1.一种高空作业安全带检测方法，其特征在于，包括：

获取高空电力作业图像数据集，基于所述高空电力作业图像数据集得到训练集；

获取轻量化网络模型，基于所述训练集对所述轻量化网络模型进行训练，得到学生网络，并基于通道蒸馏和空间蒸馏的方法将教师网络的特征信息传递给所述学生网络，以对所述学生网络进行训练，得到图像识别模型；

将待测高空电力作业图像输入至所述图像识别模型，得到安全带类别对应的多个预测框，基于非极大抑制的方式从所述多个预测框中去除重复预测框，得到所述待测高空电力作业图像对应的安全带检测结果；

其中，所述教师网络是基于所述训练集对YOLOv5x网络进行训练得到，所述轻量化网络模型包括主干特征提取网络和多尺度特征融合网络，所述主干特征提取网络包括多个IB模块，所述特征融合网络是由卷积层、上采样层、下采样层和特征融合层构成的特征金字塔结构；

所述基于通道蒸馏和空间蒸馏的方法将教师网络的特征信息传递给所述学生网络，以对所述学生网络进行训练，得到图像识别模型，包括：基于通道蒸馏将所述教师网络的通道特征信息传递给所述学生网络，基于空间蒸馏将所述教师网络的空间特征信息传递给所述学生网络；

确定所述教师网络与所述学生网络之间的总损失，以基于所述总损失训练所述学生网络，得到所述图像识别模型；

所述确定所述教师网络与所述学生网络之间的总损失，包括：

基于最小均方误差函数确定所述教师网络与所述学生网络的特征图之间的损失；

获取所述教师网络对应的预测输出，并将所述教师网络的预测输出进行知识蒸馏后再经过Softmax函数处理，所得到的类别预测概率分布作为第一软标签；

获取所述学生网络对应的预测输出，并将所述学生网络的预测输出进行知识蒸馏后再经过Softmax函数处理，所得到的类别预测概率分布作为第二软标签，将所述学生网络的预测输出经过Softmax函数处理，所得到的类别预测概率分布作为硬标签；

基于所述第一软标签和所述第二软标签，确定软标签损失，基于所述硬标签和预设的真实标签确定硬标签损失，基于所述特征图之间的损失、所述软标签损失和所述硬标签损失，得到所述总损失。

2.根据权利要求1所述的高空作业安全带检测方法，其特征在于，所述基于所述高空电力作业图像数据集得到训练集，包括：从所述高空电力作业图像数据集中抽取预设比例的高空电力作业图像作为初始数据集；

对所述初始数据集进行图像预处理、Mosaic数据增强和Copy‑paste数据增强后，得到所述训练集。

3.根据权利要求2所述的高空作业安全带检测方法，其特征在于，所述图像预处理包括图像裁剪、对比度调整、图像降噪以及归一化处理。

4.根据权利要求1‑3任一项所述的高空作业安全带检测方法，其特征在于，所述基于非极大抑制的方式从所述多个预测框中去除重复预测框，得到所述待测高空电力作业图像对应的安全带检测结果，包括：从所述多个预测框中确定分类置信度得分最大的预测框；

确定所述分类置信度得分最大的预测框与其他分类框的交并比；

在所述交并比大于第一预设阈值的情况下，降低所述分类置信度得分最大的预测框之外其他预测框的分类置信度；

基于降低后的分类置信度，确定所述待测高空电力作业图像对应的安全带检测结果。

5.根据权利要求4所述的高空作业安全带检测方法，其特征在于，所述基于降低后的分类置信度，确定所述待测高空电力作业图像对应的安全带检测结果，包括：在确定所述多个预测框中的最大分类置信度大于第二预设阈值的情况下，对所述其他预测框进行加权平均合并，以更新预测框的位置坐标，并保留分类置信度最大的预测框作为所述待测高空电力作业图像对应的安全带检测结果。

6.一种高空作业安全带检测装置，其特征在于，包括：

获取模块，用于获取高空电力作业图像数据集，基于所述高空电力作业图像数据集得到训练集；

训练模块，用于获取轻量化网络模型，基于所述训练集对所述轻量化网络模型进行训练，得到学生网络，并基于通道蒸馏和空间蒸馏的方法将教师网络的特征信息传递给所述学生网络，以对所述学生网络进行训练，得到图像识别模型；

识别模块，用于将待测高空电力作业图像输入至所述图像识别模型，得到安全带类别对应的多个预测框，基于非极大抑制的方式从所述多个预测框中去除重复预测框，得到所述待测高空电力作业图像对应的安全带检测结果；

其中，所述教师网络是基于所述训练集对YOLOv5x网络进行训练得到，所述轻量化网络模型包括主干特征提取网络和多尺度特征融合网络，所述主干特征提取网络包括多个IB模块，所述特征融合网络是由卷积层、上采样层、下采样层和特征融合层构成的特征金字塔结构；

所述基于通道蒸馏和空间蒸馏的方法将教师网络的特征信息传递给所述学生网络，以对所述学生网络进行训练，得到图像识别模型，包括：基于通道蒸馏将所述教师网络的通道特征信息传递给所述学生网络，基于空间蒸馏将所述教师网络的空间特征信息传递给所述学生网络；

确定所述教师网络与所述学生网络之间的总损失，以基于所述总损失训练所述学生网络，得到所述图像识别模型；

所述确定所述教师网络与所述学生网络之间的总损失，包括：

基于最小均方误差函数确定所述教师网络与所述学生网络的特征图之间的损失；

获取所述教师网络对应的预测输出，并将所述教师网络的预测输出进行知识蒸馏后再经过Softmax函数处理，所得到的类别预测概率分布作为第一软标签；

获取所述学生网络对应的预测输出，并将所述学生网络的预测输出进行知识蒸馏后再经过Softmax函数处理，所得到的类别预测概率分布作为第二软标签，将所述学生网络的预测输出经过Softmax函数处理，所得到的类别预测概率分布作为硬标签；

基于所述第一软标签和所述第二软标签，确定软标签损失，基于所述硬标签和预设的真实标签确定硬标签损失，基于所述特征图之间的损失、所述软标签损失和所述硬标签损失，得到所述总损失。

7.一种电子设备，其特征在于，包括存储器和处理器，其中，

所述存储器，用于存储程序；

所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现如权利要求1至5中任意一项所述的高空作业安全带检测方法中的步骤。

8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的高空作业安全带检测方法。