1.基于神经网络的安全帽检测方法，其特征在于：建立第一神经网络，所述第一神经网络的基础网络为YOLOv3网络，利用第一神经网络对目标图片中的安全帽进行检测；

包括如下过程：

所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理、第四残差处理和第五残差处理获得第一图像，并经过第一后处理获得一级后处理特征图，再经过第二后处理获得第一特征图；所述第一后处理为顺序执行的5次DBL处理，每次DBL处理包括卷积、批标准化和激活；所述第二后处理为顺出执行的1次DBL处理和卷积；

所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理、第四残差处理获得第二图像，并与上采样的上述一级后处理特征图拼接，并经过第一后处理获得二级后处理特征图，再经过第二后处理获得第二特征图；

所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理获得第三图像，并与上采样的二级后处理特征图进行拼接，再经过第一后处理获得三级后处理特征图；

所述目标图片顺序经过第一残差处理、第二残差处理获得第四图像，并与上采样的上述三级后处理特征图拼接，并经过第一后处理获得四级后处理特征图，再经过第二后处理获得第三特征图；

其中，所述第一残差处理、第二残差处理、第三残差处理均包括可变卷积处理、空间注意力处理和残差处理，所述第四残差处理和第五残差处理均包括通道注意力处理和残差处理。

2.基于神经网络的安全帽检测装置，其特征在于：

第一神经网络建立模块，所述第一神经网络的基础网络为YOLOv3网络，用于利用第一神经网络对目标图片中的安全帽进行检测；

第一神经网络包括如下模块：

骨干网络模块，包括第一残差处理模块、第二残差处理模块、第三残差处理模块、第四残差处理模块、第五残差处理模块和上采样拼接模块；所述骨干网络模块用于将所述目标图片顺序经过第一残差处理模块、第二残差处理模块、第三残差处理模块、第四残差处理模块和第五残差处理模块获得第一图像，并经过第一后处理获得一级后处理特征图，再经过第二后处理获得第一特征图；所述第一后处理为顺序执行的5次DBL处理，每次DBL处理包括卷积、批标准化和激活；所述第二后处理为顺出执行的1次DBL处理和卷积；

还用于将所述目标图片顺序经过第一残差处理模块、第二残差处理模块、第三残差处理模块、第四残差处理模块获得第二图像，并与上采样的上述一级后处理特征图拼接，并经过第一后处理获得二级后处理特征图，再经过第二后处理获得第二特征图；

还用于将所述目标图片顺序经过第一残差处理模块、第二残差处理模块、第三残差处理模块获得第三图像，并与上采样的二级后处理特征图进行拼接，再经过第一后处理获得三级后处理特征图；

还用于将所述目标图片顺序经过第一残差处理模块、第二残差处理模块获得第四图像，并与上采样的上述三级后处理特征图拼接，并经过第一后处理获得四级后处理特征图，再经过第二后处理获得第三特征图；

其中，所述第一残差处理模块、第二残差处理模块和第三残差处理模块均包括可变卷积处理模块、空间注意力处理模块和残差处理模块，所述第四残差处理和第五残差处理均包括通道注意力处理模块和残差处理。

3.基于神经网络的安全帽检测装置，其特征在于：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权利要求1所述方法的步骤。