1.基于深度学习的无透镜双型融合目标检测装置，包括双型融合全息无透镜成像模块和神经网络模块，所述双型融合全息无透镜成像模块包括激光源(1)，微孔(2)，滤光片(3)，第一反射镜(401)，第二反射镜(402)，第一相干光源(501)、第二相干光源(502)，目标样本及载玻片(6)，第一CCD传感器(701)、第二CCD传感器(702)，计算机(8)和移动滑轨(9)，其特征在于所述第一反射镜(401)和第二反射镜(402)安装在移动滑轨(9)上并沿着移动滑轨(9)移动，且目标样本及载玻片(6)在相干光源的照射范围之内，激光源(1)沿着光路方向移动；所述激光源(1)，微孔(2)，滤光(3)，第一反射镜(401)，第二反射镜(402)，目标样本及载玻片(6)，第二CCD传感器(702)构成透射型模块；所述第一相干光源(501)、第二相干光源(502)，目标样本及载玻片(6)，第一CCD传感器(701)构成反射型模块；神经网络模块包括位置参数优化神经网络和目标检测区域卷积神经网络组成，双型融合无透镜成像模块同时获取透射型模块和反射型模块成像信息，并最终融合重建更高质量的成像结果，同时由神经网络不断优化位置参数，进一步优化成像结果，最后由目标检测区域卷积神经网络预测结果，并输出易懂、显性的评估结果。

2.基于深度学习的无透镜双型融合目标检测方法，其特征在于包括以下步骤：步骤一、通过双型融合全息无透镜成像装置，快速重建目标样本的成像信息；步骤二、将成像后目标样本及装置的位置参数输入至神经网络训练，得到最佳位置参数；步骤三、固定位置参数后，重新对目标样本进行重建成像，得到重建结果输入区域目标检测卷积神经网络测试，得到对微生物、细胞等的预测结果，并输出评估数据。

3.根据权利要求2所述的基于深度学习的无透镜双型融合目标检测方法，其特征在于所述的步骤一包括：步骤1：激光器(1)射出的光波通过微孔(2)发生衍射，形成衍射光波，因其相干性过强，灰尘颗粒物容易对结果造成影响，所以微孔于激光器之间的距离应接近；

步骤2：衍射光源透过滤光片(3)后，经过第二反射镜(402)折射至第一反射镜(401)，并于第一反射镜(401)反射回第二反射(402)，并透过第二反射镜(402)，照射至目标样本；

步骤3：物光波照射至第二反射镜(402)并折射到第二CCD传感器(702)后成像，形成第一干涉图样；

步骤4：第一相干光源(501)、第二相干光源(502)，同时对目标样本进行照射，并于第一CCD传感器(701)成像，形成第二干涉图样，得到的成像结果含有三维信息；

步骤5：通过反射型全息无透镜模块得到第一干涉图，同时通过透射型全息无透镜模块得到第二干涉图样，将其输入计算机后融合重建，采集有效信息得到更高质量的图片，并记录了三维信息。

4.根据权利要求2所述的基于深度学习的无透镜双型融合目标检测方法，其特征在于所述的步骤二包括：步骤6：同时记录光检测器所采集的图像，以及激光器(1)、反射镜组、目标样本及载玻片(6)及相干光源的位置参数，输入至神经网络进行训练，以高质量成像为目标，不断优化结果，最终得到最佳位置参数；

步骤7：反馈至硬件装置调节位置参数；

步骤8：重复步骤1至5，得到重建结果；

步骤9：训练目标检测卷积神经网络，并不断微调，得到对应数据集的目标检测网络。

5.根据权利要求3所述的深度学习的无透镜双型融合目标检测方法，其特征在于所述步骤1中根据衍射光波的传播距离z0不同，由近及原可划分为三个区域分别是瑞利-索墨菲衍射区、菲涅尔衍射区以及夫琅和费衍射区，光波振动的复振幅可以用瑞利-索墨菲衍射公式精确表示：式中，η表示衍射孔的面积，λ为光波长，s为激光源到微孔的距离，r为微孔到目标的距离，θ为s方向和r方向的夹角；

