1.一種基于卷積神經網絡的真空擊穿類別檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于卷積神經網絡的真空擊穿類別檢測方法，其特征在于，所述共享卷積層包括兩層卷積和池化層，其中：
3.根據權利要求1所述的基于卷積神經網絡的真空擊穿類別檢測方法，其特征在于，所述多任務處理層包括并行的特征分支網絡、尾段增強模塊、全局池化模塊；
4.根據權利要求3所述的基于卷積神經網絡的真空擊穿類別檢測方法，其特征在于，所述特征分支網絡包括：
5.根據權利要求3所述的基于卷積神經網絡的真空擊穿類別檢測方法，其特征在于，所述尾段增強模塊包括剪裁、尾段卷積層及池化展平層，其中：
6.根據權利要求1所述的基于卷積神經網絡的真空擊穿類別檢測方法，其特征在于，所述全連接層采用邏輯分數計算公式，表示為：將輸入的復合特征向量乘以權重矩陣，得到的結果再與偏置矩陣求和，獲得三種真空擊穿類別的邏輯分數；所述權重矩陣的每行元素對應三種真空擊穿類別的權重參數；
7.根據權利要求1所述的基于卷積神經網絡的真空擊穿類別檢測方法，其特征在于，對所述基于卷積神經網絡的真空擊穿類別診斷模型進行訓練的過程中，根據預測類別和真實類別計算總損失，并通過反向傳播對模型的權重參數進行優化調整；其中總損失函數表示為：
8.根據權利要求1所述的基于卷積神經網絡的真空擊穿類別檢測方法，其特征在于，獲取不同真空擊穿類別的預擊穿電流波形，包括：
9.一種基于卷積神經網絡的真空擊穿類別檢測裝置，其特征在于，包括：真空擊穿試驗平臺，位于pc端的真空擊穿類別診斷模型訓練腳本和pynq操作系統，搭載基于卷積神經網絡的真空擊穿類別診斷模型的硬件裝置；其中：
10.根據權利要求9所述的基于卷積神經網絡的真空擊穿類別檢測裝置，其特征在于，在所述硬件裝置中：