權(quán)利要求書： 1.基于多任務(wù)關(guān)聯(lián)的風(fēng)機(jī)葉片損傷識別方法，其特征在于，包括：獲取風(fēng)機(jī)葉片的圖像，對獲取的風(fēng)機(jī)葉片圖像進(jìn)行預(yù)處理；將風(fēng)機(jī)葉片圖像輸入至多任務(wù)關(guān)聯(lián)神經(jīng)網(wǎng)絡(luò)模型中，所述多任務(wù)關(guān)聯(lián)神經(jīng)網(wǎng)絡(luò)模型包括多任務(wù)主干網(wǎng)絡(luò)和兩個子任務(wù)分支網(wǎng)絡(luò)，首先利用多任務(wù)主干網(wǎng)絡(luò)提取風(fēng)機(jī)葉片圖像的底層共享特征，之后在兩個子任務(wù)分支網(wǎng)絡(luò)中分別提取損傷位置特征以及損傷類型特征，然后分別輸出風(fēng)機(jī)葉片損傷的位置以及損傷類型的識別結(jié)果；其中，將兩個子任務(wù)分支網(wǎng)絡(luò)分別在提取損傷位置特征以及損傷類型特征時進(jìn)行特征提取任務(wù)相關(guān)聯(lián)，由線性映射函數(shù)將一個分支任務(wù)的損傷高維特征映射到另一個分支任務(wù)的特征提取的標(biāo)簽空間中，并通過激活函數(shù)轉(zhuǎn)換為概率分布的形式，進(jìn)而通過另一個分支任務(wù)的真實標(biāo)簽對概率分布進(jìn)行損失評價，獲取損傷位置特征以及損傷類型特征分支任務(wù)兩者之間存在的相關(guān)性。2.如權(quán)利要求1所述的基于多任務(wù)關(guān)聯(lián)的風(fēng)機(jī)葉片損傷識別方法，其特征在于，所述多任務(wù)關(guān)聯(lián)神經(jīng)網(wǎng)絡(luò)模型中的損傷位置特征以及損傷類型特征的特征提取由特征提取單元實現(xiàn)，所述特征提取單元由注意力機(jī)制、卷積層以及殘差網(wǎng)絡(luò)組成，每個特征提取單元包括三個卷積層。3.如權(quán)利要求2所述的基于多任務(wù)關(guān)聯(lián)的風(fēng)機(jī)葉片損傷識別方法，其特征在于，在特征提取單元中引入注意力機(jī)制提高風(fēng)機(jī)葉片圖像特征的表達(dá)能力，對風(fēng)機(jī)葉片圖像的高維特征進(jìn)行提取，將注意力機(jī)制的輸出作為卷積層的輸入，通過卷積層進(jìn)一步提取風(fēng)機(jī)葉片圖像的空間特征，然后將卷積層輸出的特征與輸入特征相加組成殘差網(wǎng)絡(luò)。4.如權(quán)利要求1所述的基于多任務(wù)關(guān)聯(lián)的風(fēng)機(jī)葉片損傷識別方法，其特征在于，所述多任務(wù)主干網(wǎng)絡(luò)中疊加兩個特征提取單元來提取共享的網(wǎng)絡(luò)特征參數(shù)，兩個子任務(wù)分支網(wǎng)絡(luò)各自疊加兩個特征提取單元，分別用于風(fēng)機(jī)葉片損傷位置識別和損傷類型識別兩個任務(wù)，根據(jù)兩個子任務(wù)空間之間存在的潛在的映射關(guān)系，通過位置識別任務(wù)的特征來推理損傷類型識別任務(wù)的結(jié)果，同時，損傷類型識別任務(wù)的特征也來推理風(fēng)機(jī)葉片損傷位置識別任務(wù)的特征。5.如權(quán)利要求1所述的基于多任務(wù)關(guān)聯(lián)的風(fēng)機(jī)葉片損傷識別方法，其特征在于，在子任務(wù)分支網(wǎng)絡(luò)的輸出層融入多任務(wù)相關(guān)性單元，提取損傷位置特征以及損傷類型特征任務(wù)之間的相互關(guān)聯(lián)性，通過使用一個分支任務(wù)的標(biāo)簽來訓(xùn)練另一個分支任務(wù)的特征提取過程，多任務(wù)相關(guān)性單元在高維特征空間