1.一种基于弱监督YOLO模型的矿石泥团目标检测方法，其特征在于，包括步骤：(1)实时采集传送带上的矿石泥团图像；

(2)将步骤(1)采集的矿石泥团图像输入训练好的WS-YOLO模型中，以获取矿石泥团图像中的泥团目标。

2.根据权利要求1所述的矿石泥团目标检测方法，其特征在于，WS-YOLO模型包括顺次连接的DarkNet53网络、FPN网络、第一全连接层、以及第二全连接层，与该第二全连接层连接的目标分类器和目标位置回归模型，以及与目标分类器和目标位置回归模型连接的主动学习模块，其中主动学习模块包括顺次连接的US策略子模块、专家标注子模块、以及样本池，样本池的输出连接到DarkNet53网络的输入。

3.根据权利要求1或2所述的矿石泥团目标检测方法，其特征在于，DarkNet53层输出三个尺度的特征f1、f2和f3，其特征大小分别为52x52x255、

26x26x255、以及13x13x255；

FPN网络对这三个特征进行特征层间融合之后，得到特征f4、f5、以及f6，其中f4是f3通过1×1的卷积层进行降维之后获得的；

f5是通过1×1的卷积层对f2进行降维，然后对f4进行上采样，然后将两者对应元素相加获得的；

f6是通过1×1的卷积层对f1进行降维，然后对f5进行上采样，然后将两者对应元素相加获得的。

4.根据权利要求3所述的矿石泥团目标检测方法，其特征在于，两个全连接层对特征f4、f5、以及f6进行特征降维和重排，以得到降维和重排后的特征，其被分为两路分别送入目标分类器δc和目标位置回归模型δl进行目标分类和位置回归；

目标分类器δc根据降维和重排后的特征得到目标的类别和类别置信度；

目标位置回归模型δl根据降维和重排后的特征得到目标的位置和位置置信度；

US策略子模块根据目标分类器δc输出的类别置信度和目标位置回归模型δl输出的位置置信度，从样本中选择具有不确定性的样本，并将该具备不确定性的样本发送到专家标注子模块进行标注；

专家标注子模块供专家对来自US策略子模块的具备不确定性的样本进行简单修正。

样本池包括存储已标注样本的已标注部分、以及存储未标注样本的未标注部分。

5.根据权利要求1所述的矿石泥团目标检测方法，其特征在于，WS-YOLO模型的是通过以下步骤进行训练的：(a)对WS-YOLO模型进行预训练，以得到预训练后的WS-YOLO模型；

(b)对步骤(a)预训练后的WS-YOLO模型进行迁移训练，以得到迁移训练后的WS-YOLO模型；

(c)对步骤(b)迁移训练后的WS-YOLO模型进行基于主动学习的训练，以得到训练好的WS-YOLO模型。

6.根据权利要求1所述的矿石泥团目标检测方法，其特征在于，步骤(a)具体包括以下步骤：(a1)获取公开数据集，并将该公开数据集划分为训练子集和验证子集；

(a2)关闭WS-YOLO模型中的主动学习模块，即US策略子模块、专家标注子模块不启动；

(a3)随机初始化WS-YOLO模型的网络参数；

(a4)将训练子集分为多个样本批次，将其中一个样本批次输入WS-YOLO模型，以得到对应的损失函数值；

(a5)根据步骤(a4)得到的损失函数值，并采用随机梯度下降法和链式法则更新WS-YOLO模型的网络参数；

(a6)针对训练子集中的剩余样本批次，重复上述步骤(a4)到(a5)，直到WS-YOLO模型收敛为止，从而得到预训练后的WS-YOLO模型。

7.根据权利要求6所述的矿石泥团目标检测方法，其特征在于，步骤(b)具体包括以下步骤：(b1)获取精确标注的矿石泥团样本集合；

(b2)关闭预训练后的WS-YOLO模型中的主动学习模块，即US策略子模块、专家标注子模块不启动；

(b3)将预训练后的WS-YOLO模型中的参数设置为初始化参数；

(b4)将精确标注的矿石泥团样本集合分为多个样本批次，将其中一个样本批次输入WS-YOLO模型，以得到对应的损失函数值；

(b5)根据步骤(b4)得到的损失函数值，并采用随机梯度下降法和链式法则更新WS-YOLO模型的网络参数；

(b6)针对训练子集中的剩余样本批次，重复上述步骤(b4)到(b5)，直到WS-YOLO模型收敛为止，从而得到迁移训练后的WS-YOLO模型。

8.根据权利要求7所述的矿石泥团目标检测方法，其特征在于，步骤(c)具体包括以下步骤：(c1)打开迁移训练后的WS-YOLO模型中的主动学习模块，即US策略子模块、专家标注子模块启动；

(c2)将迁移训练后的WS-YOLO模型中的参数设置为初始化参数；

(c3)从样本池的未标注部分中选择多个未标注样本，并输入WS-YOLO模型进行目标检测，以得到目标检测结果；

(c4)使用US策略子模块并根据目标检测结果选择具有不确定性的样本，并将该具备不确定性的样本发送到专家标注子模块进行标注；

(c5)使用专家标注子模块对具备不确定性的样本进行简单修正；

(c6)将修正后的样本扩充到样本池的已标注部分中；

(c7)用扩充后的已标注样本对WS-YOLO模型进行训练；

(c8)针对样本池的未标注部分中的剩余样本，重复上述步骤(c3)到(c7)，直到未标注部分中的全部样本都被处理完毕为止，从而得到训练好的WS-YOLO模型。

9.根据权利要求8所述的矿石泥团目标检测方法，其特征在于，步骤(c5)中，对于目标分类器δc输出的样本，仅须对该样本的目标类别进行确认；对于目标位置回归模型δl输出的样本，仅须对该样本对应的目标位置进行修正。

10.一种基于弱监督YOLO模型的矿石泥团目标检测系统，其特征在于，包括：第一模块，用于实时采集传送带上的矿石泥团图像；

第二模块，用于将第一模块采集的矿石泥团图像输入训练好的WS-YOLO模型中，以获取矿石泥团图像中的泥团目标。