1.一种基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，包括图像采集、图像处理及网络模型；

所述图像处理，是指采集后的图像按9:1分为训练集与预测集，使用labelimg对所有图像进行标注，得到含所有目标的真实框的图像，并对所有真实框进行尺寸聚类，得到最适合于乌鳢检测训练的九个真实框尺寸，并调整图像尺寸，形成输入图像，输入图像适用于网络模型；

将输入图像输入到所述网络模型中，对目标检测，输入图像经过1X1卷积提取目标乌鳢特征，并对特征进行整合，调整维度后，插入跨尺度分层特征融合模块，其特征在于，

首先，进行模型训练，将训练集的输入图像，输入网络模型中，训练集的输入图像在所述跨尺度分层特征融合模块中，将输入该模块的所有特征分为n层，共由s个特征映射子集组成，每个特征映射子集都会与其他特征映射子集进行特征上的融合，最后进行连接，形成完整的信息融合，经卷积操作后，输出含有目标置信度、坐标信息以及种类信息的训练结果；

再利用YOLOV4损失函数进行网络参数调整，经过50次训练迭代后，得到适用于网络模型的参数，形成一个检测用的网络模型；

然后对模型进行检测，将预测集的输入图像作为测试图像进行检测，测试图像输入至调整好参数的网络模型，网络模型得到含有候选框目标种类、中心点坐标及宽高信息的预测结果，并将预测结果输入到非极大值抑制模块，非极大值抑制模块基于所有候选框定位准确度得分排名，筛选正确预测框。

2.根据权利要求1所述的基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，其特征在于，所述图像采集是使用相机采集大小为1920*1080的乌鳢图像；该图像中，因乌鳢躯体细长而导致的紧密相邻情况，形成类内遮挡。

3.根据权利要求2所述的基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，其特征在于，所述目标检测，经过1X1卷积对特征通道进行信息整合及维度调整后，获得图像包含的所有特征，提取细长乌鳢的躯体姿态，此时的特征对应特征矩阵不同的维度，彼此间相互独立且没有关联，各自相当于独立的个体。

4.根据权利要求3所述的基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，其特征在于，所述跨尺度分层特征融合模块，在一残差块内部构建分层残差连接，将所有特征分为n层，共由s个特征映射子集组成，即所有的特征平均的分成s个特征映射子集，用xi表示，其中i={1,2,...,s}，每一个特征映射子集xi有相同的空间大小，但是与输入特征相比，每个特征映射子集有w个通道，即n=s*w。

5.根据权利要求4所述的基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，其特征在于，所述特征映射子集均对应一个3X3卷积核，经该3X3卷积核提取特征后输出一个输出特征，该3X3卷积核的输入特征包括该3X3卷积核对应的特征映射子集以及该3X3卷积核之前的3X3卷积核形成的输出特征。

6.根据权利要求5所述的基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，其特征在于，将所有所述输出特征进行融合，形成融合特征子集。

7.根据权利要求6所述的基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，其特征在于，所述输出特征，都分为两份，一份传递到下一组未融合的特征映射子集对应的

3X3卷积核处进行特征融合，另一份经1X1卷积后，进行信息的处理；待所有特征映射子集组都完成融合后，所有经1X1卷积处理后的特征信息，再经过一个1X1卷积，进行所有信息的整合，完成特征的汇总，得到含有目标种类及坐标信息、置信度的最终预测结果。

8.根据权利要求4所述的基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，其特征在于，所述跨尺度分层特征融合模块的卷积层，每一个xi都带有一个3X3卷积层，称为Ki，Ki的输出用yi来表示；除x1外，特征映射子集xi加上Ki‑1的输出特征，一起喂入Ki；Ki的输出不仅输入至Ki+1，并跨尺度输入至Ki+2，Ki+3，直至Ks，yi表示如下：    公式一。

9.根据权利要求8所述的基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，其特征在于，所述非极大值抑制是基于预测框定位准确度得分排名的，同时考虑预测框的得分与重合程度，将得分过高的预测框的得分降低，再根据得分最高的预测框与其他预测框的交并比大小是否超过阈值，判断是否将其他预测框移除，若交并比大于阈值，则将其他预测框移除，再对所有种类进行循环，直至所有种类都完成预测框的筛选。

10.根据权利要求9所述的基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，其特征在于，首先找出一张图像中得分大于阈值的所有预测框；然后判断所选出的预测框的得分，用t表示；根据得分对筛选出来的预测框进行排序，得到得分最高的预测框，再计算得分最高的预测框与其他所有预测框的重合程度，如果重合程度过程高于阈值，则将获得的交并比值取高斯指数，高斯指数如式二所示：                    公式二，

公式二中，e为底数，iou指交并比，bM为当前得分最高预测框，bi表示当前待处理的预测框，σ为常数，取高斯指数后，该预测框得分衰减，衰减后得分如式三所示：

               公式三，

公式三中，e为底数，iou指交并比，bM为当前得分最高预测框，bi表示当前待处理的预测框，σ为常数，t为预测框定位精确度得分，得到新得分后，代替原有分数，之后再对保留下来的所有预测框重复进行排序筛选，直至得到最终的预测框。