1.基于改进YOLOv7模型的无人机巡检小目标检测方法，其特征在于，包括如下步骤：步骤S1、采集无人机的航拍图像，挑选其中的小样本图像并标记为小目标图像；步骤S2、针对小目标图像进行归一化预处理，用以增强模型对小目标图像的鉴别能力；步骤S3、基于归一化预处理后的小目标图像，构建无人机巡检小目标图像数据集；步骤S4、将无人机巡检小目标图像数据集输入至预设的改进YOLOv7神经网络检测模型进行特征提取和训练；步骤S5、对预设的改进YOLOv7神经网络检测模型进行优化，包括：步骤S51、结合小目标图像的多尺度特征提取方式，引入动态稀疏注意力机制灵活分配权重配比，同时，检测模块针对性的增加一个小目标图像检测头调整模型的感受视野，增强小目标图像的上下文信息的检测能力；步骤S52、根据小目标图像定位偏差的特征，在IOU损失函数的基础上重新设计，以提高小目标图像检测的准确度；步骤S6、无人机搭载优化并训练好的检测模型，按照巡检任务进行图像采集和检测并判断模型的准确性，根据实际情况进行调整和优化。
2.如权利要求1所述的基于改进YOLOv7模型的无人机巡检小目标检测方法，其特征在于，所述步骤S1进一步为：步骤S11、从采集到的航拍图像数据中，挑选出包含小目标图像的样本图像，至少包括建筑物的局部、设备的细节；步骤S12、小目标图像标记：对挑选出的小样本图像进行标记，标记过程包括以下步骤：目标框标注：在航拍图像中用矩形框标注出小目标图像的位置，并使用坐标表示框的位置，得到小目标框；类别标注：为每个小目标框指定相应的类别标签，以便模型能够识别不同类型的小目标图像；遮挡标注：标记小目标图像是否被其他物体或遮挡物遮挡，以提高模型对复杂场景的适应能力。
3.如权利要求1所述的基于改进YOLOv7模型的无人机巡检小目标检测方法，其特征在于，所述步骤S2进一步为：步骤S21、尺寸统一：将挑选出的小目标图像统一调整为相同的尺寸，采用缩放或裁剪的方式，用以确保输入模型的图像具有一致的尺寸；步骤S22、颜色空间转换：将小目标图像的颜色空间进行转换，将RGB颜色空间转换为灰度图像，用以减少数据的复杂性；步骤S23、亮度和对比度调整：对小目标图像进行亮度和对比度的调整，使图像的亮度和对比度更加均衡，用以增强模型对小目标的识别；步骤S24、均值归一化：对小目标图像进行均值归一化处理，即减去图像的均值并除以标准差，用以消除图像之间的偏差，有利于模型的训练和收敛；步骤S25、数据增强：在预处理过程中进行数据增强操作，包括随机旋转、翻转、缩放，用以增加数据的多样性，提高模型的泛化能力；步骤S26、边界填充：采用填充黑边或白边的方式对小目标图像进行边界填充，以适应模型对不同尺寸输入的要求；步骤S27、归一化处理：对预处理后的小目标图像进行归一化处理，将像素值缩放到特定的范围内，以便模型更好地处理图像数据。
4.如权利要求1所述的基于改进YOLOv7模型的无人机巡检小目标检测方法，其特征在于，所述步骤S4中特征提取是基于改进YOLO-V7的Backbone主干网络进行不同尺度的特征提取，使用蛇形卷积替换ELAN中的普通卷积，进一步为：步骤S41、增加下采样倍数为4的特征层单独获取小目标图像的特征信息：在YOLOv7主干网络添加一层下采样倍数为4的特征提取，输入的小目标图像经主干网络进行多尺度特征提取，依次得到160×160、80×80、40×40、20×20的特征图，其中，160×160的特征图为小目标图像特征层提取；S42、使用蛇形卷积替换ELAN中的普通卷积：采用空洞卷积的方式根据特征图的不同位置自适应的调整感受视野的大小，从而达到减少模型参数量和计算量的效果并适应巡检目标多样性和检测模型实时性的需求。
5.如权利要求1所述的基于改进YOLOv7模型的无人机巡检小目标检测方法，其特征在于，所述步骤S51中，针对小目标图像区域占比较小的特殊性，引入动态稀疏注意力机制进行特征增强，进一步为：S511、根据小目标图像特征信息易丢失和小目标之间方差小的特性问题，在每一层卷积和池化操作提取特征图时，采用动态稀疏注意力机制BRA自适应分配特征内容的权重值，以键对查询方式关注目标区域，实现计算量的有效配比，提高模型对小目标图像的感知能力和检测速度，具体计算公式如下：P＝Attention(Q,K t ,V t )+LCE(V)；其中，P为增强后的特征信息，为BRA注意力机制，Q、K、V分别为特征图映射后获得的键值对，查询、键、值，t为聚合后键、值的张量，LCE(～)函数为深度卷积参数化公式；S512、Neck颈部网络进行多尺度特征融合时，根据小目标图像的特征性，改进原有相等权值的方式进行融合，结合浅层特征富有更多小目标图像位置、上下文信息的情况，设置较大权重进行融合配比，提高不同尺度特征信息的利用率，具体方法如下：x＝α 1 P 1 +α 2 P 2 +α 3 P 3 +α 4 P 4 ；α 1 ≥α 2 ≥α 3 ≥α 4 ；其中，x为进行特征机制融合的特征图像，α 1 、α 2 、α 3 、α 4 分别为不同尺度特征的权值，且特征层数由浅入深，P 1 、P 2 、P 3 、P 4 分别为不同尺度提取的特征图像；S513、检测分支增加一个小目标图像检测头，用以处理浅层特征的位置、形状和上下文信息，从而增强小目标图像的精准定位。
6.如权利要求1所述的基于改进YOLOv7模型的无人机巡检小目标检测方法，其特征在于，所述步骤S52针对小目标位置特征改进损失函数进一步为：步骤S521、检测头的损失函数L loss 包括物体置信度损失L conf 、物体分类损失L cls 、预测框位置损失L bbox 三部分，如下式：L loss ＝L conf +L cls +L bbox其中，物体置信度损失和物体分类损失函数均采用YOLOV7原有的交叉熵函数；步骤S522、预测框位置损失函数GIOU在预测框重合时会退化为IOU函数，且IOU函数对小目标的尺寸较为敏感，无法准确预测回归结果，采用Focal-WIOU损失函数增强回归梯度的收敛速度和高、低质量预测框的权重配比，如下式：L bbox ＝L WIoU ×IoU γ其中，γ为调节的超参数。
7.如权利要求1所述的基于改进YOLOv7模型的无人机巡检小目标检测方法，其特征在于，所述步骤6进一步为：S61、记录巡检检测结果，包括检测的小目标数量、位置信息以及置信度，使用准确率、召回率、F1分数和平均精度均值综合指标评估模型性能；步骤S62、根据巡检检测结果判断不同检测目标和巡检需求下检测模型的表现力，经过持续反馈和迭代，逐步提高小目标图像检测模型的准确性和轻量化，以获得更可靠的巡检结果。
8.一种基于改进YOLOv7模型的无人机巡检小目标检测系统，其特征在于，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1至7任一项所述的基于改进YOLOv7模型的无人机巡检小目标检测方法。
