1.一种基于深度学习的电网施工作业人员风险行为检测方法，其特征在于，包括：构建并预处理电网施工作业人员数据集，得到增强电网施工作业人员数据集；

构建电网施工作业人员风险行为检测模型，所述模型依次包括用于提取多视角特征的多流特征互补增强卷积模块、用于聚焦关键信息的双注意力特征交互感知模块以及用于抑制背景干扰的多尺度池化特征协同模块；

使用所述增强电网施工作业人员数据集对所述电网施工作业人员风险行为检测模型进行训练，得到优化后的模型；

应用所述优化后的模型对目标区域进行识别，输出风险行为预测信息；

多流特征互补增强卷积模块的处理过程包括：

对输入特征图并行进行不同空洞率的空洞卷积操作并拼接，形成基础多视角特征图；

对所述基础多视角特征图，分别通过最大池化、平均池化和最小池化三条并行路径进行处理，每条路径均沿垂直与水平方向进行池化并经卷积和激活函数操作，形成细节增强特征图、场景上下文特征图和异常响应特征图；

对所述细节增强特征图、场景上下文特征图和异常响应特征图分别进行全局池化操作，生成对应的细节增强注意力图、场景上下文注意力图和异常响应注意力图；

将所述细节增强特征图、场景上下文特征图和异常响应特征图分别与不同的所述注意力图进行逐元素相乘，得到多个交互特征图；

将所述多个交互特征图进行融合，输出精细化多视角特征图；

双注意力特征交互感知模块的处理过程包括：

将输入特征图分别输入风险感知通道注意力子模块和风险感知空间注意力子模块；

所述风险感知通道注意力子模块通过校准通道重要性权重，实现通道自适应选择，输出第一交互融合感知特征图；

所述风险感知空间注意力子模块通过校准空间位置重要性权重，捕获关键空间位置信息，输出第二交互融合感知特征图；

将所述第一交互融合感知特征图和所述第二交互融合感知特征图进行拼接，并输入风险特征冗余过滤子模块进行冗余信息过滤，输出增强精细化多视角特征图；

风险特征冗余过滤子模块的处理过程包括：

将输入特征图拆分为两份；对其中一份依次进行深度可分离卷积、拼接、展平、全连接及重塑操作，得到冗余过滤特征图；

将另一份原始特征图、其卷积结果与所述冗余过滤特征图进行残差融合，输出最终结果；

多尺度池化特征协同模块的处理过程包括：

对输入特征图，分别通过平均池化、最大池化和最小池化三条并行路径进行处理，每条路径均进行多层级的池化操作；

将三条路径中各层级池化操作得到的全部特征图进行拼接；

对拼接后的特征图进行卷积操作，输出最终特征图。

2.如权利要求1所述的基于深度学习的电网施工作业人员风险行为检测方法，其特征在于，风险感知通道注意力子模块的处理过程包括：对输入特征图进行三次卷积操作，得到三个特征图，并对其中两个特征图应用运算公式得到关联特征图；

对所述关联特征图进行全局平均池化及一维和二维卷积操作，融合后经卷积和激活函数生成通道注意力权重图；

将所述通道注意力权重图与最初得到的一个特征图相乘，再与原始输入特征图相加，输出所述第一交互融合感知特征图。

3.如权利要求1所述的基于深度学习的电网施工作业人员风险行为检测方法，其特征在于，风险感知空间注意力子模块的处理过程包括：对输入特征图进行卷积操作后，分别通过不同膨胀率的空洞卷积路径处理，得到多个路径特征图；

将所述多个路径特征图与原始特征图相加，再经过平均池化与最大池化操作，融合后经卷积和激活函数生成空间注意力权重图；

将所述空间注意力权重图与原始输入特征图相乘，输出所述第二交互融合感知特征图。

4.如权利要求1所述的基于深度学习的电网施工作业人员风险行为检测方法，其特征在于，输出风险行为预测信息的过程包括：将所述模型中不同层级的特征图输入至多个检测头，得到多个预测特征图；

对所述多个预测特征图进行重塑并拼接，得到初始风险行为预测信息；

对所述初始风险行为预测信息进行非极大值抑制处理，得到包含预测框坐标、置信度分数和类别标签的风险行为预测信息。