1.一种输电线路中多类目标故障检测方法，其特征在于，所述输电线路中多类目标故障检测方法包括：

第一步，利用无人机巡检视频制作训练样本和测试样本；

第二步，在YOLOv5算法框架基础上，通过引入空间与通道卷积注意力模型以抑制复杂背景的干扰；将neck中的FPN+PAN结构改为BiFPN结构，并设计多尺度与同尺度特征的自适应加权融合模块，构建检测模型；

第三步，输出检测结果。

2.如权利要求1所述的输电线路中多类目标故障检测方法，其特征在于，所述第一步的训练样本和测试样本包括绝缘子脱落、并联间隙损坏、鸟巢12类故障。

3.如权利要求1所述的输电线路中多类目标故障检测方法，其特征在于，所述第一步的无人机巡检视频在获得多张输电线航拍图像后包括：采用预设方法对多张输电线航拍图像进行去噪和增强，并将去噪和增强后的多张输电线航拍图像分成训练样本集和测试样本集；

去噪采用HESSIAN方法，其中HESSIAN矩阵为：增强包括：图像随机缩放、图像随机裁剪和图像随机排布；

所述训练样本集对CSAF‑YOLOV5模型进行训练，并利用测试样本集对训练后的CSAF‑YOLOV5模型进行测试，获得训练好的CSAF‑YOLOV5模型；

输电线航拍图像输入至一训练好的CSAF‑YOLOV5模型。

4.如权利要求3所述的输电线路中多类目标故障检测方法，其特征在于，所述CSAF‑YOLOV5模型的Backboe包括依次连接的Focus层、一级Conv层、一级CSP层、二级Conv层、二级CSP层、一级CBAM层、三级Conv层、三级CSP层、二级CBAM、四级Conv层、SPP层和四级CSP层；其中，所述Focus层、所述一级Conv层、一级CSP层、二级Conv层、二级CSP层、三级Conv层、三级CSP层、四级Conv层、SPP层、四级CSP层的卷积核的数量分别为1、3、1、9、1、9、1、1、3；

所述CSAF‑YOLOV5模型Backbone中的残差块CSP1_3与卷积块CBL之间加入空间与通道卷积块注意力模型CBAM；其中，模块中的通道注意力机制为Mc，空间注意力机制为Ms；

CBAM模块中的通道注意力机制利用全局平均池化average pooling和最大池化max pooling对目标区域的特征信息进行凸显；计算公式：式中：σ(g)为sigmoid非线性激活函数；MLP表示CBAM中的共享网络，W0和W1分别表示Clr×C C×Clr

MLP中多层感知器中的隐藏层权重和输出层权重，为W0∈R 、W1∈R ，r的大小取为16；

和 分别表示全局平均池化特征和最大池化特征；

在通道注意力机制作用下，引入空间注意力模型，计算公式：

7×7

式中：f 代表的是7×7的卷积运算， 和 表示通道上的全局平均池化特征和最大池化特征。

5.如权利要求1所述的输电线路中多类目标故障检测方法，其特征在于，所述输电线路中多类目标故障检测方法采用融合注意力机制的CSAF‑YOLOv5输电线路故障检测，搭建YOLOv5检测网络，并在backbone中引入一种空间与通道注意力模型；将原始YOLOv5检测框架neck中的FPN+PAN结构改为BiFPN结构，实现不同尺度目标特征的有效融合。

6.如权利要求1所述的输电线路中多类目标故障检测方法，其特征在于，所述输电线路中多类目标故障检测方法构建跨尺度自适应特征融合模块，并设计多尺度间以及同尺度间的特征自适应加权融合模块。

7.如权利要求6所述的输电线路中多类目标故障检测方法，其特征在于，所述输电线路中多类目标故障检测方法在YOLOv5的neck中引入BiFPN特征融合结构，融合步骤如下：(1)将只有一条输入边的特征图删除；(2)与只有一个自顶向下和一个自底向上路径的PANet不同，将删除的一个输入边的特征图输入到下一个特征图和下一级的特征图中；(3)在同一级网络中，从原始输入结点到输出结点之间添加一条额外的输入边；

采用自适应空间特征融合ASFF，通过多尺度自适应加权特征融合模块MAWFF，实现不同尺度间的缩放和自适应加权融合；首先，输入层level l(l∈{0，1，2})尺度特征设为xl，将其他的特征层level n(n≠l)的特征xn调整为与xl相同的尺度；在MAWFF模块中通过上采样和下采样操作使YOLOv5的Backbone中的三个输出层特征的尺度和通道数量一致；

其中上采样操作中，首先将特征的通道数压缩至l级，使用1×1的卷积层操作，然后提高图像分辨率使用插值系统；下采样操作中，使用大小为3×3以及步长为2的卷积层调整通道数量和尺度；

在调整输入层的尺寸大小和通道数的同时，从每个输入层中自适应学习特征图的空间权重， 是从第0级调整到第l级特征映射上(i，j)位置的特征向量，对应第l级的特征融合结果；

通过一个同尺度加权特征融合模块SWFF，将level l(l∈{0，1})输入层尺度特征记为xl，进行特征层融合时将一个可学习的权重参数引入到网络中，得到的特征融合结果out；

通过3个SWFF模块和4个MAWFF模块，SWFF模块处于neck部分中相同尺度位置，4个MAWFF中有

1个模块在neck部分中不同尺度融合位置，其他3个模块在相应的neck尾部连接，实现同一尺度下加权特征的有效融合；

所述输电线路中多类目标故障检测方法的YOLOv5检测网络，在YOLOv4检测结构中增加Focus模块和CSPNet结构；在输入端，将不同尺寸的输入样本图像尺寸调整为640×640，再送入检测网络的Backbone中；训练时，网络在初始锚框上计算得到预测框，计算与真实框的差异，再进行反向更新；Backbone：利用Focus模块进行切片，将原始640 x 640 x 3的图像输入Focus模块，通过切片操作，先将特征图变为320 x 320 x 12的特征图，使用32个卷积核卷积得到320 x 320 x 32的特征图；Neck：空间金字塔池化SPP模块使用内核k＝{1×1，5×5，9×9，13×13}的最大池化层的方式，再将不同尺度的特征图进行连接；特征融合网络结构由于采用FPN+PAN结构可将不同主特征层与不同的检测层进行融合，FPN从上向下传达语义特征，PAN自底向上传达定位特征。

8.一种执行权利要求1～7任意一项所述输电线路中多类目标故障检测方法的电子设备，其特征在于所述电子设备包括处理器与存储器；

所述存储器，用于存储代码和相关数据；

所述处理器，用于执行所述存储器中的代码。

9.一种存储介质，其上存储有计算机程序，该程序被处理器执行权利要求1～7任意一项所述输电线路中多类目标故障检测方法的步骤。

10.一种实施权利要求1～7任意一项所述输电线路中多类目标故障检测方法的输电线路中多类目标故障检测系统，其特征在于，所述输电线路中多类目标故障检测系统包括：图像获取模块，用于获取某实际输电线的多张航拍图像；

样本准备模块，用于将所述的多张航拍图像分成训练样本集和测试样本集；

模型训练模块，用于利用所述训练样本集对所述CSAF‑YOLOV5模型进行训练，并利用所述测试样本集对训练后的CSAF‑YOLOV5模型进行测试，获得训练好的CSAF‑YOLOV5模型；

输电线航拍图像获取模块，用于获取实际输电线航拍图像；

识别模块，用于将输电线航拍图像输入至一训练好的CSAF‑YOLOV5模型；

结果输出模块，用于输出检测结果。