1.一种基于改进YOLOv5算法的危化品车辆检测方法，其特征在于，包括如下步骤：S1、对已获取到数据寄命名为Hazardous Vehicles，对其进行预处理，得到处理后的数据集划分为四个类别；

S2、搭建传统YOLOv5模型架构，并在主干网络部分引入RFEB结构；

S2.1、YOLOv5使用CSPDarkNet53作为主干网络，并采用C3模块进行特征提取；采用具有三个基本块RFEB结构扩大感受野来获取更丰富的语义信息，同时保持特征图的分辨率；

所述步骤S2.1中，具有三个基本块RFEB结构公式描述为：；

其中，DBi’是基本块，i是RFEB中基本网络的序号，Rjl表示第l层上第j个RFEB的输入；RFEB结构基本组成由1*1的卷积、BN、ReLu、扩张卷积、残差结构组成；

S3、引入可分离式注意力机制，通过将尺度感知、空间感知和任务感知的注意力机制统一到头部中；

S4、利用搭建好的模型在训练集上进行训练并在测试集上进行验证，实现对危化品车辆的预测。

2.如权利要求1所述的基于改进YOLOv5算法的危化品车辆检测方法，其特征在于，所述步骤S1具体为：S1.1、使用标注工具来绘制目标的边界框或关键点；根据数据类别来标注不同车辆类型的目标或属性；

S1.2、得到处理后的数据集包含Oil truck、Big truck、Tiny truck、Car四个类别。

3.如权利要求1所述的基于改进YOLOv5算法的危化品车辆检测方法，其特征在于，所述步骤S3具体为：S3.1、设计尺度感知注意力，根据语义的重要性动态地融合不同尺度的特征；

S3.2、在融合特征的基础上，应用另一个空间感知注意力模块来关注在空间位置和特征层之间一致共存的判别区域，由于空间感知注意力模块需要处理高维特征，将该模块分解为两个步骤；首先，使用可变形卷积使注意力学习变得稀疏，以减少计算复杂性和内存消耗；然后在相同的空间位置进行跨层次的特征聚合；

S3.3、为了实现联合学习并概括对象的不同表示，部署了一个任务感知注意力，它通过动态地打开或关闭特征通道，以支持不同的任务；

S3.4、将注意力函数转换为三个顺序的注意力，每个注意力只关注一个视角。

4.如权利要求1所述的基于改进YOLOv5算法的危化品车辆检测方法，其特征在于，所述步骤S3中，可分离式注意力机制通过尺度感知、空间感知和任务感知注意力模块对特征图进行处理；尺度感知注意力模块增强了对前景物体尺度差异的敏感性，空间感知注意力模块关注前景物体在不同空间位置上的特征，任务感知注意力模块根据下游任务的需求形成不同的激活；这三个注意力机制顺序应用，并与原始特征向量F加权融合。

5.如权利要求1所述的基于改进YOLOv5算法的危化品车辆检测方法，其特征在于，所述步骤S4具体为：S4.1、准备数据集：将标注好的数据集依据模型转化为.txt格式；

S4.2、搭建模型并引入RFEB结构以及可分离式注意力机制；

S4.3、准备训练。