1.一种输电线路防震锤缺陷检测方法，其特征在于，包括下述步骤：步骤1，通过无人机设备采集输电线路防震锤图像并进行预处理，建立样本数据集；

步骤2，使用K‑means聚类算法对样本数据集进行聚类分析，预测锚框尺寸；

步骤3，构建缺陷检测网络；所述缺陷检测网络包括输入预处理网络、特征提取网络、特征融合网络和检测器；

步骤4，利用样本数据集以及预测的锚框尺寸，对缺陷检测网络进行训练，获得缺陷检测模型；

步骤5，采用缺陷检测模型对输电线路防震锤进行缺陷检测，得到检测结果。

2.根据权利要求1所述的一种输电线路防震锤缺陷检测方法，其特征在于，所述步骤S1包括下述步骤：步骤1.1，通过无人机设备对各种复杂背景下的输电线路防震锤进行拍摄采集；所述背景包括天空、森林、田野、沙地、湖泊、矿场和建筑物；所述拍摄方式包括近距离拍摄、远距离拍摄和多角度拍摄；

步骤1.2，对采集到的防震锤图像进行清洗，剔除模糊的、低质量的图像；

步骤1.3，对剔除后的防震锤图像按照类别进行分类；所述类别包括防震锤正常、防震锤脱落、防震锤碰撞、防震锤移位及防震锤锈蚀；设防震锤正常类别的防震锤图像作为对比样本；

步骤1.4，使用目标框对每个类别的防震锤图像进行标注，并对标注后的防震锤图像进行扩增，建立样本数据集；所述扩增包括小角度旋转、亮度变化、翻转、裁剪、滑窗切片、复制粘贴和过采样。

3.根据权利要求1所述的一种输电线路防震锤缺陷检测方法，其特征在于，所述步骤3构建缺陷检测网络包括：步骤3.1，构造输入预处理网络：提高对缺陷目标的响应，抑制复杂背景的影响，得到处理后图像；

步骤3.2，设计特征提取网络：对处理后图像进行特征提取，得到大小不同的特征图；

步骤3.3，构建特征融合网络：将得到的大小不同的特征图进行融合，输出融合特征图；

步骤3.4，建立检测器：根据融合特征图进行缺陷检测，并使用预测框在防震锤图像中进行标注；

步骤3.5，定义优化回归损失函数：在缺陷检测网络进行训练时计算损失，通过反向传播算法对缺陷检测网络的参数进行迭代更新。

4.根据权利要求3所述的一种输电线路防震锤缺陷检测方法，其特征在于，所述步骤

3.1具体包括：

所述输入预处理网络由Conv块、Gshuffle模块、Concat操作和上采样操作构成；

所述Conv块由卷积层+批归一化层+SiLU激活函数构成；

所述GShuffle模块将输入通道平均分成两组：一组进行恒等映射；另一组通过Ghost模块进行运算；然后将两组的输出通道拼接起来，并对通道进行重新排列；最后通过Conv块输出。

5.根据权利要求3所述的一种输电线路防震锤缺陷检测方法，其特征在于，所述步骤

3.2具体包括：

所述特征提取网络由Conv块和OSA_n模块构成；

所述OSA_n模块中的每个Conv块往下分为两条路径，一条路径连接到下一层Conv块，另一条路径进行恒等映射，最后将两条路径的输出通道合并输出；

其中，OSA_n模块中的n代表进行n次OSA操作。

6.根据权利要求3所述的一种输电线路防震锤缺陷检测方法，其特征在于，所述步骤

3.3具体包括：

所述特征融合模块采用目标检测算法PAFPN自下而上和自上而下的双向融合模块；

所述融合模块由Conv块、最大池化操作和Concat操作构成。

7.根据权利要求3所述的一种输电线路防震锤缺陷检测方法，其特征在于，所述步骤

3.4具体包括：

所述检测器根据模型参数量和目标大小设定三种尺度，每种尺度设定三个锚框进行回归分析，共设九种尺寸的锚框。

8.根据权利要求3所述的一种输电线路防震锤缺陷检测方法，其特征在于，所述步骤

3.5具体包括：

所述优化回归损失函数包括BIOU定位损失函数、置信度损失函数和分类损失函数，表示为：2

其中，K,S ,分别为检测端、遍历的所有网格单元和遍历的所有预测框；λ*为相应项的权重； 表示第k个检测端、第i个网格单元和第j个预测框是否为正样本，如果是则为1，如果不是则为0；αk用于平衡每个尺度下检测端的权重；Llocal为BIOU定位损失；Lconf为置信度损失；Lcls为分类损失；

所述BIOU定位损失Llocal通过交并比进行计算，公式为：其中，B为预测框，Bgt为目标框，IOU为预测框与目标框的交并比，b为预测框的中心点，gtb 为目标框的中心点，ρ()表示预测框与目标框的中心点之间的欧氏距离，c为覆盖预测框gt gt和目标框的最小框的对角线长度；w ,h 分别为目标框的宽度和高度；w,h分别为预测框的宽度和高度；

所述置信度约束Lconf通过计算二元交叉熵得到，表示为：其中，Pp为预测框的置信度分数；Pgt为对应的目标框的IOU值； 为二元交叉熵函数；ωconf为预设置信度的正样本权重；

所述分类损失Lcls通过计算二元交叉熵得到，表示为：其中，Cp为预测框的类别分数；Cgt为目标框类别的one‑hot表示； 为二元交叉熵函数；ωcls为分类的正样本权重。