1.一种基于深度学习的文本检测训练方法，其特征在于，包括以下步骤：

获取训练图像集，所述训练图像集包括多张训练图像，所述训练图像中待检测区域为四边形；对每张所述训练图像进行人工标注处理，以得到标注的四个原图边界像素值；

对每张所述训练图像进行缩放处理，以得到对应的缩放图像；所述缩放处理的缩放比例大于等于0.5且小于1；

根据所述标注的四个原图边界像素值计算对应的缩放图像的四个缩放边界像素值，并获取标注的右边界区域像素集和标注的左边界区域像素集；

根据所述缩放图像进行建模处理，对所述缩放图像进行特征提取处理以及特征融合处理，以得到预测图像；根据所述预测图像与对应的训练图像，以得到预测的右边界区域像素集和预测的左边界区域像素集；所述特征提取处理包括：对所述缩放图像进行多次卷积处理，每次所述卷积处理包括一个卷积层和一个归一层；对所述多次卷积处理后的图像进行多次深度学习处理，每次所述深度学习处理依次包括：squeeze层、第一激活层、expand层和第二激活层；

根据loss1＝lscore(yr，cr)+lscore(yl，cl)计算第一边界损失函数，其中：loss1代表第一边界损失函数，lscore(yr,cr)是预测的右边界区域像素集yr与标注的右边界区域像素集cr之间的误差，lscore(yl,cl)是预测的左边界区域像素集yl与标注的左边界区域像素集cl之间的误差；

采用相同方法分别对所述预测图像及对应的所述训练图像进行渐进分割处理，以得到预测图像分割集及训练图像分割集；

根据loss2＝dice(G[n‑1],S[n‑1])计算第二边界损失函数，其中，G[n‑1]＝[g1,g2...gn‑1]，S[n‑1]＝[s1,s2...sn‑1]，dice是欧式距离函数，g1,g2,...,gn‑1是对训练图像进行渐进扩展分割处理的结果，s1,s2,...,sn‑1是对预测图像进行渐进扩展分割处理的结果；

不断重复上述建模处理、计算第一边界损失函数、渐进分割处理以及计算第二边界损失函数的过程，直至所述第一边界损失函数和所述第二边界损失函数之和满足预设条件；

所述预设条件为大于等于0.5且小于1。

2.如权利要求1所述的方法，其特征在于，所述缩放处理采用下面公式实现：

其中：Area(p)是训练图像的面积，Permeter(p)是训练图像的周长，r是缩放比例，d是缩放距离。

3.如权利要求1所述的方法，其特征在于，所述卷积处理的次数范围包括2—4；所述深度学习处理的次数范围包括9—15。

4.如权利要求1所述的方法，其特征在于，所述特征融合处理包括：选择任一所述卷积层的输出特征图谱以及4—8次所述深度学习处理的squeeze层输出特征图谱进行FPN特征融合。

5.如权利要求4所述的方法，其特征在于，所述渐进分割处理包括n‑1次扩展处理，第i次扩展处理采用下面公式分别对训练图像和预测图像进行处理以得到gi和si：其中：di′是第i次扩展的扩展距离，Area(x)是训练图像或预测图像的面积，Permeter(x)是训练图像或预测图像的周长，m的取值范围大于等于0且小于1，n的取值范围大于等于

4且小于等于10。

6.一种基于深度学习的文本检测训练装置，其特征在于，包括：

输入模块，用于获取训练图像集，所述训练图像集包括多张训练图像，所述训练图像中待检测区域为四边形；

标注模块，用于对每张所述训练图像进行人工标注处理，以得到标注的四个原图边界像素值；

缩放模块，用于对每张所述训练图像进行缩放处理以得到对应的缩放图像，并根据所述标注的四个原图边界像素值计算对应的缩放图像的四个缩放边界像素值，且获取标注的右边界区域像素集和标注的左边界区域像素集；

所述缩放处理的缩放比例大于等于0.5且小于1；

建模模块，用于根据所述缩放图像进行建模处理，对所述缩放图像进行特征提取处理以及特征融合处理，以得到预测图像；根据所述预测图像与对应的训练图像，以得到预测的右边界区域像素集和预测的左边界区域像素集；所述特征提取处理包括：对所述缩放图像进行多次卷积处理，每次所述卷积处理包括一个卷积层和一个归一层；对所述多次卷积处理后的图像进行多次深度学习处理，每次所述深度学习处理依次包括：squeeze层、第一激活层、expand层和第二激活层；

第一边界损失函数模块，用于根据loss1＝lscore(yr，cr)+lscore(yl，cl)计算第一边界损失函数，其中：loss1代表第一边界损失函数，lscore(yr,cr)是预测的右边界区域像素集yr与标注的右边界区域像素集cr之间的误差，lscore(yl,cl)是预测的左边界区域像素集yl与标注的左边界区域像素集cl之间的误差；

渐进分割模块，用于采用相同方法分别对所述预测图像及对应的所述训练图像进行渐进分割处理，以得到预测图像分割集及训练图像分割集；

第二边界损失函数模块，用于根据loss2＝dice(G[n‑1],S[n‑1])计算第二边界损失函数，其中，G[n‑1]＝[g1,g2...gn‑1]，S[n‑1]＝[s1,s2...sn‑1]，dice是欧式距离函数，g1,g2,...,gn‑1是对训练图像进行渐进扩展分割处理的结果，s1,s2,...,sn‑1是对预测图像进行渐进扩展分割处理的结果；

控制模块，用于控制所述建模模块、所述第一边界损失函数模块、渐进分割模块和所述第二边界损失函数模块，以不断重复上述建模处理、计算第一边界损失函数的过程、渐进分割处理和计算第二边界损失函数的过程，直至所述第一边界损失函数与所述第二边界损失函数之和满足预设条件，所述预设条件为大于等于0.5且小于1。

7.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任一项所述的基于深度学习的文本检测训练方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任一项所述的基于深度学习的文本检测训练方法。