1.基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：包括如下步骤：步骤1001，对无人机航拍的玻璃绝缘子图像集合进行预处理，得到预处理后的航拍玻璃绝缘子图像集合；

步骤1002，对预处理后不同类别的航拍绝缘子图像进行分类；

步骤1003，利用YOLO算法对航拍绝缘子图像进行初定位，并对定位后的绝缘子进行归一化处理；

步骤1004，构建多尺度的深层扰动神经网络，扰动神经网络包含扰动层、池化层、全连接层以及h个SCN分类器组成的集成分类器Xh；

步骤1005，融合多分支网络架构的特征向量；

步骤1006，误差反向传播并更新扰动神经网络参数；

步骤1007，基于模糊积分融合方法得到测试集样本的输出结果。

2.根据权利要求1所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：在所述的步骤1002中，在对航拍绝缘子图像进行分类时，分为航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2；

对航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2中各m幅航拍玻璃绝缘子图像进行人工标注，获取玻璃绝缘子区域所在的矩形边界框的坐标位置，得到人工标注后的玻璃绝缘子图像集合作为玻璃绝缘子自爆状态识别的训练集合T1，将所述航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2中其余航拍玻璃绝缘子图像作为玻璃绝缘子自爆状态识别的测试集合T2。

3.根据权利要求1所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：在所述的步骤1003中，对定位后的绝缘子进行归一化处理时，具体包括如下步骤：利用所述训练集合T1训练目标检测YOLO模型，得到玻璃绝缘子检测模型；利用玻璃绝缘子检测模型对所述测试集合T2进行检测，得到测试集合T2中所有航拍玻璃绝缘子图像的矩形边界框的坐标位置；

裁剪出训练集合T1中人工标注的矩形边界框和测试集合T2中航拍玻璃绝缘子图像的矩形边界框并进行归一化操作，得到目标玻璃绝缘子图像集合，并对目标玻璃绝缘子图像集合重新进行分类，分为包含k1幅完好玻璃绝缘子图像的完好绝缘子图像集记为g，包含k2幅自爆玻璃绝缘子图像的自爆玻璃绝缘子图像集记为v；

从完好玻璃绝缘子图像集中取出m1幅完好玻璃绝缘子图像，并从自爆玻璃绝缘子图像集v中取出m2幅自爆玻璃绝缘子图像共同作为训练集T3，剩余玻璃绝缘子图像作为测试集T4。

4.根据权利要求1所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：在步骤1005中，融合多分支网络架构的特征向量，具体包括如下步骤：步骤1005-1，定义变量i，初始化为i＝1；

步骤1005-2，从训练集T3中选取第i幅玻璃绝缘子图像输入第μ次迭代的扰动神经网络，得到维数为8M*4的特征向量Fi,μ；将特征向量Fi,μ输入集成分类器Xh得到集成分类器Xh中第n个SCN分类器的输出为 将t′i，μ，n与期望输出作差得到集成分类器Xh中第n个SCN分类器的输出误差ei,μ,n；其中，n＝

1,...,h，nc为扰动神经网络输出类别个数；

步骤1005-3，将i+1赋值给i后，判断i﹥m1+m2是否成立；若成立，则继续执行步骤1005-4，否则，返回步骤1005-2；

步骤1005-4，计算第μ次迭代的扰动神经网络中集成分类器Xh中第n个SCN分类器的输出均方根误差 利用加权平均法计算第μ次迭代的扰动神经网络输出的均方根误差

步骤1005-5，将μ+1赋值给μ后，判断μ﹥μmax是否成立，若成立，保存扰动神经网络模型Aμ，继续执行步骤1007；否则，继续执行步骤1006。

5.根据权利要求1所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：在所述的步骤1006中，误差反向传播并更新扰动神经网络参数的公式为：其中，Ln表示集成分类器Xh中第n个SCN分类器的节点个数；T表示网络期望输出集，T＝{t1,t2,...tN}；Fμ表示网络第μ次更新时网络全连接层的特征集，Fμ＝{F1,μ,.F2,μ,...FN,μ}；

Fμ,n表示网络第μ次更新反向传播过程中集成分类器Xh中第n个SCN分类器的输入特征向量；βj,n表示集成分类器Xh中第n个SCN分类器到输出层的权重； 表示全连接层到集成分类器Xh中第n个SCN分类器的权重；bj,n表示全连接层到集成分类器Xh中第n个SCN分类器的偏置；k(·)表示网络的激活函数。

6.根据权利要求1所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：在所述的步骤1004中，深层扰动神经网络包括三层：第一层为7×7的卷积层，卷积核的个数是M个；

第二层为3×3的最大池化层，并产生三个分支；

第三层为h个SCN分类器组成的集成分类器Xh。

7.根据权利要求6所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：所述的三个分支为：第一层为7×7的卷积层，卷积核的个数是M个，这也就意味着经过该层卷积后的输出图像通道是M，第二层为3×3的最大池化层，然后产生三个分支：第一个分支：首先连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接2个连续的扰动层，输出图像的通道数为4M；

第二个分支：首先连接3个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接4个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接6个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接3个连续的扰动层，输出图像的通道数为4M；

第三个分支：首先连接6个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接12个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接24个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；

最后连接16个连续的扰动层，输出图像的通道数为4M；

将三个分支的特征输出进行特征融合，然后输入到四个分支，第一个分支是7×7的平均池化层和神经元个数为12M的全连接层；第二个分支为1×1的平均池化层、神经元个数为

192M的全连接层和神经元个数为12M的全连接层；第三个分支为3×3的平均池化层、神经元个数为108M的全连接层和神经元个数为12M的全连接层；第四个分支为5×5的平均池化层、神经元个数为48M的全连接层和神经元个数为12M的全连接层；再将四个全连接层的输出进行加权平均，得到维数为12M的特征向量输出。

8.根据权利要求7所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：所述的扰动层包含预定义随机噪声掩模、Relu激活函数以及卷积核大小为1×

1的卷积层，其特征如公式所示：

其中， 表示第l层扰动层的输出图像，输出图像通道数为t； 表示第l层扰动层的输入图像的第i个通道数图像，输入图像的总通道数为c； 表示第l层扰动层第i个预定义随机噪声掩模；σrelu(·)为非线性激活函数Relu； 表示第l层扰动层的权重参数，相当于进行一次卷积核大小为1×1的卷积操作，将经过激活函数的特征图通道数转换为输出图像的通道数。