1.一种基于Light‑Net的轻量级目标检测方法，其特征在于，包括以下步骤：

(1)对预先获取的待检测图像，进行预处理，并划分为训练集和测试集；

(2)构建Light‑Net网络模型，包括由三个DW特征提取模块和三个DWD模块构成的主干网络、一个循环特征融合网络模块以及三个目标检测模块；所述主干网络第1、3、5层采用DW特征提取模块；主干网络第2、4、6层采用DWD模块；所述循环特征融合网络模块用于融合来自主干网络的特征信息并将有效特征反馈到主干网络中；所述目标检测模块利用融合后的特征提取图像中的目标对象；

(3)将预处理之后的训练集输入到Light‑Net网络模型中进行训练；

(4)将预处理之后的测试集输入到训练好的模型中，评估模型的性能。

2.根据权利要求1所述的一种基于Light‑Net的轻量级目标检测方法，其特征在于，步骤(2)所述DW特征提取模块用于提取图像中的目标特征信息；所述DWD模块用于降低图像的分辨率。

3.根据权利要求1所述的一种基于Light‑Net的轻量级目标检测方法，其特征在于，所述DW特征提取模块包括主分支和侧分支，主分支中包括一个1*1的point wise卷积层，两个

3*3的depth wise卷积层，一个1*1的point wise卷积层；侧分支包括一个1*1的point wise卷积层和3*3的depth wise卷积层；主分支与侧分支并行连接。

4.根据权利要求1所述的一种基于Light‑Net的轻量级目标检测方法，其特征在于，所述DWD模块包括主分支和侧分支，主分支中包括一个1*1的point wise卷积层，一个3*3的步长为2的depth wise卷积层，一个SE Block模块，一个1*1的point wise卷积层；侧分支包括一个步长为2的平均池化层和1*1的point wise卷积层；主分支与侧分支并行连接。

5.根据权利要求1所述的一种基于Light‑Net的轻量级目标检测方法，其特征在于，所述循环特征融合网络模块包括三个1*1卷积，五个DPB模块，一个Concat，其中五个DPB模块和Concat形成特征融合环，将有效特征留在网络中，两个1*1卷积层将来自主干网络的特征进行融合，一个1*1卷积层将循环特征融合网络模块中的特征融合之后反馈到主干网络中。

6.根据权利要求1所述的一种基于Light‑Net的轻量级目标检测方法，其特征在于，所述步骤(3)实现过程如下：将训练图像作为训练样本数据输入到Light‑Net网络模型中；计算Light‑Net网络的损失，以损失最小作为目标对网络中的参数持续优化；当损失值稳定在一定范围内时，保存网络参数，得到最终的Light‑Net检测模型。

7.一种采用如权利要求1‑6任一所述方法的基于Light‑Net的轻量级目标检测系统，其特征在于，包括由三个DW特征提取模块和三个DWD模块构成的主干网络、一个循环特征融合网络模块以及三个目标检测模块；所述主干网络第1、3、5层采用DW特征提取模块；主干网络第2、4、6层采用DWD模块；所述DW特征提取模块用于提取图像中的目标特征信息，DWD模块用于降低图像的分辨率；所述循环特征融合网络，用于融合主干网络中的两种尺度的特征，同时将有效信息和错误信息回传至主干网络，可以调整主干网络的参数；所述目标检测网络用于检测输入的特征是否含有预设的目标信息；所述主干网络第4、5、6层与循环特征融合网络相连接；所述循环特征融合网络模块由DPB模块、Concat模块、1*1卷积模块组成，循环特征融合网络模块共有三种尺度的输出，每个输出端连接一个检测器。