1.一种基于深度学习的金属压印字符识别方法，其特征在于，包括以下步骤：获取待检测金属压印字符图像；所述待检测金属压印字符图像包括同一高度不同角度采集的图像；构建金属压印字符检测模型并进行预训练；所述金属压印字符检测模型包括主干网络、多尺度特征融合网络和预测网络；所述主干网络包括反光特征融合模块和特征提取网络；利用所述反光特征融合模块将待检测金属压印字符图像中的反光噪声转换为包含字符特征信息的反光特征，再将从不同角度图像提取的反光特征进行融合，生成反光特征融合图像；所述反光特征融合模块具体包括：反光特征提取单元和反光特征融合单元；所述反光特征提取单元用于先对输入的原始图像进行线性插值，得到尺度减小后的第一图像；然后对第一图像进行模糊处理，得到消除压印字符后的第二图像；再对第二图像进行线性插值，得到尺度还原后的灰度背景图像；最后将原始图像减去灰度背景图像，得到反光特征图像；所述反光特征融合单元用于将对不同角度的原始图像处理得到的反光特征图像进行融合，生成反光特征融合图像；所述反光特征提取单元具体包括：依次连接的第一线性插值层、第一中值滤波层和第二线性插值层；所述第一线性插值层的输入图像与第二线性插值层的输出图像进行灰度相减，得到反光特征提取单元输出的反光特征图像；所述反光特征图像的计算方式为：其中， 表示反光特征图像， 表示原始图像， 表示灰度背景图像， 表示对图像进行线性插值运算， 表示对图像进行中值滤波， n 表示放大因子， 为图像像素坐标；所述反光特征融合图像的计算方式为：其中， 表示反光特征融合图像， 表示反光特征图像 与反光特征图像 的差值图像， 表示反光特征图像 与反光特征图像 的差值图像， 表示在0度方向上的反光特征图像， 表示在90度方向上的反光特征图像， 表示在180度方向上的反光特征图像， 表示在270度方向上的反光特征图像；利用特征提取网络、多尺度特征融合网络和预测网络对反光特征融合图像进行特征提取、多尺度特征融合和特征预测，得到金属压印字符识别结果。
2.根据权利要求1所述的一种基于深度学习的金属压印字符识别方法，其特征在于，所述特征提取网络具体包括：依次连接的切片模块、第一卷积块注意力模块、第一注意力机制混合模块、第二卷积块注意力模块、第二注意力机制混合模块、第三卷积块注意力模块、第三注意力机制混合模块、第四卷积块注意力模块、第四注意力机制混合模块、第五卷积块注意力模块和特征转换模块；所述第一注意力机制混合模块、第二注意力机制混合模块、第三注意力机制混合模块和第四注意力机制混合模块均用于对输入的特征图提取包含方向信息和位置信息的特征图。
3.根据权利要求2所述的一种基于深度学习的金属压印字符识别方法，其特征在于，所述多尺度特征融合网络具体包括：依次连接的第六卷积块注意力模块、第一上采样模块、第一拼接模块、第五注意力机制混合模块、第七卷积块注意力模块、第二上采样模块、第二拼接模块和第六注意力机制混合模块形成的第一支路，以及依次连接的第八卷积块注意力模块、第三拼接模块、第七注意力机制混合模块、第九卷积块注意力模块、第四拼接模块和第八注意力机制混合模块形成的第二支路；所述第六卷积块注意力模块的输入端与特征转换模块的输出端连接，所述第六卷积块注意力模块的输出端还与第四拼接模块的输入端连接；所述第一拼接模块的输入端与第四注意力机制混合模块的输出端连接；所述第七卷积块注意力模块的输出端还与第三拼接模块的输入端连接；所述第二拼接模块的输入端与第二注意力机制混合模块的输出端连接。
4.根据权利要求3所述的一种基于深度学习的金属压印字符识别方法，其特征在于，所述第一注意力机制混合模块、第二注意力机制混合模块、第三注意力机制混合模块、第四注意力机制混合模块、第五注意力机制混合模块、第六注意力机制混合模块、第七注意力机制混合模块、第八注意力机制混合模块的结构相同，具体包括：第一卷积模块、瓶颈模块、第二卷积模块、第五拼接模块、第三卷积模块和注意力机制模块；所述第一卷积模块的输入端与第二卷积模块的输入端连接；所述第二卷积模块的输出端和瓶颈模块的输出端均与第五拼接模块的输出端连接；所述第五拼接模块、第三卷积模块和注意力机制模块依次连接。
5.根据权利要求4所述的一种基于深度学习的金属压印字符识别方法，其特征在于，所述注意力机制模块具体包括：宽度全局平均池化模块、高度全局平均池化模块、拼接和卷积模块、批量归一化和非线性激活模块、第四卷积模块、第五卷积模块、第一S函数激活模块、第二S函数激活模块和相乘模块；所述宽度全局平均池化模块的输入端与高度全局平均池化模块的输入端及相乘模块的输入端连接，所述宽度全局平均池化模块的输出端与高度全局平均池化模块的输出端均与拼接和卷积模块的输入端连接；所述拼接和卷积模块的输出端与批量归一化和非线性激活模块的输入端连接，所述批量归一化和非线性激活模块的输出端分别与第四卷积模块的输入端和第五卷积模块的输入端连接；所述第四卷积模块的输出端与第一S函数激活模块的输入端连接，所述第五卷积模块的输出端与第二S函数激活模块的输入端连接；所述相乘模块的输入端还与第一S函数激活模块的输出端及第二S函数激活模块的输出端连接。
6.根据权利要求5所述的一种基于深度学习的金属压印字符识别方法，其特征在于，所述预测网络的输入端分别与第六注意力机制混合模块的输出端、第七注意力机制混合模块的输出端及第八注意力机制混合模块的输出端连接。
