1.一种人工智能识别任意方向变电站绝缘子红外图像的方法，其特征是包括以下步骤：S1、通过红外热成像仪获取变电站绝缘子的红外图像；

S2、对获取的图像进行预处理，以形成绝缘子红外图像数据集；

S3、对获取的数据集进行绝缘子标注，并将数据集划分为训练集与测试集；

S4、构建一种改进单阶段检测网络的红外图像检测模型；

包括：建立网络结构、设计特征图以及建立损失函数；

所述的改进单阶段检测网络采用darknet53网络和特征金字塔结构提高特征提取能力；

网络结构包括：若干卷积层，对每个卷积层进行卷积运算后输出的张量的二维层为特征层，特征层中包括素材图像中目标的位置信息和方向角度信息；

设计特征图包括：特征层根据特征图尺寸设置若干个锚点；以每个锚点为中心，周围设置若干旋转锚框，所述旋转锚框为根据不同特征层中的位置和角度信息所形成的目标框提供参照，旋转锚框的高宽比为根据标注图像上目标的尺寸聚类后的属性，旋转锚框的尺寸为素材图像上目标的尺寸聚类后的尺寸的数值，旋转锚框的高宽比为素材图像上目标的尺寸聚类后的高宽比的数值，旋转锚框的方向角度为构建的图像数据集上对绝缘子目标的倾斜角度经过统计后得到的方向角度数值；

所述损失函数用以计算输出结果与真实值的差别；

目标检测网络预测绝缘子目标的位置信息时，每个网格产生的默认旋转锚框与预测框的关系为：式中，cx表示预测框中心点所处网格的左上角x绝对坐标，cy表示预测框中心点所处网格的左上角y绝对坐标，σ(tx)表示预测框中心点相对预测框中心点所在网格的左上角坐标的x偏移量，σ(ty)表示预测框中心点相对预测框中心点所在网格的左上角坐标的y偏移量，tw表示预测框的宽偏移量，th表示预测框的高偏移量，bw表示预测框的宽，bh表示预测框的高，θ表示预测框的预测角度；

所述目标检测网络预测特征层中绝缘子目标的位置和角度信息时，所述建立损失函数中的表达式为：Lloss＝Lbox+Lobj+Lcls

其中，Lbox表示边界框回归损失函数，Lobj表示置信度损失函数，Lcls表示分类损失函数；

所述的回归损失函数中：

其中，S表示特征图划分的网格数，B为预测框数量，x表示预测框相对于网格左上角的水平偏移量，表示默认锚相对于网格左上角的水平偏移量；y表示预测框相对于网格左上角的垂直偏移量，表示默认锚框相对于网格左上角的垂直偏移量；w表示预测框的宽度，表示默认锚框的宽度；h表示预测框的高度，表示默认锚框的高度；θ表示预测框的方向角度，表示默认框的方向角度；

所述分类损失函数中：

其中，λclass表示分类损失函数占总损失函数的权重，Pi(c)表示第i个网格的预测框中第c类物体存在的概率；

所述置信度损失函数中：

其中，λobj为结果目标框的位置权重，λnoobj为背景框的位置权重，ci表示第i个网格中物体存在的置信度，表示标注框标注的物体真实值；

S5、使用数据集中的训练集训练该模型并调节参数；

S6、使用数据集中的测试集对训练好的模型进行测试，以证明模型的有效性；

通过以上步骤实现对变电站绝缘子的红外图像的自动检测和识别。

2.根据权利要求1所述的一种人工智能识别任意方向变电站绝缘子红外图像的方法，其特征是：获取的原始绝缘子红外图像是变电站技术人员通过手持红外热成像仪在现场拍摄或通过携带红外热像仪的变电站巡检机器人得到；

将获取的原始图像通过旋转、翻转和灰度变换中一种或多种方式进行图像预处理，扩充原始图像的数据量，以形成能够应用于模型并能对模型进行有效评估的数据集。

3.根据权利要求1所述的一种人工智能识别任意方向变电站绝缘子红外图像的方法，其特征是：通过框选操作对数据集中的绝缘子进行标注，制作成待训练与待测试的数据集。

4.根据权利要求1所述的一种人工智能识别任意方向变电站绝缘子红外图像的方法，其特征是：Darknet53网络结构通过Shortcut模块提高深层网络的学习能力，融合不同尺度特征图以生成的新特征金字塔结构；

在检测层中加入方向角度参数来学习旋转目标的回归。

5.根据权利要求4所述的一种人工智能识别任意方向变电站绝缘子红外图像的方法，其特征是：最后的检测层中输出的三层特征图形状分别为19×19×21，38×38×21，76×76×21，其中19,38,76表示最后三个检测层输出的网格数，21表示预测框在每个负责的网格输出的参数数量。

6.根据权利要求1所述的一种人工智能识别任意方向变电站绝缘子红外图像的方法，其特征是：结合数据可视化分析方法和聚类分析方法，统计数据集中绝缘子标注框的宽高比、有效像素面积和方向角度，设定符合数据集的默认框，使每个位置的默认框的比例尺度能够与特征图的每个位置的真实框相匹配，以提高模型对检测目标的收敛速度；

采用经过训练的Darknet53模型作为网络的预调模型；将训练集输入模型进行训练，并根据训练结果进行参数的调整，以得到最优的模型；在模型训练完毕后，采用测试集进行模型测试。