1.基于卷积神经网络的接触网关键部件目标检测方法，其特征在于，包括以下步骤：
步骤1：图像数据采集：采集接触网高清图像，形成原始图像样本集；
步骤2：图像数据增强：对步骤1中所采集的接触网图像样本进行分类和测试，采用灰度变换、加噪或减噪、剪切、旋转和镜像翻转，或这些方式的组合进行数据增强处理，形成图像增强样本集；
步骤3：制作训练样本集：将步骤1中得到的原始图像样本集与步骤2中得到的图像增强样本集汇总组成图像样本库，并在图像样本库中提取部分数据作为训练集，在剩余的图像数据中提取部分作为验证集和测试集；在训练集和测试集中标注多个目标区域，并作相应分类标签；
步骤4：将训练数据运用到基于卷积神经网络的目标检测算法模型yolov3上，利用训练集对该模型进行图像区域识别和关键目标识别与定位的训练，得到接触网目标区域关键部件的目标检测模型；
步骤5：将待检测图像输入训练好的模型中，验证接触网关键部件的目标定位及分类准确度。
2.根据权利要求1所述的基于卷积神经网络的接触网关键部件目标检测方法，其特征在于：所述步骤3具体步骤如下：
(3.1)调整图像大小至统一像素；
(3.2)利用图像标注工具对步骤1和步骤2中接触网图像的关键部件进行标注，键入相应部件类别名称，生成标注文件；
(3.3)制作训练数据集：在完成标注的图像数据中提取部分数据作为训练集，剩余的图像数据作为验证集和测试集；将训练集与验证集中的图像数据与相应的标注文件按顺序编号，用于步骤4中yolov3模型的训练和测试。
3.根据权利要求1所述的基于卷积神经网络的接触网关键部件目标检测方法，其特征在于：所述步骤4具体步骤如下：
(4.1)搭建yolov3网络模型运行环境；
(4.2)配置加载网络的初始权重文件，根据标签种类个数及训练集图片的数量调整网络参数；针对训练集中标记的接触网关键部件种类较少且标签唯一的特点，将yolov3网络模型中全连接层至输出层的损失函数归一化为指数函数形式，使模型在训练过程中能够快速收敛；训练过程中，参数经由全连接层通过损失函数层得到相应的概率，最后经由交叉熵误差函数得到最后输出，损失函数表示为：
全连接层为1*t的向量，其中，aj表示全连接层输入向量中的第j个值，pj为对应值的概率，l为损失，yj是1*t的标签向量中第j个值；标签向量的t个值，其真实标签对应的位置的值为1，其他值均为0；
(4.3)利用训练集进行yolov3网络模型的训练，得到网络模型一；利用网络模型一对测试集和验证集进行测试，根据识别区域数量及准确度，挑选出没有识别到的图像和交并比低于0.75的图像加以标注，标注时仅标注图像中未识别的区域，并以与标注框的大小相等的尺寸剪裁标注图像，除标注区域外的图像均舍弃，之后采用步骤2中图像增强方式增加此类图像样本数量并整理形成错误集，将该错误集添加到训练集中，建立新训练集；
(4.4)统计新训练集中训练样本的类别标签之比，根据新训练集中样本类别标签不均衡度，在原损失函数基础上加入权重比α×pγ，损失函数变为：
l＝-αxpγ×log(1-p)
其中，α和γ均为常数，p为每一类别的标签占总标签的比例，l为损失，每次训练集微调时α需作相应调整，即根据训练集中类别的不均衡度取值，根据训练集类别分布情况，此处γ取值范围可为[1，3]；
(4.5)运用新训练集训练网络模型一，得到网络模型二，利用网络模型二对测试集和验证集进行测试，若准确度未达到目标值则重复上述步骤，直至模型平均定位精度高于0.95。
4.根据权利要求1或3所述的基于卷积神经网络的接触网关键部件目标检测方法，其特征在于：所述步骤2和(4.3)中图像增强方式所采用的灰度变换具体为：
(1)线性变换：用于增强或减少图像对比度、图像反转操作，线性变换的函数为：
s＝k*r+b
其中，r是变换前的灰度值，s是变换后的灰度值，k和b为常数。
(2)对数变换：用于对图像中低灰度细节进行增强，对高灰度进行抑制，对数变换的函数为：
s＝clog(1+r)
其中，r是变换前的灰度值，s是变换后的灰度值，c为常数。
5.根据权利要求1所述的基于卷积神经网络的接触网关键部件目标检测方法，其特征在于：步骤3中所述标注多个目标区域，具体包括：平腕臂绝缘子、斜腕臂绝缘子、腕臂上底座、腕臂下底座和定位器线夹套管双耳。