1.一种电网巡检绝缘子检测分类方法，其特征在于，包括以下步骤：

S1、获取输电线路绝缘子数据集；

S2、对数据集进行人工标注，得到训练数据集；

S3、构建电网巡检绝缘子检测分类模型；

S4、将训练数据集输入目标先验模型，得到正样本和负样本；

S5、将正样本和负样本输入电网巡检绝缘子检测分类模型进行训练，得到训练完成的电网巡检绝缘子检测分类模型；

S6、采集输电线路绝缘子数据，并将其输入到训练完成的电网巡检绝缘子检测分类模型，得到分辨率不同的特征图；

S7、对分辨率不同的特征图同时进行Softmax分类预测和边框回归处理，得到包含绝缘子的图像及其分类结果。

2.根据权利要求1所述的电网巡检绝缘子检测分类方法，其特征在于，所述步骤S3中电网巡检绝缘子检测分类模型包括：改进型VGG-16网络结构、多尺度特征卷积层Conv8_1、多尺度特征卷积层Conv8_2、多尺度特征卷积层Conv9_1、多尺度特征卷积层Conv9_2、加法器SUM1、加法器SUM2、加法器SUM3、第一反卷积层、第二反卷积层、第三反卷积层、第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型；

所述加法器SUM3的第一输入端与改进型VGG-16网络结构的第10层卷积层Conv4_3连接，其第二输入端与第二反卷积层的第一输出端连接；所述改进型VGG-16网络结构的卷积层Conv7的输出端分别与加法器SUM2的第一输入端和多尺度特征卷积层Conv8_1的输入端连接；所述多尺度特征卷积层Conv8_1的输出端与多尺度特征卷积层Conv8_2的输入端连接；所述多尺度特征卷积层Conv8_2的输出端分别与加法器SUM1的第一输入端和多尺度特征卷积层Conv9_1的输入端连接；所述多尺度特征卷积层Conv9_2的输出端分别与加法器SUM1的第二输入端和第四检测回归模型的输入端连接，其输入端与多尺度特征卷积层Conv9_1的输出端连接；所述加法器SUM1的输出端与第一反卷积层的输入端连接；所述第一反卷积层的第一输出端与加法器SUM2的第二输入端连接，其第二输出端与第三检测回归模型的输入端连接；所述加法器SUM2的输出端与第二反卷积层的输入端连接；所述第二反卷积层的第二输出端与第二检测回归模型的输入端连接；所述第三反卷积层的输出端与第一检测回归模型的输入端连接，其输入端与加法器SUM3的输出端连接。

3.根据权利要求2所述的电网巡检绝缘子检测分类方法，其特征在于，所述改进型VGG-

16网络结构以VGG-16为框架，将VGG-16中的全连接层fc6替换成卷积层Conv6，将其全连接层fc7替换成卷积层Conv7。

4.根据权利要求2所述的电网巡检绝缘子检测分类方法，其特征在于，所述第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型的结构均相同，均包括：第一卷积层、第二卷积层、第三卷积层和第四卷积层；

所述第一卷积层的输入端与第三卷积层的输入端连接，并作为第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型的输入端，其输出端与第二卷积层的输入端连接；所述第三卷积层的输出端与第四卷积层的输入端连接。

5.根据权利要求2所述的电网巡检绝缘子检测分类方法，其特征在于，所述第一反卷积层、第二反卷积层和第三反卷积层的计算公式为：f＝(G-1)*s+O-2p

其中，f为反卷积层输出的特征图的尺寸大小，s为卷积步长，G为反卷积层输入的特征图的尺寸大小，O为卷积核尺寸，p为填充。

6.根据权利要求1所述的电网巡检绝缘子检测分类方法，其特征在于，所述步骤S4包括以下分步骤：S41、根据输电线路绝缘子的类型，确定模糊聚类类别I；

S42、根据模糊聚类类别I，初始化聚类中心矩阵和迭代次数：

(q)

V ＝{v1,…,υi,…,υI},q＝0

其中，V(0)为初始的聚类中心矩阵，vi为第i类特征图，q为迭代次数；

S43、采用欧氏距离，计算目标函数的最小值；

其中，Jm为目标函数，dij(xj,υi)为数据集的第j个样本与vi之间的失真度，J为数据集中样本数量，I为特征图总类别，uij为样本xj的隶属度系数，m为加权指数。

S44、根据目标函数的最小值，对第q次迭代的聚类中心矩阵进行更新，得到第q+1次迭代的聚类中心矩阵；

S45、判断第q+1次迭代的聚类中心矩阵与第q次迭代的聚类中心矩阵的差值是否小于阈值ε，若是，则停止迭代，将q+1次迭代的聚类中心矩阵作为最终的聚类中心矩阵，并跳转至步骤S46，若否，则q自加1，并跳转至步骤S43；

S46、根据聚类中心矩阵，计算训练数据集中候选框与真值的交并比；

S47、设置交并比的阈值，判断训练数据集中每个样本的交并比是否大于其阈值，若是，则将该样本归为正样本，进入步骤S5，若否，则将该样本归为负样本，进入步骤S5。

7.根据权利要求1所述的电网巡检绝缘子检测分类方法，其特征在于，所述步骤S5中的训练过程包括以下步骤：S51、初始化电网巡检绝缘子检测分类模型，输入正样本和负样本；

S52、根据模型目标损失函数，计算巡检绝缘子检测分类模型的损失值；

S53、根据巡检绝缘子检测分类模型的损失值，通过反向传播，得到梯度值；

S54、根据梯度值，采用随机梯度下降法和Adam优化器对电网巡检绝缘子检测分类模型进行迭代更新，得到训练完成的电网巡检绝缘子检测分类模型。

8.根据权利要求6所述的电网巡检绝缘子检测分类方法，其特征在于，所述步骤S52中的模型目标损失函数满足以下方程组：Lcls(pk,pk*)＝-log[pk*pk+(1-pk*)(1-pk)]Lreg(uk,uk*)＝smoothL1(uk-uk*)

其中，L({pk},{uk})为计算的损失值，Ncls为分类项的归一化参数，Nreg为回归项的归一化参数，Lcls(pk,pk*)为分类损失函数，α为平衡权重参数，k为候选框中的索引，pk为预测为目标的概率，pk*∈{0,1}为指示参数，Lreg(uk,uk*)为回归损失函数，smoothL1为smooth L1损*失函数，uk为预测的坐标向量，uk为真实坐标向量。