1.一种绝缘子器件状态智能识别方法，其特征在于，包括：

训练检测模型的过程：

提取样本集中绝缘子器件图像的第一表征特征，所述样本集中所有绝缘子器件图像均标注有损伤区域和绝缘子器件状态；

对所述第一表征特征进行第一特征增强，得到第一特征视图；

根据所述第一表征特征对绝缘子器件状态进行第一分类；

提取所述绝缘子器件图像的损伤区域的第二表征特征；

对所述第二表征特征进行第二特征增强，得到第二特征视图；

根据所述第二表征特征对绝缘子器件状态进行第二分类；

融合第一分类和第二分类的结果，得到对绝缘子器件状态的最终分类；

以最大化所述第二特征视图与所述第一特征视图的一致性，以及最小化第一分类和第二分类的误差为目标，来训练检测模型，包括：以最小化检测模型的损失，来训练检测模型，其中，检测模型的损失的计算方法为：L＝β1*L1+β2*L2+β3*L3，

其中，L表征检测模型的损失，L1表征所述第二特征视图与所述第一特征视图的一致性损失，L2表征第一分类的误差损失，L3表征第二分类的误差损失，β1、β2及β3分别是为损失L1、损失L2和损失L3设置的权重；有：式中，L2||·||代表L2距离，ηdp为设置的非零常数，N为样本批次大小，IFView(vdp)表示损伤区域p和绝缘子部位d对应的图像特征视图，EKFView(v'dp)是指损伤区域p和绝缘子部位d对应的专家知识特征视图，EKFView(v'kp)是指损伤区域p和绝缘子部位k对应的专家知识特征视图，M表示一副绝缘子器件图像中的绝缘子部位的总量；

1 0

state和state 分别表示为缺陷样本和正常样本配置的权重，y’表示预测的绝缘子状态标签，y表示为样本标注的绝缘子状态标签，y＝1表示样本的绝缘子状态为存在缺陷，y＝

0表示样本的绝缘子状态为正常，hard为对不同绝缘子状态的样本配置的难易学习权重，η2为设置的非零常数；

检测过程：

利用训练的检测模型对待检测的绝缘子器件图像进行识别，得到绝缘子器件状态。

2.如权利要求1所述的绝缘子器件状态智能识别方法，其特征在于，所述融合第一分类和第二分类的结果，得到对绝缘子器件状态的最终分类，包括：将第一分类和第二分类的类别概率值进行加权融合，以融合后类别概率值最大的类别作为对绝缘子器件状态的最终分类。

3.如权利要求1所述的绝缘子器件状态智能识别方法，其特征在于，所述第二表征特征包括：一阶统计特征，以及灰度特征。

4.如权利要求1所述的绝缘子器件状态智能识别方法，其特征在于，利用绝缘子特征提取模块提取绝缘子器件图像的第一表征特征，所述绝缘子特征提取模块包括依次连接的三个IFEMs模块；各所述IFEMs模块均由两个IFEi子模块连接构成；各IFEi子模块均包括三个FEi单元，第一个FEi单元与第二个FEi单元残差连接后连接第三个FEi单元；各FEi单元均依次包含第一卷积模块、第一个特征表达子单元、第一个特征更新子单元、第二个特征更新子单元、第二个特征表达子单元和第二卷积模块，其中第一卷积模块还分别连接第一个特征更新子单元、第二个特征更新子单元和第二个特征表达子单元，第一个特征表达子单元连接第二个特征更新子单元，第二个特征更新子单元连接第二卷积模块。

5.如权利要求4所述的绝缘子器件状态智能识别方法，其特征在于，所述特征表达子单元包括依次连接的第一残差连接子模块、第一卷积层、第二卷积层、第二残差连接子模块和第三卷积层，第一卷积层与第二卷积层之间，还依次连接有第三残差连接子模块、第四卷积层、第五卷积层、第一Relu激活层、第六卷积层、第七卷积层和第四残差连接子模块，第四卷积层还与第七卷积层连接。

6.如权利要求4所述的绝缘子器件状态智能识别方法，其特征在于，所述特征更新子单元包括依次连接的第五残差连接子模块、第八卷积层、第九卷积层、第二Relu激活层、第六残差连接子模块、第十卷积层和第十一卷积层，第五残差连接子模块还与第十卷积层连接，第六残差连接子模块还与第十一卷积层连接。

7.如权利要求4‑6任一所述的绝缘子器件状态智能识别方法，其特征在于，利用专家知识特征提取模块提取绝缘子器件图像损伤区域的所述第二表征特征，所述专家知识特征提取模块包括依次连接的三个KFEMs模块；所述KFEMs模块的结构与所述IFEMs模块的结构相同。

8.一种绝缘子器件状态智能识别系统，该系统配置有处理器和计算机可读存储介质，其特征在于，所述处理器运行所述计算机可读存储介质中的计算机程序，以执行如权利要求1‑7任一所述的绝缘子器件状态智能识别方法。