1.一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，包括：获取待识别的图像；

将待识别的图像输入预先训练的识别检测模型中，输出带有商品数量的标注框；

其中，所述识别检测模型包括主干网络、加强特征提取网络以及解耦头网络，所述主干网络包括顺序连接的Focus层、卷积块以及若干残差块，输出若干不同尺度的特征；所述加强特征提取网络将所述不同尺度的特征层进行特征融合；所述解耦头网络基于融合的特征进行标注框的属性预测。

2.如权利要求1所述的一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，所述主干网络中的卷积块包括卷积层、标准化层及激活函数；所述若干残差块包括三个顺序连接的第一残差块和一个第二残差块，所述第一残差块包括卷积块和残差结构；

所述第二残差块包括顺序连接的卷积块、SPPB结构以及残差结构。

3.如权利要求2所述的一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，所述SPPB结构用于提取不同尺度的特征，并进行特征融合。

4.如权利要求1所述的一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，所述输出若干不同尺度的特征，具体为：按照残差块的连接顺序，在后三个残差块中分别输出不同尺度的特征，并输入到所述加强特征提取网络中进行融合。

5.如权利要求1所述的一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，所述解耦头网络具体结构为：融合特征输入一个卷积块，输出两个分支结构，两个分支结构均包括两个卷积块，分别预测出标注框的各个属性。

6.如权利要求1所述的一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，所述标注框的属性包括标注框类别、标注框前/背景类型、标注框位置以及标注框中所包含商品数量。

7.如权利要求1所述的一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，所述方法还包括：将所述标注框添加到待识别的图像上，进行可视化展示。

8.一种基于深度学习的严重遮挡商品的识别检测计数系统，其特征在于，包括：数据获取单元，其用于获取待识别的图像；

识别检测单元，其用于将待识别的图像输入预先训练的识别检测模型中，输出带有商品数量的标注框；

其中，所述识别检测模型包括主干网络、加强特征提取网络以及解耦头网络，所述主干网络包括顺序连接的Focous层、卷积块以及若干残差块，输出若干不同尺度的特征；所述加强特征提取网络将所述不同尺度的特征层进行特征融合；所述解耦头网络基于融合的特征进行标注框的属性预测。

9.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现如权利要求1‑7任一项所述的一种基于深度学习的严重遮挡商品的识别检测计数方法。

10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如权利要求1‑7任一项所述的一种基于深度学习的严重遮挡商品的识别检测计数方法。