1.一种列车关键部件故障识别方法，其特征在于，包括：获取列车故障部位图像作为待检测图像，以及获取列车故障样本数据集；针对列车故障所在的位置和故障特征，以及列车关键部位所存在的故障类别，对所述列车故障样本数据集进行分类，划分为多个列车故障样本子数据集；标识出每一类所述列车故障样本子数据集中的故障信息；对每一类所述列车故障样本子数据集进行预处理，筛选出故障信息数据量少的所述列车故障样本子数据集，通过添加高斯噪声、椒盐噪声、镜像、旋转以及亮暗度的方法进行图像数据扩充；将预处理后的所述列车故障样本数据集划分为列车故障样本训练集、列车故障样本测试集与列车故障样本验证集；将预处理后且划分后的列车故障样本数据集输入至深度学习模型进行模型训练，得到目标故障识别模型；所述深度学习模型采用改进的yolov5深度学习网络模型，包括输入端、主干网络模块、颈部网络模块、以及输出端；所述改进的yolov5深度学习网络模型的改进点包括：主干网络模块还包括SE单元，通过网络根据主网络模块输出的第一预测故障特征图的残差值的大小去学习特征权重，利用有效的故障特征图权重大、无效的故障特征图权重小的方式训练模型；颈部网络模块还包括CRNet单元，将颈部网络模块的PAN单元获取的特征再一次融合相加，优化特征细粒度；将所述待检测图像输入至所述目标故障识别模型进行故障识别。
2.根据权利要求1所述的方法，其特征在于，将预处理后且划分后的列车故障样本数据集输入至深度学习模型进行模型训练，得到目标故障识别模型，包括：将所述列车故障样本数据集输入至所述输入端后，经过数据增强处理，将所述列车故障样本数据集按照多张故障图像拼接后进行训练；对数据增强后的所述列车故障样本数据集根据被检测关键部件的不同比例调整初始锚框、以及自适应缩放故障图像尺寸；将所述输入端输出后的所述列车故障样本数据集进一步输入至所述主干网络模块，通过Focus单元对所述列车故障样本数据集的故障图像进行切片操作，形成原始故障特征图；通过CBL单元提取切片后的所述原始故障特征图中的特征信息并通过CSP单元对特征信息进行融合，并对特征信息融合后的所述原始故障特征图通过SPP单元采用不同的尺寸池化窗口进行池化操作，输出第一预测故障特征图；将所述主干网络模块输出后的所述列车故障样本数据集输入至所述颈部网络模块，根据主干网络不同层对不同的检测层进行特征聚合，通过FPN单元自顶向下传达强语义特征，将高层的特征信息通过下采样的方式进行传递融合；以及通过PAN单元自底向上传达强定位特征，将低层的特征信息通过上采样的方式进行传递融合，输出第二预测故障特征图；将经过所述颈部网络模块输出的所述第二预测故障特征图经过所述输出端标注出图像中的缺陷信息，并根据所述缺陷信息确定目标置信度；将训练好的所述深度学习模型作为所述目标故障识别模型。
3.根据权利要求2所述的方法，其特征在于，采用Mosaic-6数据增强方法对输入至所述输入端的所述列车故障样本数据集进行数据增强处理，将所述列车故障样本数据集按照6张故障图像随机裁剪、随机缩放、随机排列组合拼接成一张图片后进行训练。
4.根据权利要求2所述的方法，其特征在于，改进的yolov5深度学习网络模型使用CIOU损失函数。
5.根据权利要求2所述的方法，其特征在于，改进的yolov5深度学习网络模型利用K-means均值算法重新计算候选框尺寸，用计算得到的最佳候选框尺寸代替原始候选框尺寸。
6.根据权利要求2所述的方法，其特征在于，还包括：对获取的列车故障部位图像进行光源补偿处理，得到所述待检测图像。
7.一种列车关键部件故障识别装置，其特征在于，采用权利要求1-6任一项所述的列车关键部件故障识别方法，包括：图像采集模块，用于获取列车故障部位图像作为待检测图像，以及获取列车故障样本数据集；模型训练模块，用于将所述列车故障样本数据集输入至深度学习模型进行模型训练，得到目标故障识别模型；以及将所述待检测图像输入至所述目标故障识别模型进行故障识别。
