1.一种智能光伏热斑故障检测方法，其特征在于，所述智能光伏热斑故障检测方法包括：构建“教师+学生”协同训练的知识蒸馏模块；设计基于CSPHN的骨干网络增强算法对待检测目标的特征表达能力；构建BiMAF模型，通过并行的方法从全局和局部角度融合输入特征，加强颈部网络对目标特征的聚合能力；同时，提出CgT模块，用于在各类恶劣环境下发现光伏发电系统存在的热斑故障并对其加以排除和检修；

所述智能光伏热斑故障检测方法包括以下步骤：步骤一，基于知识蒸馏思想，构建教师+学生网络协同训练新模式，借助教师深度检测网络优势提升算法检测精度，并结合学生网络小参数量特点，提高算法推理效率，进而兼顾检测精度和模型轻量化要求；

步骤二，基于无人机智能巡检数据集搭建基于YOLOX算法的学生网络，其引入无锚框架构，不设定具体锚框，直接通过关键点预测目标所在的位置坐标，同时结合解耦预测头从而在提高算法检测精度的同时加快网络收敛速度；

步骤三，在教师网络中构建基于CSPHN模型的骨干网络，其在保留卷积神经网络有益归纳偏置的基础上，利用门控卷积和递归设计获得与Transformer相似的高阶空间交互信息以增强算法对热斑目标的特征表达能力；

步骤四，在所述颈部网络中应用BiMAF模块，以并行融合方式从全局和局部两角度聚合多层次特征，使网络能够有选择地聚焦于包含目标显著性信息的区域，进而增强了颈部网络的特征聚合能力；

步骤五，在教师网络中构建基于CgT模块的解耦预测头，通过挖掘静态和动态上下文信息生成注意力矩阵，使检测系统在密集小目标场景仍能及时发现光伏发电系统存在的热斑故障并对其加以排除和检修；

所述协同训练新模式的构建包括：

步骤1.1设计局部蒸馏函数分离图像前景与背景信息，并引导学生网络关注重要像素及通道特征；

步骤1.2提出全局蒸馏函数以重建不同像素之间的关系，并将不同像素之间的关系从教师网络中传递回学生网络，用于补偿局部蒸馏过程中丢失的全局信息；

步骤1.3通过融合局部蒸馏和全局蒸馏将所述教师网络中的信息继承到所述学生网络中；

所述CSPHN模块的构建包括：

将输入层的特征映射分为两部分，并利用跨阶段层次结构将两者合并；将原始CSPNet模型中的残差单元替换为HorNet模块，所述HorNet模块继承了Transformer模型空间混合n层和前馈网络级联的元体系结构，且利用gConv捕捉特征图中的高阶空间交互作用；

所述BiMAF模块的具体过程包括：

步骤2.1全局特征融合支路：将全局池化操作转化为一对一维特征运算符，通过级联及卷积操作并利用sigmoid归一化函数输出全局特征权重，通过权重分配操作得到全局特征融合结果Outputg；

步骤2.2局部特征融合支路，利用1×1卷积及sigmoid归一化函数构造局部特征权重，进而利用权重分配操作得到局部特征融合结果Outputl；

步骤2.3BiMAF模型通过并行融合方式聚合所述全局特征融合结果和所述局部特征融合结果，得到最终特征融合结果：Output＝[Outputg,Outputl]；

所述CgT模型的具体过程包括：

假设二维输入特征图为 键K、查询Q和值V分别定义为K＝XWk，Q＝XWq和V＝XWq；其中，Wq和Wv是由1×1卷积构成的线性变换矩阵；Wk是由卷积核大小为3×3的组卷积构成的线性变换矩阵，通过对输入特征图进行上下文编码能够反映静态上下文特征fs，同时，辅助self‑attention学习用于挖掘上下文关键特征和查询特征之间的相互作用，进而构造动态注意权重矩阵A如下：n

A＝gconv([K,Q])

n

式中，gConv表示门控递归卷积算子；

然后，计算出动态上下文特征fd：

fd＝A⊙V

通过捕获静态上下文特征和动态上下文特征，得到如下输出：output＝fs+fd。

2.如权利要求1所述智能光伏热斑故障检测方法，其特征在于，所述步骤1.1的具体过程包括：步骤1.1.1针对横纵坐标分别为i,j的特征图F，构建二元掩膜Mi,j分离图像前景及背景，如下式所示：式中，r为目标真实框；

步骤1.1.2为平衡检测网络对不同尺度目标及前背景区域的损失，设置尺度掩膜Si,j：式中，Hr及Wr分别表示目标真实框的高度与宽度；

步骤1.1.3构建空间注意力掩膜 及通道注意力掩膜 以提高模型蒸馏性能：式中，H，W和C分别表示特征高度、宽度和通道；T为温度超参数；Fc和Fi,j分别表示第c通道的特征信息和尺寸大小为i×j的特征信息；

