1.一种基于YOLOx_s增强目标特征检测的绝缘板缺陷识别方法，其特征在于，包括以下步骤：S1、采集绝缘板表面图像，对其进行预处理并构建数据集；

S2、构建并利用数据集训练基于YOLOx_s网络的绝缘板缺陷检测网络；

在所述绝缘板缺陷检测网络中，小目标检测的输出尺度上设置有RFB_S模块和注意力机制CBAM模块，中大目标检测的输出尺度上设置有CoT模块；

S3、将待检测的绝缘板表面图像输入至训练好的绝缘板缺陷检测网络中，获得包含缺陷类别和位置的绝缘板缺陷识别结果；

所述步骤S2中绝缘板缺陷检测网络为基于YOLOx_s的形成的网络结构，包括主干网络、特征融合网络、小目标输出尺度网络以及中大目标输出尺度网络；

所述主干网络包括依次连接的输入层、Focus层、Conv2D_BN_SiLU层、第一Resblock body单元、第二Resblock body单元、第一CoT_Res body单元以及第二Cot_Res body单元；

所述第一Resblock body单元和第二Resblock body单元的输出端均还通过依次连接的RFB_S模块和注意力机制CBAM模块与小目标输出尺度网络连接；

所述第一CoT_Res body单元和第二Cot_Res body单元的输出端还均与所述中大目标输出尺度网络连接；

所述中大目标输出尺度网络中的CSP残差结构中设置有CoT模块；

所述特征融合网络在小目标输出尺度网络和中大目标输出尺度网络的不同输出尺度上进行上下采样特征提取操作，经上下采样特征提取操作后的相同尺度再进行特征融合。

2.根据权利要求1所述的基于YOLOx_s增强目标特征检测的绝缘板缺陷识别方法，其特征在于，所述第一Resblock body单元、第二Resblock body单元、第一CoT_Res body单元以及第二Cot_Res body单元的输出尺度分别为104*104、52*52、26*26以及13*13。

3.根据权利要求1所述的基于YOLOx_s增强目标特征检测的绝缘板缺陷识别方法，其特征在于，所述小目标输出尺度网络和中大目标输出尺度网络中的上采样特征融合过程中的卷积操作为深度可分离卷积操作。

4.根据权利要求3所述的基于YOLOx_s增强目标特征检测的绝缘板缺陷识别方法，其特征在于，所述深度可分离卷积操作的表达式为：2

Fdsc＝H*W*N(K+C)

式中，H,W为输入高宽；K为卷积核大小；N为卷积核数量，C为通道数。

5.根据权利要求3所述的基于YOLOx_s增强目标特征检测的绝缘板缺陷识别方法，其特征在于，所述小目标输出尺度网络和中大目标输出尺度网络中的特征融合过程中，中大目标输出尺度网络中的输出特征到小目标输出尺度网络的输出特征中的特征融合包括2倍和

4倍上采样，小目标输出尺度网络到中大目标输出尺度网络输出特征中的特征融合包括2倍和4倍下采样。

6.根据权利要求1所述的基于YOLOx_s增强目标特征检测的绝缘板缺陷识别方法，其特征在于，所述步骤S2中，通过动量随机梯度下降法和Adam优化算法对所述绝缘板缺陷检测网络进行训练；

其中，动量随机梯度下降法的表达式为：

式中，θn为梯度迭代更新第n次的值， 为对第n次的梯度的求导，λ为动量参数，取值区间为[0‑1]，即保留上次梯度方向的程度，J(θ)为损失函数值，α为学习率；

Adam优化算法的表达式为：

式中，vt为历史梯度的指数衰减平均值，β1和β2均为动量系数， 表示损失函数在* *第t次时关于θ的梯度，st为历史平方梯度的指数衰减平均值，vt为对vt的偏差修正值，st为t t对st的偏差修正值，β1 为初期偏差修正时指数衰减平均值的动量值，β2 为初期偏差修正时历史平方梯度的指数衰减平均值的动量值，ε为一个极小值，防止分母为零。

7.根据权利要求1所述的基于YOLOx_s增强目标特征检测的绝缘板缺陷识别方法，其特征在于，所述绝缘板缺陷检测网络中的分类损失函数为：BCE(p,y)＝BCE(pt)＝‑log(pt)

γ

FL(pt)＝‑αt(1‑pt) log(pt)

式中，p为预测输出值，pt为对p取log函数的定义，y为实际值，BCE(·)为二分类交叉熵损失函数，γ为调制系数，αt为正负样本权重参数，用以控制正负样本对总的损失的共享权重；FL(·)为Focal loss损失函数。