1.一种基于CNN的接缝裁剪图像检测方法，其特征在于，包括如下步骤：

将待检测图像输入至预设的卷积神经网络模块中，得到所述待检测图像的局部特征图；其中，所述卷积神经网络模块包括相互结合的空间注意力机制和通道注意力机制；

将所述待检测图像输入预设的快速傅里叶卷积块模块中，得到所述待检测图像的全局特征图，其中，所述快速傅里叶卷积块模块包括级联的多个快速傅里叶卷积块，多个所述快速傅里叶卷积块之间的结构相同；具体为：将所述待检测图像输入至所述快速傅里叶卷积块模块中的第1个所述快速傅里叶卷积块中，得到第1个所述快速傅里叶卷积块输出的特征图；

将第1个所述快速傅里叶卷积块输出的特征图输入至下一个所述快速傅里叶卷积块中，依次类推，直至最后一个所述快速傅里叶卷积块输出所述待检测图像的全局特征图；其中，多个所述快速傅里叶卷积块中的任意一个所述快速傅里叶卷积块执行如下操作：使用普通卷积提取目标对象的局部特征L1和局部特征L2；所述目标对象是指上一个所述快速傅里叶卷积块输出的特征图或所述待检测图像，所述普通卷积为包括卷积层、激活层和池化层的卷积；

使用普通卷积提取所述目标对象的局部特征G1,使用通道级快速傅里叶变换提取所述目标对象的全局特征G2；

将所述局部特征L1和所述全局特征G1相加，得到局部特征1；将所述局部特征L2和所述全局特征G2相加，得到全局特征1；

将所述局部特征1和所述全局特征1进行批量归一化与Relu激活，得到激活后的局部特征2和激活后的全局特征2；

将所述激活后的局部特征2和所述激活后的全局特征2融合，得到所述快速傅里叶卷积块输出的特征图；

将所述局部特征图与所述全局特征图相连，得到连接后的特征图；

利用softmax分类器对所述连接后的特征图进行像素检测，得到所述待检测图像是否发生裁剪的检测结果。

2.根据权利要求1所述的一种基于CNN的接缝裁剪图像检测方法，其特征在于，所述卷积神经网络模块以ResNet50网络作为提取局部特征的骨干网络；所述ResNet50中的每一个特征提取阶段后均设置有A_MEMM模块，所述A_MEMM模块包括通道注意力模块、空间注意力模块以及最大熵马尔科夫模块，所述通道注意力模块用于提取第一特征图的特征，得到通道注意力特征图，所述第一特征图是指所述特征提取阶段输出的特征图；所述空间注意力模块用于提取第二特征图的特征，得到空间注意力特征图，所述第二特征图是指所述通道注意力特征图与所述第一特征图进行逐元素乘法操作后得到的特征图；所述最大熵马尔科夫模块用于增加综合特征图中的相邻区域之间的相关性，所述综合特征图是指所述空间注意力特征图与所述第二特征图进行逐元素乘法操作后得到的特征图。

3.根据权利要求2所述的一种基于CNN的接缝裁剪图像检测方法，其特征在于，所述ResNet50网络包括5个特征提取阶段，其中，第1个特征提取阶段，第2个特征提取阶段和第3个特征提取阶段为普通卷积，第4个特征提取阶段和第5个特征提取阶段由包含不同数量的两种残差块组成，且所述第4个特征提取阶段和所述第5个特征提取阶段加入了膨胀卷积，所述普通卷积为包括卷积层、激活层和池化层的卷积。

4.根据权利要求3所述的一种基于CNN的接缝裁剪图像检测方法，其特征在于，所述将待检测图像输入至预设的卷积神经网络模块中，得到所述待检测图像的局部特征图，包括：将所述待检测图像进行第1个特征提取阶段，得到缩小为所述待检测图像的1/2的特征图F1；

将所述特征图F1进行第2个特征提取阶段，得到缩小为所述待检测图像的1/4的特征图F2；

将所述特征图F2进行第3个特征提取阶段，得到缩小为所述待检测图像的1/8的特征图F3；

将所述特征图F3进行第4个特征提取阶段，得到缩小为所述待检测图像的1/16的特征图F4；

将所述特征图F4进行第5个特征提取阶段，得到缩小为所述待检测图像的1/32的特征图F5；

将所述特征图F3，所述特征图F4与所述特征图F5进行全卷积层操作FC6和FC7，得到热点图H31，热点图H41和热点图H51；

将所述热点图H31，所述热点图H41和所述热点图H51利用卷积函数进行卷积，得到热点图H3，热点图H4和热点图H5，其中，所述卷积函数的步长为1，核大小为1×1以及卷积核数量为2；

