1.一种绝缘子检测方法，其特征在于，包括：将待检测绝缘子图像输入到多任务深度学习网络中，输出所述待检测绝缘子图像中的像素属于绝缘子上每个锚点的概率分布图，以及所述像素位于任意相邻两个锚点之间的连接线上时所述相邻两个锚点之间的连接信息分布图；

根据每个锚点对应的概率分布图，获取每个锚点在所述待检测绝缘子图像中的一个或多个候选位置，根据所述相邻两个锚点之间的连接信息分布图和所述相邻两个锚点之间任意候选位置的两两组合，计算所述相邻两个锚点之间对于每个组合的连接信息置信度；

根据所有相邻两个锚点之间对于每个组合的连接信息置信度确定每条绝缘子上每个锚点的最终位置，根据每条绝缘子上各锚点的最终位置确定每条绝缘子的倾斜矩形框；

其中，所述多任务深度学习网络通过以绝缘子图像样本作为样本，以所述绝缘子图像样本中绝缘子上每个锚点的实际位置作为标签进行训练获取。

2.根据权利要求1所述的绝缘子检测方法，其特征在于，所述多任务深度学习网络包括主干网络以及多个阶段网络；

每个阶段网络包括第一卷积网络和第二卷积网络；

相应地，所述将待检测绝缘子图像输入到多任务深度学习网络中，输出所述待检测绝缘子图像中的像素属于绝缘子上每个锚点的概率分布图，以及所述像素位于任意相邻两个锚点之间的连接线上时所述相邻两个锚点之间的连接信息分布图，包括：将所述待检测绝缘子图像输入到所述主干网络，输出所述待检测绝缘子图像的特征图，将所述特征图同时输入与所述主干网络连接的阶段网络中的第一卷积网络和第二卷积网络；

经过所述第一卷积网络得到每个锚点的概率分布图，并将所有锚点的概率分布图进行拼接，经过所述第二卷积网络得到所有相邻两个锚点之间的连接信息分布图，并将所有相邻两个锚点之间的连接信息分布图进行拼接；

将所述概率分布图的拼接结果、所述连接信息分布图的拼接结果和所述特征图拼接成新的特征图同时输入到当前阶段网络的下一个阶段网络中，直到所述下一个阶段网络为最后一个阶段网络；

经过所述最后一个阶段网络的第一卷积网络输出每个锚点的概率分布图，经过所述最后一个阶段网络的第二卷积网络输出所述相邻两个锚点之间的连接信息分布图。

3.根据权利要求2所述的绝缘子检测方法，其特征在于，所述第一卷积网络包括多个连续的第一卷积层和多个连续的第二卷积层；

其中，所述第一卷积层的卷积核尺寸大于所述第二卷积层的卷积核尺寸；

所述第一卷积层位于所述第二卷积层的前面；

所述第二卷积网络的结构与所述第一卷积网络的结构相同。

4.根据权利要求2所述的绝缘子检测方法，其特征在于，所述将待率分检测绝缘子图像输入到多任务深度学习网络中，输出所述待检测绝缘子图像中的像素属于绝缘子上每个锚点的概布图，以及所述像素位于任意相邻两个锚点之间的连接线上时所述相邻两个锚点之间的连接信息分布图之前，还包括通过以下损失函数对所述多任务深度学习网络进行训练：

其中，f表示所述损失函数的值，N为所述阶段网络的总个数， 表示第n个阶段网络中锚点的概率分布图S的损失函数， 表示第n个阶段网络中相邻两个锚点之间的连接信息分布图R的损失函数，D表示每条绝缘子上的锚点数量，P表示所述绝缘子图像样本中的任一位置，W(P)表示位置P处的权重，当P不在绝缘子上时，W(P)为0；当P在绝缘子上时，W(P)不为

0， 和 分别表示P点属于第d个锚点的实际概率和P点位于第d个锚点和第d+1个锚点之间时第d个锚点和第d+1个锚点之间的实际连接信息，Sd(P)和Rd(P)分别表示P点在第n个节点网络中第d个锚点对应的概率分布图中的概率和连接信息分布图中的连接信息，和 分别表示所述绝缘子图像样本中距离P点最近的第d个和第d+1个锚点的实际坐标，2

表示所述绝缘子上第d个锚点的实际坐标，σ表示高斯方差。

5.根据权利要求1‑4任一所述的绝缘子检测方法，其特征在于，所述根据每个锚点对应的概率分布图，获取每个锚点在所述待检测绝缘子图像中的一个或多个候选位置，包括：对每个锚点对应的概率分布图进行高斯滤波，将在每个锚点对应的概率分布图中的概率大于第二预设阈值的波峰点作为每个锚点的候选位置。

6.根据权利要求1‑4任一所述的绝缘子检测方法，其特征在于，通过以下公式根据所述相邻两个锚点之间的连接信息分布图和所述相邻两个锚点之间任意候选位置的两两组合，计算所述相邻两个锚点之间对于每个组合的连接信息置信度：其中，Ej表示对于第j对编号为i和i‑1的相邻两个锚点，在编号为i的锚点的候选位置为Xi，编号为i‑1的锚点的候选位置为Xi‑1的组合下的连接信息置信度，P(y)＝(1‑y)Xi+yXi‑1，表示Xi和Xi‑1之间的任一位置，y位于0和1之间，D表示每条绝缘子上的锚点数量，Rj(P(y))表示第j对相邻两个锚点之间的连接信息分布图中位置P(y)处的连接信息。

7.根据权利要求1‑4任一所述的绝缘子检测方法，其特征在于，所述根据每条绝缘子上各锚点的最终位置确定每条绝缘子的倾斜矩形框，包括：将每条绝缘子上各锚点的最终位置按照所述锚点的预设连接顺序进行连接，得到所述绝缘子的主轴线，并计算所述主轴线的斜率；

从所述待检测绝缘子图像中获取以每条绝缘子上各锚点的最终位置为中心的最大区域，且所述区域中的各位置在各锚点对应的概率分布图中的概率均大于第三预设阈值；

根据以每条绝缘子的各锚点的最终位置为中心的区域，计算每条绝缘子的宽度；

根据每条绝缘子上两端锚点的最终位置，计算每条绝缘子的长度；

根据每条绝缘子的长度、宽度和主轴线的斜率，确定每条绝缘子的倾斜矩形框。

8.一种绝缘子检测装置，其特征在于，包括：特征提取模块，用于将待检测绝缘子图像输入到多任务深度学习网络中，输出所述待检测绝缘子图像中的像素属于绝缘子上每个锚点的概率分布图，以及所述像素位于任意相邻两个锚点之间的连接线上时所述相邻两个锚点之间的连接信息分布图；

计算模块，用于根据每个锚点对应的概率分布图，获取每个锚点在所述待检测绝缘子图像中的一个或多个候选位置，根据所述相邻两个锚点之间的连接信息分布图和所述相邻两个锚点之间任意候选位置的两两组合，计算所述相邻两个锚点之间对于每个组合的连接信息置信度；

确定模块，用于根据所有相邻两个锚点之间对于每个组合的连接信息置信度确定每条绝缘子上每个锚点的最终位置，根据每条绝缘子上各锚点的最终位置确定每条绝缘子的倾斜矩形框；

其中，所述多任务深度学习网络通过以绝缘子图像样本作为样本，以所述绝缘子图像样本中绝缘子上每个锚点的实际位置作为标签进行训练获取。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述绝缘子检测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述绝缘子检测方法的步骤。