1.一种基于深度学习的输电杆塔异物隐患识别方法，其特征在于，包括：构建输电杆塔异物原始数据集并进行预处理，获得处理后的输电杆塔异物数据集；

构建基于深度学习的输电杆塔异物隐患识别模型，基于所述处理后的输电杆塔异物数据集对输电杆塔异物隐患识别模型进行训练，获得训练后的输电杆塔异物隐患识别模型；

基于所述训练后的输电杆塔异物隐患识别模型对输电杆塔中的异物进行识别，获得识别结果；

基于所述训练后的输电杆塔异物隐患识别模型对输电杆塔中的异物进行识别的过程包括：将输电杆塔异物图像

将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

再依次堆叠IWConv模块和CB-SFE模块3次，分别得到输电杆塔异物特征图将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

对所述输电杆塔异物特征图

将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

所述Conv_BN_SiLU模块包括卷积层、批量归一化层和激活函数；

所述IWConv模块通过动态权重机制，基于输入的输电杆塔异物特征图给定输入输电杆塔异物特征图

将完成卷积后输出的输电杆塔异物特征图公式表达式为：

2.根据权利要求1所述的基于深度学习的输电杆塔异物隐患识别方法，其特征在于，构建输电杆塔异物原始数据集并进行预处理的过程包括：实地拍摄采集输电杆塔异物图像数据，将采集得到的图像数据进行人工标注，使用标注工具将异物位置框选并进行标签标注后，导出xml标签文件；所述xml标签文件包括目标异物的标签名和标注框信息；

将人工标注后的输电杆塔异物图像数据裁剪至同一大小，然后进行数据增强，得到数据增强后的输电杆塔异物数据集，并按照8∶1∶1的比例划分训练集、验证集和测试集。

3.根据权利要求1所述的基于深度学习的输电杆塔异物隐患识别方法，其特征在于，基于所述处理后的输电杆塔异物数据集对输电杆塔异物隐患识别模型进行训练的过程中使用Inner-Focaler-EIoU损失函数同时优化边界框的位置、尺寸、置信度和类别预测的精确度；

所述Inner-Focaler-EIoU损失函数为在在所述

所述

所述

4.根据权利要求1所述的基于深度学习的输电杆塔异物隐患识别方法，其特征在于，所述CB-SFE模块用于特征提取和特征融合；

所述特征提取的过程包括：

输电杆塔异物隐患识别模型中的各个CB-SFE模块使用不同数量的堆叠SFE的SSFE模块实现输电杆塔异物隐患识别模型在不同阶段的特征提取；

所述特征融合的过程包括：

所述CB-SFE模块通过不同尺度的特征融合提升输电杆塔异物隐患识别模型对输电杆塔上的大小异物的检测能力。

5.根据权利要求1所述的基于深度学习的输电杆塔异物隐患识别方法，其特征在于，将所述输电杆塔异物特征图将通道数为C的输电杆塔异物特征图堆叠四个SSFE模块，将所述输电杆塔异物特征图将输电杆塔异物特征图

对所述输电杆塔异物特征图

6.根据权利要求5所述的基于深度学习的输电杆塔异物隐患识别方法，其特征在于，所述CB-SFE模块中的SSFE模块的工作过程包括：将n块SFE模块进行堆叠，按次序进行输出和输入；

同一CB-SFE模块中的SSFE模块所堆叠的SFE模块数量相等；

不同的CB-SFE模块中的SSFE模块所堆叠的SFE模块数量可以不相等。

7.根据权利要求6所述的基于深度学习的输电杆塔异物隐患识别方法，其特征在于，所述SSFE模块中的SFE模块的工作过程包括：将通道数为C的输电杆塔异物特征图将所述输电杆塔异物特征图

再将所述输电杆塔异物特征图

将所述输电杆塔异物特征图

8.根据权利要求5所述的基于深度学习的输电杆塔异物隐患识别方法，其特征在于，所述CB-SFE模块中的CFE模块的工作过程包括：将通道数为C的输电杆塔异物特征图将所述输电杆塔异物特征图

融合原始特征与深度提取的特征，然后将所述输电杆塔异物特征图再将所述输电杆塔异物特征图