将所述热点图H5利用核大小为4×4，步长为2的转置卷积进行卷积，得到卷积结果1，将所述卷积结果1与所述热点图H4进行逐元素相加，得到相加结果1；

将所述相加结果1利用核大小为4×4，步长为2的转置卷积进行卷积，得到卷积结果2，将所述卷积结果2与所述热点图H3进行逐元素相加，得到相加结果2；

将所述相加结果2利用核大小为16×16，步长为8的转置卷积进行卷积，得到所述待检测图像的局部特征图。

5.根据权利要求1所述的基于CNN的接缝裁剪图像检测方法，其特征在于，所述使用通道级快速傅里叶变换提取所述待检测图像的全局特征G2，包括：利用1×1卷积将所述待检测图像的通道数减半；

利用快速傅里叶变换将待检测图像特征由空间域转换到频域，得到频域结果；

将所述频域结果利用卷积块进行批量归一化和线性激活，并应用二维离散傅里叶逆变换恢复到所述空间域，得到空间域结果；

利用1×1卷积将所述通道数恢复，得到全局特征G2。

6.根据权利要求1所述的基于CNN的接缝裁剪图像检测方法，在所述得到所述待检测图像是否发生裁剪的检测结果之后，还包括：根据所述检测结果标记所述待检测图像中的裁剪区域和/或未裁剪区域；

根据标记的区域生成二值图；

当所述二值图中包含裁剪区域，则对所述二值图做先腐蚀后膨胀的开运算，得到观测结果。

7.一种基于CNN的接缝裁剪图像检测系统，其特征在于，包括：

局部特征模块，用于将待检测图像输入至预设的卷积神经网络模块中，得到所述待检测图像的局部特征图；其中，所述卷积神经网络模块包括相互结合的空间注意力机制和通道注意力机制；

全局特征模块，用于将所述待检测图像输入预设的快速傅里叶卷积块模块中，得到所述待检测图像的全局特征图，其中，所述快速傅里叶卷积块模块包括级联的多个快速傅里叶卷积块，多个所述快速傅里叶卷积块之间的结构相同；具体为：将所述待检测图像输入至所述快速傅里叶卷积块模块中的第1个所述快速傅里叶卷积块中，得到第1个所述快速傅里叶卷积块输出的特征图；

将第1个所述快速傅里叶卷积块输出的特征图输入至下一个所述快速傅里叶卷积块中，依次类推，直至最后一个所述快速傅里叶卷积块输出所述待检测图像的全局特征图；其中，多个所述快速傅里叶卷积块中的任意一个所述快速傅里叶卷积块执行如下操作：使用普通卷积提取目标对象的局部特征L1和局部特征L2；所述目标对象是指上一个所述快速傅里叶卷积块输出的特征图或所述待检测图像，所述普通卷积为包括卷积层、激活层和池化层的卷积；

使用普通卷积提取所述目标对象的局部特征G1,使用通道级快速傅里叶变换提取所述目标对象的全局特征G2；

将所述局部特征L1和所述全局特征G1相加，得到局部特征1；将所述局部特征L2和所述全局特征G2相加，得到全局特征1；

将所述局部特征1和所述全局特征1进行批量归一化与Relu激活，得到激活后的局部特征2和激活后的全局特征2；

将所述激活后的局部特征2和所述激活后的全局特征2融合，得到所述快速傅里叶卷积块输出的特征图；

特征相连模块，用于将所述局部特征图与所述全局特征图相连，得到连接后的特征图；

结果输出模块，用于利用softmax分类器对所述连接后的特征图进行像素检测，得到所述待检测图像是否发生裁剪的检测结果。

8.一种基于CNN的接缝裁剪图像检测电子设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行权利要求1至6任一项所述的基于CNN的接缝裁剪图像检测方法。

9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行权利要求1至6任一项所述的基于CNN的接缝裁剪图像检测方法。