1.一种基于深度学习识别HPV试纸的方法，其特征在于：包括以下步骤：S1、图片处理：首先运行opencv工具读取图片，并将图片转换为二值化图片；

S2、数据增强：每次读取4张图片，对图片做出翻转、缩放、旋转变化相同的变换，并且按照四个方向位置摆好，进行图片的组合和框的组合，合成一张图片，在一个batch计算时计算4张图片的数据；

S3、模型训练：将数据增强的图片传入目标检测网络中，采用CBEAM注意力模块、SRFB结构、Soft‑NMS算法进行训练；

S4、实现对试纸色带识别：最终保存的训练loss值最低的模型权重，进行模型权重加载，对操作，利用验证集检测网络的识别准确度，平均误差mse，在进行多次的训练后，使准确率和平均误差都达到最优，能够得到训练好的预设权重，加载出预设权重，对试纸色带进行识别。

2.根据权利要求1所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述S3还包括以下步骤：

S31、运行前，先通过辅助装置进行漏电检测，保证运行环境的安全，接着将图片输入大小固定为416×416，优化器设置为Adam，学习率的衰减策略选择为余弦退火的衰减策略调整学习率，设置余弦退火的衰减策略的初始学习率为0.001，最高学习率为0.01，最低学习率为0.0001；

S32、网络训练迭代次数为500次，本次训练前400次，先冻结网络前170层的卷积层，对剩下的卷积层训练，最后100次开启所有卷积层，对所有卷积层进行训练；

S33、在网络中，CBEAM注意力模块该模块分别从通道和空间两个维度顺序提供注意力特征图，在CBEAM注意力模块中采用一种无降维的局部跨通道交互策略,给卷积神经网络带来明显的性能识别增益。

3.根据权利要求2所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述S31中的辅助装置包括安装框(1)，所述安装框(1)内安装有机体(2)，且机体(2)的前壁靠近底部处安装有电源线(3)，所述电源线(3)上安装有漏电传感器(7)，所述电源线(3)上套设有安装套(4)，且安装套(4)上安装有警报灯(5)，所述安装框(1)的左侧靠近顶部处安装有第一散热风扇(8)，所述安装框(1)的右侧靠近底部处安装有第二散热风扇(9)，所述机体(2)的前壁安装有若干个散热板(14)，且若干个散热板(14)均沿竖直方向呈线性分布，所述散热板(14)上开设有若干个散热孔(10)，且若干个散热孔(10)内均安装有形变记忆囊体(11)，所述形变记忆囊体(11)的内部为空心设置，所述形变记忆囊体(11)内填充有冷却水，且冷却水的填充度为50％‑60％，所述散热孔(10)内靠近顶部处固定连接有防尘框(12)，所述防尘框(12)内固定连接有防尘网(13)。

4.根据权利要求3所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述安装套(4)由绝缘材质制成，且安装套(4)上涂刷有隔热层(6)。

5.根据权利要求3所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述漏电传感器(7)和警报灯(5)之间通过信号连接。

6.根据权利要求3所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述散热板(14)由金属铜材质制成，且散热板(14)的表面涂刷有防锈漆。

7.根据权利要求3所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述形变记忆囊体(11)由高分子形状记忆材料材质制成，且形变记忆囊体(11)在常温下为收缩状态。

8.根据权利要求7所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述形变记忆囊体(11)上涂刷有耐腐蚀漆。

9.根据权利要求3所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述防尘框(12)内部为空心设置，所述防尘框(12)内填充有二氧化碳气体，所述防尘网(13)由隔热材质制成。

10.根据权利要求3所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述第一散热风扇(8)为负压风扇，且第二散热风扇(9)为正压风扇。