1.一种基于无人机巡检的输电线路关键器件缺陷识别方法，其特征在于，包括如下步骤：
a)针对输电线路的关键器件，收集对应的缺陷样本和非缺陷样本，构成输电线路智能缺陷检测的样本数据集；所述关键器件至少包括绝缘子、大金具和小金具；
b)通过数据增强算法增加所述样本数据集中缺陷样本的数量；
c)采用深度卷积神经网络训练各类关键器件的缺陷检测模型；
d)将所述各类关键器件的缺陷检测模型部署到后端服务器；
e)采集无人机的实时视频，从所述实时视频中获取关键帧图像，将所述关键帧图像进行压缩编码后传输到所述后端服务器，所述后端服务器调用输电线路的所述关键器件的缺陷检测模型对输电线路的关键器件的缺陷进行检测，当检测到缺陷时，发出预警信息。
2.根据权利要求1所述的基于无人机巡检的输电线路关键器件缺陷识别方法，其特征在于，所述步骤b)进一步包括：
b1)对所述缺陷样本加入随机噪声，得到有噪声干扰的样本图像；
b2)将所述有噪声干扰的样本图像分别进行顺时针方向和逆时针方向设定角度以内的角度旋转，得到不同旋转角度下的样本图像；
b3)构建gan生成网络，所述gan生成网络由三种神经网络结构组成，包括发生器/解码器、鉴别器和分类器/编码器；
b4)将所述不同旋转角度下的样本图像输入所述gan生成网络，将所述gan生成网络输出的图片加入到所述样本数据集中。
3.根据权利要求2所述的基于无人机巡检的输电线路关键器件缺陷识别方法，其特征在于，所述发生器由4个反卷积层组成，每个所述反卷积层使用5*5的过滤器，所述鉴别器由4个卷积层和4个反卷积层构成，所述分类器由4个卷积层和1个全连接层构成。
4.根据权利要求1所述的基于无人机巡检的输电线路关键器件缺陷识别方法，其特征在于，所述步骤c)进一步包括：
c1)定义卷积网络；
c2)以所述卷积网络作为特征提取基础网络模型，后面连接多尺度特征映射层；所述多尺度特征层由6个卷积层和1个全局池化层构成；
c3)在mscoco数据集用损失函数fl(pt)＝-αt(1-pt)γlog(pt)进行模型训练，其中，αt，γ均为参数，pt为所述缺陷样本；
c4)将所述模型训练得到的关键器件的缺陷检测模型迁移学习到关键器件缺陷数据集，每设定步数输出准确率，直到达到最优结果，保存最优的缺陷识别模型；
c5)针对每一种样本数据集，重复步骤c4)，最终得到每种关键器件的缺陷检测模型。
5.根据权利要求4所述的基于无人机巡检的输电线路关键器件缺陷识别方法，其特征在于，所述卷积网络包含两层，其中，x为输入，y＝w2σ(w1x)为输出，w1为第一层网络，w2为第二层网络。
6.根据权利要求1所述的基于无人机巡检的输电线路关键器件缺陷识别方法，其特征在于，所述步骤e)进一步包括：
e1)调用无人机sdk获取实时视频流，并从中抓取关键帧图像；
e2)采用模板匹配方法检测所述关键帧图像中是否包含待检测缺陷的输电线路的关键器件，如是，则执行步骤e3)；否则，返回步骤e1)；
e3)将所述关键帧图像采用jpeg算法进行压缩，编码成base64格式的图像，通过http协议发送给所述后端服务器；
e4)所述后端服务器接收到编码后的图像后，对其进行解码，调用对应关键器件的缺陷检测模型，判断当前关键器件是否存在缺陷。
7.根据权利要求2所述的基于无人机巡检的输电线路关键器件缺陷识别方法，其特征在于，所述设定角度为30°。
8.根据权利要求4所述的基于无人机巡检的输电线路关键器件缺陷识别方法，其特征在于，6个所述卷积层的卷积核大小分别为(38,38),(19,19),(10,10),(5,5),(3,3),(1,1)。
9.根据权利要求4所述的基于无人机巡检的输电线路关键器件缺陷识别方法，其特征在于，所述设定步数为50步。