1.一种基于深度学习的输电线路异常目标检测方法，其特征在于，所述方法包括：根据预先收集的输电线路通道内的图像数据在服务器上进行网络模型训练，所述网络模型训练包括：对目标检测算法的损失函数进行优化，利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型；在所述输电线路的边缘检测设备上部署所述深度学习网络模型；采集当前的输电线路通道内的图像数据；利用所述边缘检测设备上部署的所述深度学习网络模型对当前的图像数据进行推理，根据推理结果确定当前的输电线路通道内是否存在异常目标；所述对目标检测算法的损失函数进行优化，包括：定义所述损失函数，所述损失函数的参数包括回归损失、置信度损失及分类损失；计算目标框与预测框之间的损失值，根据该损失值计算所述回归损失；计算所述置信度损失及所述分类损失；根据所述回归损失、所述置信度损失以及所述分类损失得到所述优化后的损失函数；所述损失函数的公式为： ；其中，L box 为回归损失，L obj 为置信度损失，L cls 为分类损失； ； ； ；其中，S表示网格尺寸，B表示box框的数量， 表示若在i,j处的box框有目标，其值为1；若在i,j处的box框没有目标，其值为0； 表示若在i,j处的box没有目标，其值为1；若在i,j处的box有目标，其值为0；λ coord 表示box框的回归损失权重，λ noobj 表示没有目标的损失权重，λ obj 表示有目前的损失权重，λ class 表示分类损失权重；L β-DIoU 表示目标框与预测框之间的损失值，其计算公式为： ； ；其中， IoU 表示交并比，B c 表示预测框，B gt 表示目标框，ρ 2 (b,b gt )表示预测框的中心点与目标框的中心点之间的距离，c表示包含预测框和目标框的最小矩形的对角线长度，c 1 表示目标框的对角线长度。
2.根据权利要求1所述的基于深度学习的输电线路异常目标检测方法，其特征在于，所述目标检测算法采用YOLOv3结构，所述深度学习网络模型为Mobilenet网络模型结构。
3.根据权利要求1所述的基于深度学习的输电线路异常目标检测方法，其特征在于，所述方法还包括：在进行网络模型训练之前，对所述预先收集的图像数据进行预处理并标注异常目标的类型，采用图像增强方法对预处理后的图像数据进行扩充。
4.根据权利要求1所述的基于深度学习的输电线路异常目标检测方法，其特征在于，所述方法还包括：对所述深度学习网络模型进行量化和剪枝。
5.一种基于深度学习的输电线路异常目标检测系统，其特征在于，所述系统包括：服务器，用于根据预先收集的输电线路通道内的图像数据进行网络模型训练，所述网络模型训练包括：对目标检测算法的损失函数进行优化，利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型；监控终端，用于采集并传输当前的输电线路通道内的图像数据；边缘检测设备，与所述监控终端网络连接，并部署有从所述服务器获取的深度学习网络模型；所述边缘检测设备用于接收所述监控终端传输的图像数据，通过所述深度学习网络模型对所述图像数据进行推理，根据推理结果确定当前的输电线路通道内是否存在异常目标；所述对目标检测算法的损失函数进行优化，包括：定义所述损失函数，所述损失函数的参数包括回归损失、置信度损失及分类损失；计算目标框与预测框之间的损失值，根据该损失值计算所述回归损失；计算所述置信度损失及所述分类损失；根据所述回归损失、所述置信度损失以及所述分类损失得到所述优化后的损失函数；所述损失函数的公式为： ；其中，L box 为回归损失，L obj 为置信度损失，L cls 为分类损失； ； ； ；其中，S表示网格尺寸，B表示box框的数量， 表示若在i,j处的box框有目标，其值为1；若在i,j处的box框没有目标，其值为0； 表示若在i,j处的box没有目标，其值为1；若在i,j处的box有目标，其值为0；λ coord 表示box框的回归损失权重，λ noobj 表示没有目标的损失权重，λ obj 表示有目前的损失权重，λ class 表示分类损失权重；L β-DIoU 表示目标框与预测框之间的损失值，其计算公式为： ； ；其中， IoU 表示交并比，B c 表示预测框，B gt 表示目标框，ρ 2 (b,b gt )表示预测框的中心点与目标框的中心点之间的距离，c表示包含预测框和目标框的最小矩形的对角线长度，c 1 表示目标框的对角线长度。
6.根据权利要求5所述的基于深度学习的输电线路异常目标检测系统，其特征在于，所述边缘检测设备还用于在确定当前的输电线路通道内存在异常目标时，将所述异常目标的信息传输到控制中心。
7.一种存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被执行时实现权利要求1-4中任一项所述的基于深度学习的输电线路异常目标检测方法。
