1.一种复合绝缘子鸟啄损伤风险等级评估方法，其特征在于,包括以下步骤：获取复合绝缘子损伤图像；

将所述绝缘子损伤图像输入复合绝缘子鸟啄缺陷风险等级评估模型，获得复合绝缘子鸟啄破损风险等级评估结果。

2.根据权利要求1所述的复合绝缘子鸟啄损伤风险等级评估方法，其特征在于,所述复合绝缘子鸟啄缺陷风险等级评估模型的构建方法包括以下步骤：获取实际绝缘子尺寸参数与技术要求，并根据所述实际绝缘子尺寸参数与技术要求建立完好的三维电场仿真模型；

根据所述完好的三维电场仿真模型建立伞裙与护套存在损伤的三维电场仿真模型，并通过相对应的电场计算，获取复合绝缘子电场强度变化规律；

获取实际复合绝缘子损伤图像，并通过图像增强技术扩展为图像数据库；

根据所述复合绝缘子鸟啄损伤电场强度变化规律，建立所述复合绝缘子电场强度和所述图像数据库对应关系，生成图像标签库；

基于YOLOv3神经网络深度学习算法，根据所述图像标签库，建立复合绝缘子鸟啄缺陷风险等级评估模型。

3.根据权利要求2所述的复合绝缘子鸟啄损伤风险等级评估方法，其特征在于,根据所述实际绝缘子尺寸参数建立伞裙与护套存在损伤的三维电场仿真模型，并通过相对应的电场计算，获取复合绝缘子电场强度变化规律的方法包括：根据实际线路复合绝缘子尺寸参数，针对复合绝缘子伞裙，建立不同损伤类别的鸟啄损伤三维仿真电场计算模型；针对复合绝缘子护套，建立不同损伤类别的鸟啄损伤三维仿真电场计算模型；所述实际绝缘子尺寸参数包括杆塔、导线、均压环的实际尺寸；

利用有限元软件通过静电场控制方程(1)‑(3)进行计算，得到复合绝缘子电场分布规律；

D＝εE                             (3)式中， 为梯度算子；D为电位移；E为电场强度；ε为电介质介电常数；ρ为空间电荷密度。

4.根据权利要求2所述的复合绝缘子鸟啄损伤风险等级评估方法，其特征在于,获取实际复合绝缘子损伤图像，并通过图像增强技术扩展为图像数据库的方法包括：获取实际复合绝缘子鸟啄损伤图像，并将所述实际复合绝缘子鸟啄损伤图像的图像尺寸调整至统一像素大小，建立复合绝缘子鸟啄损伤图像库，所述复合绝缘子鸟啄损伤图像库包含复合绝缘子护套鸟啄损伤图像和复合绝缘子伞裙鸟啄损伤图像；

数据库扩充，通过数据增强技术将所述复合绝缘子鸟啄损伤图像库中的图像扩充，输出新生成的复合绝缘子鸟啄损伤图像，得到图像数据库；所述数据增强技术包括旋转，翻转，随机缩放。

5.根据权利要求2所述的复合绝缘子鸟啄损伤风险等级评估方法，其特征在于,根据所述复合绝缘子鸟啄损伤电场强度变化规律，建立所述复合绝缘子电场强度和所述图像数据库对应关系，生成图像标签库的方法包括：根据所述复合绝缘子电场强度变化规律，将复合绝缘子临界起晕场强的50％以下划分为安全级，临界起晕场强的50％至90％为隐患级，临界起晕场强的90％以上为危险级；

采用数据标注软件对所述复合绝缘子电场强度和所述图像数据库的对应关系进行标注，生成对应标准的PASCAL VOC标签文件，所述标签文件中包含目标的坐标和风险等级类别信息。

6.根据权利要求2所述的复合绝缘子鸟啄损伤风险等级评估方法，其特征在于,基于YOLOv3神经网络深度学习算法，根据所述图像标签库，建立复合绝缘子鸟啄缺陷风险等级评估模型的方法包括：

将所述图像标签库作为深度学习样本，并按一定比例划分为学习集、测试集和验证集；

在YOLOv3神经网络深度学习算法中，通过K‑means聚类算法，提高复合绝缘子鸟啄损伤定位精度；

将图像标签库中的验证集、训练集作为网络输入，所述训练集用于训练模型复合绝缘子鸟啄损伤等级分类能力，所述验证集用于作为神经网络分类预测准确性评判标准；

采用多阶段模型迁移训练，冻结多尺度特征融合前卷积层的预训练参数，在所述图像数据库上训练部分卷积层，得到复合绝缘子鸟啄缺陷风险等级评估模型。

7.一种复合绝缘子鸟啄损伤风险等级评估装置，其特征在于，所述装置包括：图像获取模块：用于获取复合绝缘子损伤图像；

风险评估模块：用于将所述绝缘子损伤图像输入复合绝缘子鸟啄缺陷风险等级评估模型，获得复合绝缘子鸟啄破损风险等级评估结果。

8.一种复合绝缘子鸟啄损伤风险等级评估装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1～6任一项所述方法的步骤。

9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～6任一项所述方法的步骤。