1.一种多尺度特征提取融合配电网设备定位识别方法，其特征是，包括如下步骤：步骤S1、采集获取各种场景下配电网设备图像数据，并进行预处理，并划分训练集、验证集及测试集；步骤S2、构建由多尺度Transformer特征提取主干网络、金字塔多尺度特征融合模块、分类检测预测层构成的目标检测网络；所述多尺度Transformer特征提取主干网络由一个stem模块和四个特征提取阶段模块组成，四个特征提取阶段模块依次为第一特征提取阶段模块、第二特征提取阶段模块、第三特征提取阶段模块、第四特征提取阶段模块；第一特征提取阶段模块依次包括Patch Embedding模块、Swin Transformer-Encoder模块和下采样层，Patch Embedding模块的输入为stem模块的输出，Swin Transformer-Encoder模块获取Patch Embedding模块的输出，Swin Transformer-Encoder模块处理后的特征经下采样层处理得到第一特征图M1；第二特征提取阶段模块包括Swin Transformer-Encoder模块和下采样层；其SwinTransformer-Encoder模块的输入为第一特征提取阶段模块得到的第一特征图M1；第三特征提取阶段模块包括Swin Transformer-Encoder模块和下采样层；其SwinTransformer-Encoder模块的输入为第二特征提取阶段模块得到的第二特征图M2；第四特征提取阶段模块包括Swin Transformer-Encoder模块和下采样层；其SwinTransformer-Encoder模块的输入为第三特征提取阶段模块得到的第三特征图M3；第四特征提取阶段模块输出第四特征图M4；所述Swin Transformer-Encoder模块由两个连续的Swin Transformer Block所组成，依次经过归一化层后送入窗口自注意力机制，送入归一化层后输入给MLP模块；再经过归一化层后送入偏移窗口自注意力机制，送入归一化层后输入给MLP模块，其中在自注意力机制和MLP模块后均有残差链接；所述金字塔多尺度特征融合模块将第一特征提取阶段模块输出的第一特征图M1和第二特征提取阶段模块输出的第二特征图M2融合得到第一次融合特征图M2′；第一次融合特征图M2′经下采样层后与第三特征提取阶段模块输出的第三特征图M3融合得到第二次融合特征图M3′；第二次融合特征图M3′经下采样层后与第四特征提取阶段模块输出的第四特征图M4融合得到第三次融合特征图M4′，第三次融合特征图M4′经下采样层后得到第五特征图M5；将第一次融合特征图M2′、第二次融合特征图M3′、第三次融合特征图M4′、第五特征图M5输入分类检测预测层；分类检测预测层使用两个卷积层级联而成，输出分类结果及目标位置；步骤S3、将训练集送入目标检测网络进行训练：由多尺度Transformer特征提取主干网络进行特征提取，金字塔多尺度特征融合模块进行尺度的融合，把得到的融合后特征图输入到分类检测预测层，分类检测预测层完成最后的预测框坐标及类别的输出，分析检测结果；在训练过程中对训练误差进行梯度下降，完成可训练的权重参数学习，得到训练完成的目标检测模型；步骤S4、将验证集送入步骤S3训练完成的目标检测模型，进一步的估计泛化误差，调整模型的超参数；步骤S5、使用超参数调整优化完成后的目标检测模型检测测试集，完成配电网设备识别和分类，评价测试结果，然后用测试合格的目标检测模型检测待测配电网设备图像。
2.根据权利要求1所述的多尺度特征提取融合配电网设备定位识别方法，其特征是，所述Patch Embedding模块将配电网设备图像裁成一个个“图像块”*“图像块”的窗口大小，然后进行嵌入，所述Patch Embedding模块包括一个下采样层和一个1×1卷积。
3.根据权利要求1所述的多尺度特征提取融合配电网设备定位识别方法，其特征是，所述stem模块实质为一个7×7的卷积层，步距为2。
4.根据权利要求1所述的多尺度特征提取融合配电网设备定位识别方法，其特征是，所述下采样层均为卷积核大小为1×1，步距为2的卷积。
5.根据权利要求1所述的多尺度特征提取融合配电网设备定位识别方法，其特征是，第一次融合特征图M2′、第二次融合特征图M3′、第三次融合特征图M4′和第五特征图M5设置不同的先验框，先验框数量的设置[3，4，4，4]，先验框的设置，包括尺度和长宽比两个方面；使用K-Means聚类算法得到不同尺寸的先验框，对于第一次融合特征图M2′、第二次融合特征图M3′、第三次融合特征图M4′和第五特征图M5，根据先验框数量设置的不同，通过聚类算法，总共可以得到15个先验框，使用逻辑回归确定用来预测的回归框。
6.根据权利要求5所述的多尺度特征提取融合配电网设备定位识别方法，其特征是，第一次融合特征图M2′、第二次融合特征图M3′、第三次融合特征图M4′和第五特征图M5输入到分类检测预测层生成预测框，又将预测框和每个网格中心建立多个先验框对比验证，判断所选中的区域是否包含最终识别的配电网设备目标，以及目标设备的类别；经过先验框和预测框之间连续的调整，微调区域边缘进而得到精确的边界框。
7.根据权利要求6所述的多尺度特征提取融合配电网设备定位识别方法，其特征是，分类检测预测层生成的预测框经过调整后得到精确的边界框，设置置信度阈值，对每种类别进行判断，输出置信度得分大于阈值的结果，包括预测框和得分；通过非极大值抑制算法找到局部极大值，并筛除邻域内其余的值，使用非极大值抑制从堆叠的边框中选出得分最高的预测框，产生最终的检测结果，包括预测框坐标位置、置信度和类别概率。
