1.基于自适应特征金字塔的花粉检测方法，其特征在于，包括以下步骤：

步骤1.标注花粉图像数据，需要标注出图像中每一个花粉颗粒的种类和位置；

步骤2.对花粉图像数据做增强处理；

步骤3.建立深度卷积网络Resnet-50，利用Resnet-50网络提取花粉图像特征；

步骤4.提出一种自适应特征金字塔网络，使特征金字塔不同层之间的特征在连接时通过可学习的方式自适应对齐；

步骤5.建立自适应特征金字塔网络，在自适应特征金字塔的不同层分别建立预测网络，检测出花粉图像中花粉颗粒的种类和位置；

步骤6.训练基于自适应特征金字塔的花粉检测网络，将训练好的网络参数保存，用于后续检测无标注的花粉图像中的花粉颗粒。

2.根据权利要求1所述的自适应特征金字塔网络不同层之间的自适应对齐连接方法，其特征在于：(1)将高层特征上采样，使其分辨率与低层特征一样；定义低层特征为X，上采样后高层特征为Y；

(2)分别对X、Y做特征变换；

使用1×1的卷积对X、Y做特征变换；设变换后的特征分别为θ(X)、 和g(Y)，变换后三者通道数目与X保持一致；

(3)重构Y中i位置处的特征yi；

枚举Y中所有位置分别计算与X中对应i位置的特征xi的响应值，将xi与Y的响应值和g(Y)计算加权和，除以标准化因子C(xi)(即Y中所有位置与xi的响应值之和)，得到重构后的特征(4)重复步骤(3)，重构Y中所有位置的特征得到Y^；

(5)将X与Y^逐像素相加，获得融合特征Z。

3.根据权利要求1所述的基于自适应特征金字塔的花粉检测网络，其特征在于：

使用Resnet-50提取图像特征，其网络结构如下：该网络包括5个阶段(stage)，第一个stage依次是7×7的卷积层(Conv)、批量归一化层(Batch Norm)、Relu激活函数层、最大池化层(Maxpool)，其中7×7的卷积层和最大池化层做了2倍的下采样；后续四个stage,每一个stage由一个Conv Block和多个ID Block组成，stage2、stage3、stage4、stagr5分别包括

2、3、5、2个ID Block；Conv Block依次由1×1卷积、3×3卷积、1×1卷积组成，每一个卷积层后有一个Batch Norm层；Conv Block的输入特征通过1×1卷积变换维度和Relu激活函数后与第二个1×1卷积的输出特征进行残差连接，在残差连接后接上一个Relu激活函数；

其中stage3、stage4、stage5的Conv Block中的3×3卷积做了2倍的下采样，stage2没有做下采样；ID Block结构依次由1×1卷积、3×3卷积、1×1卷积组成，每一个卷积层后有一个Batch Norm层，ID Block的输入直接与第二个1×1卷积的输出特征进行残差连接，残差连接后有一个Relu激活函数；

使用Resnet-50网络的stage3、stage4、stage5三个stage的输出特征，建立自适应特征金子塔网络，假设stage5、stage4、stage3的输出特征依次是c1、c2、c3，c1暂时不与其它特征融合，作为自适应特征金字塔的顶层，另记为p1；将p1与c2自适应对齐连接，即p1与c2使用本发明提出的自适应特征金字塔连接方法融合，构成自适应特征金字塔的第二层，记为p2；将p2与c3自适应对齐连接构成自适应特征金字塔的第三层，记为p3；在三层自适应特征金字塔p1、p2、p3的每一层分别建立预测网络，预测网络由3×3的卷积和1×1的卷积组成，预测花粉图像中花粉颗粒的类别和位置。