步骤1.1.4在训练过程中，利用二元掩膜Mi,j、尺度掩膜Si,j和注意力掩膜 及引导学生网络学习教师网络关键空间及通道信息，从而构建如下特征损失函数Lfea及注意力损失函数Lat：S T

式中， 与 分别表示教师和学生网络的特征图；f(·)是将F 调整至F 相同维度的重构算子；α，β和γ则为平衡各类损失的超参数；l表示l1范数算子； 和分别表示教师和学生网络相应的空间注意力掩膜和通道注意力掩膜；

步骤1.1.5通过计算特征损失和注意力损失从而得到最终局部蒸馏函数：Lfocal＝Lfea+Lat。

3.如权利要求1所述智能光伏热斑故障检测方法，其特征在于，所述步骤1.2的具体过程包括：利用GcBlock模块捕捉图像全局信息，从而得到全局损失Lglobal：T S 2

Lglobal＝λ·Σ(R(F)‑R(F))式中，λ表示平衡损失超参数；R(F)表示特征全局信息，可以表示为：式中，Wk，Wv1和Wv2表示卷积层；LN表示层归一化；Np表示特征像素数；ReLU表示线性激活函数。

4.如权利要求1所述智能光伏热斑故障检测方法，其特征在于，所述学生网络的设计包括：所述YOLOX网络包括主干网络Backbone，颈部网络Neck和解耦预测头；

所述Backbone包括Focus切片模块、CSPNet和SPP；其中，所述Focus切片模块用于扩大网络感受野以及抑制图像特征信息损失；所述CSPNet结构用于解决网络优化过程中梯度信息重复进而造成计算成本过高的问题；所述SPP结构利用多级池化操作扩大主干网络感受野；

所述Neck由CSP2_X结构构成，并且利用FPN+PAN特征金字塔结构对不同尺度信息进行特征聚合，其中，FPN自顶向下传递强语义信息，PAN自底向上传递强定位信息；

所述解耦预测头，用于对聚焦纹理信息的分类分支和聚焦边缘信息的定位分支进行解耦。

5.如权利要求1所述智能光伏热斑故障检测方法，其特征在于，具体过程包括：

n

首先，假设g Conv的输入特征为 则一组投影特征p0及 能够通过下式获得：

式中，φ(·)表示投影算子，且

然后，执行门控递归卷积，公式为：

pk+1＝DWk(qk)⊙gk(pk)/α,k＝0,1,…,n‑1式中，α为缩放因子，{DWk}表示一组深度卷积，⊙表示点积操作，{gk}用于匹配不用序列的维度，如下式所示：n

最后，在顶层递归操作后执行特征投影，得到gConv的输出结果。

6.如权利要求1所述智能光伏热斑故障检测方法，其特征在于，所述步骤2.1中全局特征融合结果的计算过程包括：步骤2.1.1假设多级特征输入分别为 则按如下方式执行元素和运算：

M＝Input1+Input2

利用尺寸为(H,1)和(1,W)两个池化核分别沿水平及垂直方向对每个通道进行编码，得到高度为h的第c通道的输出 和宽度为w的第c通道的输出步骤2.1.2进行如下级联及卷积操作：

h w

f＝δ(F1([z ,z]))

h w

式中，[z ,z]表示沿空间维度的连接操作；δ为激活函数；f是在水平及垂直方向上进行编码得到的中间特征图；F1表示1×1卷积操作；

h C/r×H h C/r×H

通过将f沿着空间维度进行分解，得到两个独立张量：f ∈R 及f∈R ，其中r为下采样比例；同时，执行两个1×1卷积Fh和Fw操作以保证两独立张量具有相同通道数，从而得到全局特征权重Wg：h w

Wg＝sigmoid(Fh([f]))×sigmoid([f])步骤2.1.3全局特征融合分支的输出Outputg为：Outputg＝I1×Wg+I2×(1‑Wg)所述步骤2.2中局部特征融合结果的计算过程包括：对输入特征进行局部特征融合，局部特征权值Wl表示为:Wl＝sigmoid(F1(δ(BN(F1(M)))))进而，局部特征融合分支的输出表示为：

Outputl＝Input1×Wl+Input2×(1‑Wl)。

7.一种实施如权利要求1‑6任意一项所述光伏热斑故障检测方法的光伏热斑故障检测，其特征在于，所述光伏热斑故障检测系统包括：数据采集模块，用于通过分析光伏电站的地理信息及巡航范围，可自动规划无人机巡航路线，同时利用红外传感器的热辐射成像特性，采集巡检图像及视频；

数据传输模块，用于凭借5G无线网络高速率低时延优势，将巡检数据传递回地面控制站并相应储存，以便后续高性能计算机进行数据进行处理；

故障诊断模块，用于利用知识蒸馏机制下的双分支协同训练光伏热斑故障检测算法对光伏数据进行特征提取，信息聚合及故障定位任务，最终结合图像信息和GPS定位数据，得到热斑故障诊断结果。