1.一种基于多任务transformer的疼痛表情评估方法，其特征在于：包括以下步骤：S1、表情数据预处理：包括表情图像尺寸统一和转换；S2、建立多任务transformer疼痛评估模型；S3、获取输入图像：从表情数据集中随机采样一组数据；S4、对输入图像进行局部特征提取；S5、基于自注意力的局部特征进行加权结合；S6、疼痛表情分类；S7、疼痛表情分数回归；S8、更新网络参数；S9、重复步骤S3～S8，直到损失函数值趋于稳定。
2.根据权利要求1所述的基于多任务transformer的疼痛表情评估方法，其特征在于：所述建立多任务transformer疼痛评估模型，具体包括以下步骤：S21、建立卷积神经网络特征提取器E；S22、建立transformer模型T；S23、建立多任务疼痛评估模块。
3.根据权利要求2所述的基于多任务transformer的疼痛表情评估方法，其特征在于：所述疼痛评估模块包括疼痛等级分类器F和疼痛等级回归器R。
4.根据权利要求1所述的基于多任务transformer的疼痛表情评估方法，其特征在于：所述疼痛表情分类，具体包括以下步骤：S61、将从输入图像x i 的特征f输入到疼痛等级分类器F中，得到输入图像x i 的分类结果；S62、计算输入图像x i 的分类结果的交叉熵损失L c 。
5.根据权利要求4所述的基于多任务transformer的疼痛表情评估方法，其特征在于：所述交叉熵损失L c 的计算公式为：L c ＝-log(p(y i |x i ))其中y i 表示输入图像x i 对应的类别，p(y i |x i )表示疼痛等级分类器F对输入图像x i 的类别的预测结果，交叉熵损失值L c 表示疼痛等级分类器F预测结果与真实结果的差距。
6.根据权利要求1所述的基于多任务transformer的疼痛表情评估方法，其特征在于：所述疼痛表情分数回归，具体包括以下步骤：S71、将从输入图像x i 的特征f输入到步骤S23建立的疼痛等级回归器R中，得到输入图像x i 的回归结果；S72、计算输入图像x i 的回归结果的huber损失L r 。
7.根据权利要求6所述的基于多任务transformer的疼痛表情评估方法，其特征在于：所述huber损失L r 的计算方法为：其中y i 表示输入图像x i 对应的类别，w T f表示疼痛等级回归器R对输入图像x i 的回归分数的预测结果，σ表示sigmoid函数，δ为阈值，huber损失值L r 表示疼痛等级回归器R预测结果与真实结果的差距。
8.根据权利要求3所述的基于多任务transformer的疼痛表情评估方法，其特征在于：所述更新的网络参数具体包括卷积神经网络特征提取器E、transformer模型T、疼痛等级分类器F和疼痛等级回归器R中的参数。
