1.一种变电站巡检机器人障碍物判别方法，其特征在于，包括以下步骤：S1：获取变电站场景点巡检机器人周围3D激光雷达原始点云数据，并根据ROI区域提取部分原始点云数据，再将三维原始点云数据转化为二维原始点云鸟瞰图后将所述二维原始点云鸟瞰图输入深度卷积神经网络中，利用随机梯度下降算法对深度卷积神经网络模型进行训练，得到障碍物判别模型；

将所述二维原始点云鸟瞰图输入深度卷积神经网络中的步骤，具体包括以下步骤：S11：载入SSD网络，在所述SSD网络中的VGG‑16主干网络增加DenseNet密集块；

S12：同时通过替换特征提取结构、设计多尺度融合模块和残差预测来改进SSD的预测模块，然后在改进后的SSD的预测模块的每个预测层添加残差块ResBlock；

S13：将所述二维原始点云鸟瞰图输入深度卷积神经网络；

S2：实时获取待检测点云数据，并将所述待检测点云数据转化为待检测点云鸟瞰图；

S3：将进行归一化处理的所述待检测点云鸟瞰图输入至障碍物判别模型中，得到障碍物的类别信息。

2.根据权利要求1所述的变电站巡检机器人障碍物判别方法，其特征在于，所述步骤S2具体包括：

选取巡检机器人前方部分区域作为目标判别区域，实时获取目标判别区域的3D激光雷达点云数据；

进行ROI提取，将3D激光雷达点云数据进行处理并转化为二维待检测点云鸟瞰图。

3.根据权利要求2所述的变电站巡检机器人障碍物判别方法，其特征在于，通过所述3D激光雷达点云数据的Z轴高度值对应到0‑255的灰度值，完成3D激光雷达坐标系到二维图像坐标系的转化，得到所述待检测点云鸟瞰图。

4.根据权利要求1所述的变电站巡检机器人障碍物判别方法，其特征在于，所述步骤S3中对所述待检测点云鸟瞰图归一化处理前，先进行去重处理取出所述待检测点云鸟瞰图中重复的样本。

5.一种变电站巡检机器人障碍物判别系统，其特征在于，包括：障碍物判别模型建立模块，用于获取变电站场景点巡检机器人周围3D激光雷达原始点云数据，并根据ROI区域提取部分原始点云数据，再将三维原始点云数据转化为二维原始点云鸟瞰图后输入深度卷积神经网络中，利用随机梯度下降算法对深度卷积神经网络模型进行训练，得到障碍物判别模型；其中，所述障碍物判别模型建立模块还包括SSD网络优化单元，用于在SSD网络中的VGG‑16主干网络增加DenseNet密集块，并用于通过替换特征提取结构、设计多尺度融合模块和残差预测来改进SSD的预测模块，以及在改进后的SSD的预测模块的每个预测层添加残差块ResBlock；

待测数据获取模块，用于实时获取待检测点云数据；

数据转换模块，与所述待测数据获取模块相连，用于将所述待检测点云数据转化为待检测点云鸟瞰图；

障碍物判别模块，与所述数据转换模块、障碍物判别模型建立模块相连，用于接收所述障碍物判别模型建立模块建立的障碍物判别模型与待检测点云鸟瞰图，将所述待检测点云鸟瞰图进行归一化处理输入至障碍物判别模型中，得到障碍物的类别信息。

6.根据权利要求5所述的变电站巡检机器人障碍物判别系统，其特征在于，所述待测数据获取模块还包括待检区域选取单元与数据获取单元；

所述待检区域选取单元用于选取巡检机器人前方部分区域作为目标判别区域；

所述数据获取单元实时根据所述待检区域选取单元选取的目标判别区域获取3D激光雷达点云数据及对应的相机照片。

7.根据权利要求6所述的变电站巡检机器人障碍物判别系统，其特征在于，所述数据转换模块接收所述3D激光雷达点云数据进行ROI提取后将所述3D激光雷达点云数据的Z轴高度值对应到0‑255的灰度值，完成3D激光雷达坐标系到二图像坐标系的转化，得到所述待检测点云鸟瞰图。

8.根据权利要求5所述的变电站巡检机器人障碍物判别系统，其特征在于，还包括终端，用于接收所述障碍物判别模块的障碍物的类别信息并存储显示。