提取，得到包含电力检修车的曲臂的图像；

S5、获取包含电力检修车的曲臂的图像中电力检修车的曲臂位置数据；

S6、判断电力检修车是否处于禁止区域，若是则预警输出；否则进入步骤S7；

S7、根据电力检修车的曲臂位置数据判断电力检修车的曲臂是否处于曲臂工作的允许阈值内，若是则判定为安全；否则预警输出；

步骤S4中构建并训练融合注意力机制的R‑YOLOV5网络的具体方法包括以下子步骤：S4‑1、将YOLOV5网络中卷积层的激活函数替换为HardSwish，在YOLOV5网络中neck层与prediction层之间插入注意力机制模块，得到融合注意力机制的R‑YOLOV5网络；

S4‑2、基于RoLableImg标注软件，采用长边定义法与环形平滑标签对相应图像中电力检修车的曲臂进行标注，将标注完成的文件转化为DOTA数据集的txt格式，并对融合注意力机制的R‑YOLOV5网络进行训练。

2.根据权利要求1所述的电力检修车的安全态势感知与危险预警方法，其特征在于，步骤S1的具体方法包括以下子步骤：S1‑1、通过自带卫星定位模块的无人机进行电力作业现场图片拍摄，得到带有POS数据的现场图片；

S1‑2、通过空中三角测量解算出有POS数据的现场图片的每一像对的相对位置；

S1‑3、通过多视角影像联合光束平差法获取外方位元素；

S1‑4、对带有POS数据的现场图片采用速稳健特征提取方法进行特征点检测，将同一物体的同一特征点标记为同名特征点；

S1‑5、基于同名特征点对带有POS数据的现场图片进行匹配，并通过同名特征点的相对位置与外方位元素信息确定像片的具体位置，生成密集点云；

S1‑6、采用Delaunay三角剖分算法对点云三角剖分，得到立体网状骨架模型；

S1‑7、提取带有POS数据的现场图片的纹理信息并映射到立体网状骨架模型，得到实景三维模型；

S1‑8、以站点为基本单位通过激光雷达点云扫描仪获取电力作业现场激光点云数据；

S1‑9、将电力作业现场激光点云数据进行点云去噪、过滤、注册，并将所有站点的激光点云数据进行拼接；

S1‑10、将拼接后的激光点云数据所在的自由坐标系转换为实景三维模型所在的地理坐标系；

S1‑11、将转换了坐标系的拼接后的激光点云数据与实景三维模型进行融合，得到电力作业现场三维模型。

3.根据权利要求1所述的电力检修车的安全态势感知与危险预警方法，其特征在于，步骤S3中曲臂工作的允许阈值包括最高高度、水平展宽的最宽宽度和张角的最大值。

4.根据权利要求1所述的电力检修车的安全态势感知与危险预警方法，其特征在于，长边定义法包括五个参数的标定，分别为包含电力检修车曲臂的矩形框的中心横坐标、中心纵坐标、短边、长边，以及长边与x轴的夹角。

5.根据权利要求1所述的电力检修车的安全态势感知与危险预警方法，其特征在于，步骤S5的具体方法包括以下子步骤：S5‑1、将包含电力检修车的目标图像转化为灰度图像，并分别与模板[1 0 ‑1]、[1 0 ‑T

1]进行卷积，分别得到矩阵 和 ；

S5‑2、根据公式：

获取梯度的幅值S；

S5‑3、设定幅值阈值，将大于等于幅值阈值的梯度的幅值调整为1，将小于幅值阈值的梯度的幅值调整为0，得到二值梯度幅度图像；

S5‑4、获取二值梯度幅度图像中像素值为1的点的坐标；

S5‑5、将每个像素值为1的点的横纵坐标带入方程 ，获取若干组值；

S5‑6、获取重复次数最多的两组 值 和 ，并根据公式：通过反变换得到曲臂的边界线 和 ；

S5‑7、对曲臂的边界线 和 的坐标进行平均，得到曲臂的方向直线L；

S5‑8、根据曲臂的方向直线L的端点坐标获取曲臂与水平面的角度；

S5‑9、根据曲臂的实际长度和曲臂与水平面的角度，获取相应图像中曲臂的真实高度和真实宽度。

6.根据权利要求5所述的电力检修车的安全态势感知与危险预警方法，其特征在于，步骤S7的具体方法为：若电力检修车的曲臂的真实高度、真实宽度和张角均在阈值范围内时，判定为安全；否则预警输出。