1.一种铁路货检高清图像智能识别方法，其特征在于，该方法包括如下步骤：(1)选取多个车型的货车拍摄货车场景图像，构建货车病害数据集；(2)获取待检测的货车过车图像；(3)基于全局多维度注意力机制对待检测的货车过车图像进行分类；对待检测的货车过车图像进行区域划分，对各区域图像进行位置编码，将各区域图像的位置编码信息与区域特征组合，计算多维度权重注意力，得到待检测的货车过车图像的全局特征并进行分类；所述区域特征为：其中，v i 为第i个区域特征，待检测的货车过车图像分成N 0 个区域，d为图像特征的维度；所述位置编码信息为：其中，(W，H)为待检测的货车过车图像的宽度和高度， 分别为各区域图像的左上角和右下角的坐标；所述将各区域图像的位置编码信息与区域特征组合是按照以下方式组合：其中，f i 为第i个编码信息，F为含有位置信息的区域特征集合；所述多维度权重注意力通过下式计算：其中，fc′ 1 、fc′ 2 为含有随机丢弃的全连接层， 分别为fc′ 1 、fc′ 2 的参数，δ为ELU激活函数；所述全局特征通过下式得到：(4)基于Faster-RCNN深度学习神经网络，检测待检测的货车过车图像是否存在病害，并对病害进行定位；(5)识别所述病害的类型。
2.根据权利要求1所述的铁路货检高清图像智能识别方法，其特征在于，该方法还包括如下步骤：(6)将检测结果与识别结果反馈于所述深度学习神经网络，用于参数更新与自适应调整。
3.根据权利要求2所述的铁路货检高清图像智能识别方法，其特征在于，所述反馈采用以下损失函数：Loss＝LOSS cls +αLOSS det ，其中，LOSS cls 为车型分类损失，LOSS det 为目标检测损失；α为超参，表示病害定位误差所占的权重；其中，车型分类损失LOSS cls 采用交叉熵损失：其中，y i 为预测标签， 为ground truth标签，N为样本数量；其中，目标检测损失LOSS det 包括异物分类损失LOSS cls-gc 和边界框回归损失LOSS box ，其中，p i 为第i个预设框的预测分类概率；当第i个预设框是正样本时， 当第i个预设框是负样本时， t i 为第i个预设框预测边框的参数化坐标； 为第i个预设框的真实值边框的参数化坐标；N cls 为迷你批大小；N box 为边框的数量；λ为边框回归损失的权重； R是 函数，其中，x为函数输入。
4.根据权利要求1至3任一项所述的铁路货检高清图像智能识别方法，其特征在于，步骤(1)中，所述货车场景图像包括货车车型和病害标注边框。
5.根据权利要求1至3任一项所述的铁路货检高清图像智能识别方法，其特征在于，步骤(1)还包括：对所述货车场景图像进行缩放、裁剪和/或翻转操作，获得货车场景图像数据增强增加样本集。
6.根据权利要求1至3任一项所述的铁路货检高清图像智能识别方法，其特征在于，步骤(4)包括：使用RPN基于不同分类对待检测的货车过车图像中的病害进行粗定位，得到候选病害区域；使用RCNN对所述候选病害区域进行筛选和精定位。
7.一种铁路货检高清图像智能识别系统，其特征在于，该系统包括：构建模块，用于选取多个车型的货车拍摄货车场景图像，构建货车病害数据集；获取模块，用于获取待检测的货车过车图像；分类模块，用于基于全局多维度注意力机制对待检测的货车过车图像进行分类；对待检测的货车过车图像进行区域划分，对各区域图像进行位置编码，将各区域图像的位置编码信息与区域特征组合，计算多维度权重注意力，得到待检测的货车过车图像的全局特征并进行分类；所述区域特征为：其中，v i 为第i个区域特征，待检测的货车过车图像分成N 0 个区域，s为图像特征的维度；所述位置编码信息为：其中，(W，H)为待检测的货车过车图像的宽度和高度， 分别为各区域图像的左上角和右下角的坐标；所述将各区域图像的位置编码信息与区域特征组合是按照以下方式组合：其中，f i 为第i个编码信息，F为含有位置信息的区域特征集合；所述多维度权重注意力通过下式计算：其中，fc′ 1 、fc′ 2 为含有随机丢弃的全连接层， 分别为fc′ 1 、fc′ 2 的参数，δ为ELU激活函数；所述全局特征通过下式得到：检测模块，用于基于Faster-RCNN深度学习神经网络，检测待检测的货车过车图像是否存在病害，并对病害进行定位；和识别模块，用于识别所述病害的类型。
8.根据权利要求7所述的铁路货检高清图像智能识别系统，其特征在于，该系统还包括：反馈模块，用于将检测结果与识别结果反馈于所述深度学习神经网络，用于参数更新与自适应调整。
