1.一种高速运动滤棒爆珠检测与定位方法，具体步骤如下：S1、采集高速运动滤棒爆珠图像；S2、对步骤S1采集的高速运动滤棒爆珠图像进行预处理；S3、对步骤S2得到的图像进行边缘检测，得到目标的初步像素点区域；S4、对步骤S1采集的图像进行聚类，与步骤S3结果进行结合，得到目标的准确像素点区域；S5、对步骤S4处理后的图像进行标注，合理生成样本训练集、验证集与测试集；S6、结合SPP结构和SE模块，构建深度卷积神经网络；S7、训练深度神经网络；所述步骤S1中，利用高速相机采集高速运动的滤棒爆珠RGB图像；所述步骤S2中，对步骤S1收集的RGB图像利用最大值法进行灰度化；所述步骤S3中，利用S2步骤得到的灰度图和Sobel算子进行边缘检测，分离出灰度值变化较大的像素点，进而确定边缘得到目标的初步像素点区域；所述步骤S3中，具体步骤如下：Sobel边缘检测算子的表达式如下：Sobel边缘检测算子由两个3×3卷积因子Gu和Gv组成，分别用于横向和纵向的梯度计算，将其与灰度值图像作平面卷积，分别得出横向及纵向的灰度差分近似值，表达式如下：其中，f(x,y)表示在图像(x,y)点处的灰度值，Gx(x,y)和Gy(x,y)分别表示在图像(x,y)点处横向和纵向的灰度梯度值，图像的每一个像素的横向与纵向灰度梯度值通过下式结合，来计算该点灰度变化的总值：若某点梯度G大于某一阈值，则认为该点为边缘点，利用Sobel边缘检测算子对全部的点求灰度梯度总值后，根据阈值得到全部的边缘点位置，从而得到初步的目标和背景区域；所述步骤S4中，具体步骤如下：对步骤S1采集的高速运动滤棒爆珠图像使用ISODATA算法进行聚类，得到的聚类结果分为前景类和背景类，再与步骤S3得到的目标区域进行交集运算，得到目标的准确像素点区域；所述步骤S5中，对步骤S4得到的图像进行标注，构建训练集、验证集与测试集，用于训练和性能测试；所述步骤S6中，输入图像经过若干卷积层提取特征后，输入到SPP模块进行不同尺寸特征图的融合，而后经过SE模块，将特征图的每一个通道赋予自适应的权重，再经过卷积层得到最后的特征图及输出；所述步骤S7中，具体步骤如下：将步骤S5得到的训练集输入步骤S6构建的深度卷积神经网络进行前向传播，计算代价函数值，使用基于梯度下降的后向传播算法对多输入并行深度卷积神经网络参数进行更新，迭代进行前后向传播，直至代价函数收敛；所述步骤S7中，具体步骤如下：S71、前向传播，以 表示第l层(l≥2)第t个特征图，若第l层为卷积层，则：其中， 表示连接第s个输入特征图和第t个输出特征图的卷积核， 表示偏置项，σ(·)表示非线性激活函数，“*”表示卷积运算；若第l层为最大池化层，则：其中， 表示第l层(l≥2)第t个特征图中表示(x′,y′)位置的坐标值，r 1 、r 2 表示池化窗口的大小，u、v表示预先设定在池化窗口内的变量；若第l层为平均池化层，则：其中，r 1 、r 2 表示池化窗口的大小；若第l层为全连接层，则：a (l) ＝σ(w (l) a (l-1) +b (l) ) (7)其中，a (l) 表示第l层的特征图，w (l) 表示第l层权重，b (l) 为该层偏置项；S72、计算代价函数值，以交叉熵函数作为代价函数，计算公式为：其中，式(8)前两项表示回归边界框损失，第三项和第四项表示置信度损失，计算了正样本(单元网格中有对象)和负样本(单元网格中无对象，是背景)各自的置信度损失，最终特征图被分为S×S个网格，每个网格单元预测B个边界框；(x i ,y i )表示第i个单元网格内目标边界框中心的坐标，(w i ,h i )表示第i个单元网格内目标边界框宽度和高度，则真实的位置坐标用(x i ,y i ,w i ,h i )表示， 表示预测的位置坐标；C i 表示网格单元内是否真实存在目标，若真实存在则为1，不存在则为0， 表示网格单元内的预测结果，若存在目标则为1，不存在则为0； 表示有对象的单元网格i， 表示负责预测有对象的网格单元i中的第j个边界框， 表示负责预测无对象的网格单元i中的第j个边界框，λ coord 、λ obj 、λ noobj 分别表示各项损失的权重；S73、基于梯度下降的后向传播算法对网络参数进行更新，具体如下式：其中，α为学习率，L表示损失函数，w、b分别表示网络中权重与偏置项的集合。
2.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法，其特征在于，还包括步骤S8，对步骤S7训练完成的网络进行检测性能测试，具体步骤如下：将测试集中的图片输入步骤S7中训练完成的网络进行前向传播，使用精确率和召回率两种评价指标描述目标检测和定位的结果。
