1.一种基于图像的小目标实时识别方法，其特征在于：该方法包括以下步骤：S1：收集产品瑕疵数据照片，制作网络模型所需的数据集，并划分训练集和测试集；S2：将图像数据输入深度卷积神经网络，通过主干网进行特征提取，得到五级特征；所述S2具体包括以下步骤：S21：输入的图像经过主干网进行特征提取，经过多个模块卷积计算；包括第一阶段三个卷积层，第二阶段一个卷积层和多连接模块，第三、四和五阶段的过渡模块和多连接模块，以及具有CSP结构的SPPCSPC模块；S22：第一阶段的第二个和第三个卷积层，第二阶段、第三阶段和第五阶段输出的特征映射图构建五级特征金字塔；S23：第四阶段和SPPCSPC模块输出的特征映射图直接传输到头部网络；S3：利用多尺度合并模块将五级特征融合为高类别、中类别和低类别三级特征；所述S3具体包括以下步骤：S31：五级特征金字塔传输到多尺度合并模块，相邻特征融合形成多尺度合并节点，节点呈V形分布；S32： 利用双线性插值法进行上采样， 利用Focus下采样方法进行通道和空间的信息交互， 和 被重塑为与 相同的尺度大小，三个相邻特征 、 、 分别进行自上而下和自下而上融合，其中 l 表示网络层序数， ；S33：在多尺度合并节点进行特征融合后，传输到瓶颈层，多个跨尺度融合节点将特征聚合为低、中、高三类特征映射；S4：将具有不同特性的三级特征输入多维度注意力模块捕获通道和空间维度特征关系，在头部网络将三级特征融合为一级特征，以增强和校准输入信息；所述S4具体包括以下步骤：S41：高类别特征 H 用于加强通道维度的信息，与输入数据 串联，使得通道数相同，采用全局平均池化和全局标准差池化操作收集全局信通道特征息；S42：通过全连接层计算生成通道权重向量 m ，使用sigmoid操作后的参数表示为：其中 是连接了高类别特征和输入数据的特征， ； 表示激活函数，计算第 个位置的通道注意力特征图表示为：其中 在不同池化操作时具有不同的表示，代表第 个信道的信息；将权重参数和输入数据相乘， 通道数与输入数据保持一致，得到最终输出 CR ： ；S43：中类别特征 M 具丰富的语义信息，CR特征与中类别特征拼接，采用最大池化和平均池化操作获得空间信息特征；S44：通过sigmoid激活函数获取空间权重向量 ，利用训练参数 加权特征，按照元素对加权的中类别特征和加权的通道特征进行求和，表示为：S45：对具有准确结构信息的低类别特征 L 进行卷积操作，生成通道数为1的向量，其中高度和宽度不变；S46：通过sigmoid激活函数获得当前层级的偏差特征，与上一分支特征 相加以获得最终的一级特征：S47：经过头部网络的多维度注意力模块将特征聚合为一级特征，同时第四阶段网络层的特征和SPPCSPC模块的特征也传输到头部网络，作为三层加强特征；S5：在头部网络对加强特征和其余网络层特征进行卷积计算，传入探测头获得检测框和物体类别信息，根据瑕疵检测结果进行分类。
2.根据权利要求1所述的一种基于图像的小目标实时识别方法，其特征在于：所述S1具体包括以下步骤：S11：选择包括污渍、勾丝、断线、破洞和错色的瑕疵图像作为数据集样本；S12：采用图像平移、旋转、镜像、裁剪、缩放、图像模糊和图像拼接的方法对数据集样本进行扩增；S12：使用图像标注工具LabelImg对图像中异物目标位置坐标和分类进行标注，并将获取的数据转化为数据集PASCAL VOC2012数据集的格式，将数据集按照7:3的比例分为训练集和测试集。
3.根据权利要求1所述的一种基于图像的小目标实时识别方法，其特征在于：所述S5具体包括以下步骤：S51：三个尺度的特征层在头部网络进行多次卷积操作，传输到RepConv模块，该RepConv模块中包含若干个残差结构；S52：特征信息传输到探测头，每个特征点存在三个先验边界框以及检测结果；S53：根据特征映射图进行分类并输出结果，检测识别出的瑕疵类型包括：污渍、勾丝、断线、破洞和错色。
