1.一种基于RetinaXNet的建筑夜景灯光异常检测方法，其特征在于，包括如下步骤：

1)构建初始夜景灯图像集合C并发送到GPU计算服务器进行存储；

2)对图像集合C进行处理得到数据集，并将数据集划分为训练集E和测试集T；3)构建RetinaXNet网络模型；所述RetinaXNet网络模型包括输入模块、主干模块、检测头模块；

4)利用UFL函数优化RetinaXNet网络模型的权值；

5)训练RetinaXNet网络模型；

6)夜景灯异常检测，即通过摄像头获取待检测帧并送入RetinaXNet网络，将网络的输出结果映射回原图，判断夜景灯是否异常。

2.如权利要求1所述的基于RetinaXNet的建筑夜景灯光异常检测方法，其特征在于，所述步骤1)包括如下步骤：

1.1)利用摄像头采集夜景灯光的视频数据V，所述摄像头事先固定安装于可以拍摄需要进行夜景灯光检测的地点；

1.2)从视频数据V中每隔时间Δt提取一帧图像，构建初始夜景灯图像集合C，记为C＝{I1，I2...In}，Ii为第i帧图像，n为夜景灯图像的个数；

1.3)将初始夜景灯图像集合C发送到GPU计算服务器进行存储。

3.如权利要求1所述的基于RetinaXNet的建筑夜景灯光异常检测方法，其特征在于，所述步骤2)包括如下步骤：

2.1)对图像集合C中的每一帧图像，计算像素值小于j的像素出现概率pi(j)，计算公式如下：

pi(j)表示第i帧图像中灰度大于0小于j的出现概率，nt为灰度级小于j的像素个数，nI为每帧图像的像素总个数；

2.2)计算集合C中每一帧图像的直方图结果G(i)，计算公式如下：G(i)为第i帧的灰度直方图处理结果，其中0≤i＜256，pi(j)表示第i帧图像中像素大于

0小于j的出现概率；

2.3)计算像素均衡化的结果H(v)，均衡化图像集合C，其中C＝{I1,I2...In}，处理后的图像集合记为C′，C'＝{I1',I2'...In'}，计算公式如下：式中，v为图像集合C中单张图像I上的像素值，H(v)为对v均衡化的计算结果，G(v)为当前v的直方图处理结果，Gmin为直方图处理的最小值，Gmax为直方图处理的最大值，L为灰度级数，round代表对像素值结果的四舍五入，所有像素计算完成得到单张图像I'，集合记为C′；

2.4)对图像集合C′中的图像计算平均像素值a，其中C'＝{I1',I2'...In'}，计算公式如下：

式中，M为图像的长度像素值，N为图像的宽度像素值，It'(r,c)为图像集合C′中的图像像素的坐标，t为选取图像的编号；

2.5)对图像集合C′中的图像进行缺失和填补处理，缺失和填补的值为g(i,j)，得到数据集C”，计算公式如下：

式中，g(i,j)为缺失和填补的值，I'(i,j)为图像集合C′中图像I'的坐标为(i,j)的像素值，Th为设定的阈值；

2.6)按比例m:n将数据集C”分为训练集E和测试集T。

4.如权利要求1所述的基于RetinaXNet的建筑夜景灯光异常检测方法，其特征在于，所述步骤3)构建RetinaXNet网络模型包括如下步骤：

3.1)利用输入模块将训练集E中的图像统一缩减为r:l大小的图像，其中r为缩减后的长度像素值，l为缩减后的宽度像素值，变换后的集合记为X＝{x1,x2...x3}；

3.2)利用主干模块通过残差结构提取集合X中每一帧的轮廓特征，残差结构公式如下：F(x)＝f(x)+f(f(x))+f(f(f(x)))其中f(x)＝δ(W*x)+c

式中，每一帧图像x作为卷积层的输入，W为卷积需要学习的参数，δ为激活函数，F(x)为残差结构的输出结果；

3.3)在检测头模块中设置分类融合的输入参数的结构FCLS，公式如下：FCLS＝δ[WCLS*F(x)]+c式中，F(x)为残差结构的输出结果，WCLS为训练参数，δ为激活函数，c为常数项；

3.4)在检测头模块中设置非线性回归连接参数的结构 公式如下：式中，FCLS为参数融合的输入部分，W1，W2为训练参数，δ为激活函数，c为常数项，LCR连接为非线性连接，其作用为加强分类与回归之间的联系；

3.5)计算回归的加强参数 计算公式如下：式中，Freg为网络原先的回归参数， 为经过加强的回归参数；

3.6)在检测头模块中设置非线性分类连接参数的结构 公式如下：式中，W3为训练参数， 为经过加强的回归参数， 为非线性分类连接参数的结构；

3.7)计算分类的加强参数 计算公式如下：式中，Fcls为网络原先的分类参数， 为经过加强的分类参数。

5.如权利要求1所述的基于RetinaXNet的建筑夜景灯光异常检测方法，其特征在于，所述步骤4)中利用UFL函数优化RetinaXNet网络模型的权值，优化公式如下：式中，y为真实标签，其取值为0或1， 为UFL的动态调整因子参数，γ为调整样本权重的速率，α为权重参数。

6.如权利要求1所述的基于RetinaXNet的建筑夜景灯光异常检测方法，其特征在于，所述步骤5)训练RetinaXNet网络模型包括如下步骤：

5.1)计算准确率accuracy，计算公式如下：式中，accuracy为准确率，TP代表测试集T中网络输出为正样本，且参考标准也为正样本的个数；TN代表网络输出为负样本，且参考标准也为负样本的个数；FP代表网络输出为正样本，但参考标准为负样本的个数；FN代表网络输出为负样本，但参考标准为正样本的个数；

5.2)计算召回率recall，计算公式如下：式中，recall为召回率TP，代表判被判定为正样本，即正样本的个数；FN代表被判定为负样本，但事实上是正样本的个数；

5.3)计算F1值，计算公式如下：式中，F1是对accuracy和recall的平衡，其综合准确率和召回率的计算结果；

5.4)判断F1是否小于t，如小于则转步骤5.1)重新训练，否则转步骤6)。

7.如权利要求1所述的基于RetinaXNet的建筑夜景灯光异常检测方法，其特征在于，所述步骤6)判断夜景灯是否异常包括如下步骤：

6.1)将网络输出结果映射回原图，映射到原图的坐标、长和高公式如下：式中， 为原图像的长和高，x、y、W、H分别为检测框的左上角坐标与检测框的长和高，xN、yN、WN、HN为映射到原图的坐标与长和高；

6.2)异常检测，检测公式如下：式中，Warn＝0代表无异常，Warn＝1代表出现异常，触发报警器。