1.一种基于深度学习的接触网关键部件识别方法，其特征在于：包括以下几个步骤：(1)目标图像采集：采集目标图像，形成原始图像样本集；

(2)图像数据增强：对原始图像样本集进行测试和探索，根据测试结果，选择合适的灰度变换、剪切、旋转、镜像、加噪声图像处理方法进行数据处理，形成图像处理图片集，并将图像处理图片集与原始图像样本集进行整合，组成训练集，从训练集中抽取一部分作为验证集与测试集；

(3)图像分层识别：利用训练集进行图像区域识别和关键部件识别的网络模型训练，得到针对不同目标区域的网络模型；

(4)关键部件及部件特征识别：识别零部件以及零部件各个部位。

2.如权利要求1所述的一种基于深度学习的接触网关键部件识别方法，其特征在于：所述步骤(3)具体步骤如下：(3a)将训练集图像尺寸缩小，得到训练集一；

(3b)图像区域识别：利用训练集一进行Faster R-CNN网络模型训练，形成网络模型一，利用网络模型一对训练集一图像识别并提取多个目标区域，得到目标区域的坐标；

(3c)将目标区域坐标映射到训练集一图像上，得到训练集一图像上的目标区域坐标，并将目标区域从训练集一图像剪裁下来，分别对剪裁下的不同目标区域尺寸进行变化，形成训练集二；

(3d)训练集二数据增强：利用图像识别模块对训练集二进行测试和探索，根据测试结果，运用灰度变换以及旋转、镜像、加噪声图像处理方法进行数据处理，形成训练集三，并将训练集三与训练集二进行整合，组成训练集四，从中随机抽取部分图片作为验证集二、测试集二；

(3e)关键部件识别网络模型训练：利用训练集四不同区域图像分别进行Faster R-CNN网络训练，得到针对不同目标区域的网络模型，统称为网络模型二。

3.如权利要求2所述的一种基于深度学习的接触网关键部件识别方法，其特征在于：所述步骤(3b)中所述图像区域识别的具体步骤如下：(3.1)利用训练集一对Faster R-CNN模型训练，产生用于识别目标区域的初级网络模型一；

(3.2)利用初级网络模型一对测试集和验证集进行测试，根据训练集、测试集、验证集识别率关系调整模型参数，并利用模型对未标注过的图片进行测试，根据识别出区域数量，挑选出没有识别到的图片的未识别区域，标注时仅标注未识别图片的未识别区域，并将其他区域以黑色覆盖，形成错误集，并将错误集添加入训练集；

(3.3)统计目标区域识别率是否达到标准，若达到则流程继续，否则，根据测试集、训练集、验证集识别率调整参数并利用加入错误集后的训练集进行微调，微调时在原代价函数基础上增加惩罚项 代价函数变为：其中w为用于微调的网络模型的权重，w'为每次更新得到的权重，β为该惩罚项的影响因子，得到新的初级网络模型一，并用该网络模型对未标注图片进行测试，得到错误集，并重复步骤(3.3)，直到目标区域识别率达标，建立最终图像目标区域识别Faster R-CNN网络模型，即网络模型一；

(3.4)利用网络模型一进行目标区域识别并提取。

4.如权利要求2所述的一种基于深度学习的接触网关键部件识别方法，其特征在于：步骤(3e)中所述关键部件识别网络模型训练的具体步骤如下：(4.1)利用训练集四不同区域图片分别进行关键部件识别的网络训练，得到针对不同区域的初级网络模型二；

(4.2)利用初级网络模型二对测试集二和验证集二进行测试，根据训练集四、测试集二、验证集二识别率关系调整模型参数。并利用模型对未标注过的图片进行测试，根据识别出区域数量，挑选出没有识别到的图片的未识别区域，标注时仅标注未识别图片的未识别区域，并将其他区域以黑色覆盖，形成错误集，并将错误集添加入训练集四；

(4.3)分别统计不同区域关键部件在测试集下的识别率是否达到标准，若达到则流程继续，否则，根据测试集二、训练集四、验证集二识别率调整参数并利用加入错误集后的训练集四进行微调，得到新的初级网络模型二，并用该网络模型对未标注图片进行测试，得到错误集，并重复步骤(4.3)，直到关键部件识别率达标，得到最终关键部件识别网络模型，即网络模型二。

5.如权利要求1-2所述的一种基于深度学习的接触网关键部件识别方法，其特征在于：步骤(2)和(3d)中所述灰度变换方法具体为：

(1)灰度线性变换

灰度线性变化是将直方图以类似“平移”的方式移动，其变化函数如下所示：g(x,y)＝k·f(x,y)+d

其中，f(x,y)是原始图像灰度值，g(x,y)为变换后的灰度图像灰度值；

(2)对数变换

对数变化的特点是对低像素值进行拉伸，对高像素值进行抑制，其函数如下所示：y＝c·logv+1(1+v·x)

通过将c恒定设置为1，改变v的值，是v越大，对低灰度级的增强作用越强，对高灰度级的压制作用越大；

(3)幂次变换

对于灰度幂次变换，其基本表达式为：

y＝cxr+b

其中c和r均为正数；

(4)灰度拉伸

灰度拉伸的基本原理利用分段函数来对原图像进行变换，通过观察发现需要主要突出的像素值主要集中在4-60之间，这样，便将整个灰度曲线分为3个部分，假设像素值在0-4，

5-60，61-255之间的斜率分别为a1,a2,a3，由此可以计算出3个部分的折线表达式分别为：其中，a1，a2，a3为斜率。

6.如权利要求1-2所述的一种基于深度学习的接触网关键部件识别方法，其特征在于：步骤(2)和(3d)中所述旋转、镜像、加噪声方法具体为：(1)增加噪声

通过具体分析不同线路图片在不同环境下拍摄所可能遇到的噪声，对训练集图片增加噪声；

(2)镜像与旋转

镜像操作时，对于图像的每个像素点位置(x,y)，其中(1≤x≤图像宽度W，1≤y≤图像宽度H)，镜像操作后该点位置为(W-x+1,y)。旋转操作时，对于图像的每个像素点位置(x,y)，若旋转角度为θ，则旋转后的坐标(xr,yr)为：

7.如权利要求2-4所述的一种基于深度学习的接触网关键部件识别方法，其特征在于：所述的图像区域识别和关键部件识别的Faster R-CNN网络模型其特征提取网络采用ZF网络，但分别进行参数配置。

8.如权利要求3-4所述的一种基于深度学习的接触网关键部件识别方法，其特征在于：步骤(3.2)和(4.2)所述的测试集由原始图像样本集中的图像组成。

9.如权利要求3-4所述的一种基于深度学习的接触网关键部件识别方法，其特征在于：步骤(3.2)、(3.3)、(4.2)和(4.3)所述的错误集并非特指某个特定的图像样本集，而是泛指单次或多次测试后产生的未识别图像的集合。

10.如权利要求2所述的一种基于深度学习的接触网关键部件识别方法，其特征在于：步骤(3b)中所述多个目标区域具体包括：平腕臂绝缘子左、平腕臂绝缘子、平腕臂绝缘子右、平腕臂支撑、斜腕臂支撑、承力索底座、斜腕臂绝缘子左、腕臂绝缘子、斜腕臂绝缘子右、斜腕臂支撑、定位器沟环、防风拉线、定位器线夹等。