通过反射镜反射回CCD传感器，并记录干涉图样，但采用激光作为光源，用为激光的强相干性使得所成像的散斑声较大，其原因是记录期间表面的损伤以及灰尘等都会引起冗余衍射现象，这些微小颗粒的衍射光斑会叠加到最终的全息图中，通过缩短微孔(2)和激光源(1)的距离，可有效抑制这种散斑噪声，增强图像的信噪比。

6.根据权利要求3所述的深度学习的无透镜双型融合目标检测方法，其特征在于所述步骤2中中性密度滤光片是一种可以减少或者改变所有波长或者颜色但不会改变改变色调的滤光片，使用这种滤光片可以部署较大光圈的照相机，从而减小场景的景深，更好地将目标与背景分离，中性密度滤光片，光学密度d，所有的光学功率是通过滤光片来传递的，可以计算出对数的比值衡量强度(I)，入射强度(I0)，公式如下：I/I0＝10d或d＝-logI0。

7.根据权利要求3所述的深度学习的无透镜双型融合目标检测方法，其特征在于所述步骤3中：光波透过反射镜组反射，在物平面上分别形成物光和参考光，分别为：二者分别为物光和参考光的振幅分布，而 和 分别为其相位分布，根据光

的干涉原理，物光和参考光相干之后的强度公式为：

2 2 2 * *

I(xh,yh)＝|O(x,y)+R(x,y)| ＝|O(xh,yh)|+|R(xh,yh)|+O(xh,yh)R (xh,yh)+O (xh,yh)R(xh,yh)＝I0(xh,yh)+O(xh,yh)R*(xh,yh)+O*(xh,yh)R(xh,yh)上述所求得的强度分布就是一般成像技术所获得的像分布，称之为振幅信息，如果目标样本的纵向深度小，振幅信息可近似认为像的纹理分布，而所求得的相位分布是一般成像技术所没有的信息，全息成像由于借助了参考光，所以能记录下相位信息，它通常用于展示物体的面形结构；

根据光的衍射理论，在全息再现步骤中，照明光经过全息图的衍射实现物光波的重建。

并且在数字全息中，不用实际的光波照射得到的全息图，而是通过数值模拟的办法重现。这里使用的是卷积法：令

那么当目标样本大小相对于衍射距离z0非常小时，并且满足菲涅尔衍射近似条件式时，可近似得出：并对上式进行傅里叶变化以及逆变换进行计算，得到衍射光波分布。

上述通过卷积法的得到的物光波的复振幅分布U(xi,yj)，可以将其写成复数形式：可以求解得到其强度分布：

I(xi,yi)＝|U(xi,yi)|2＝A2(xi,yi)

和其相位分布：

8.根据权利要求3所述的基于深度学习的无透镜双型融合目标检测方法，其特征在于所述步骤4中通过相干光源照射对目标样本成像，同理可在第一CCD传感器(701)中得到成像信息，与反射型数字全息成像相同，得到透射型数字全息成像物光波的复振幅分布；

最后用最小二乘法将相位解包裹问题转换为最优解问题，将同时得到的两个模块的复振幅分布的相位分布通过最小二乘法找到最优解：min S＝min S1+min S2

得到双型融合的成像结果；

双型融合完成后，通过平移样品，多点采集图像及采集不同时间的图像获取包含不同信息的多幅低分辨率图像，最终将其整合为一张含有更多信息的高分辨率图像。

9.根据权利要求4所述的基于深度学习的无透镜双型融合目标检测方法，其特征在于所述步骤6中：将目标样本位置k,以及激光源到微孔的距离s，为微孔到目标的距离r，s方向和r方向的夹角θ。数据输入至神经网络，并对应输入成像结果，通过微调上述数据，使得成像结果接近于最佳成像结果后固定上述参数。

10.根据权利要求2所述的基于深度学习的无透镜双型融合目标检测方法，其特征在于所述步骤三包括：步骤10：将重建结果输入值已训练完毕的区域目标检测卷积神经网络，卷积神经网络为区域目标检测卷积神经网络，网络可输出成像结果的类别、区域及预测概率，并将数据归纳输出评估文件，可以即时，显性的得到诊断结果。