1.一种基于深度学习的板坯实时检测及宏跟踪方法，其特征在于：包括以下步骤：

步骤1，结合现场连铸区传输辊道实际，分区段安装若干个摄像头实时拍摄整个辊道，并保证相邻摄像头的拍摄区域不重叠；

步骤2，完成各摄像头下连铸板坯传输线运行图像数据集的采集，并对每个摄像头的图像分别进行板坯、天车、夹取板坯天车的标注；

步骤3，分别使用每个摄像头的数据集进行改进YOLOV5模型的训练，得到模型的最优权重，进而将优化后的各改进YOLOV5模型作为各摄像头下的板坯检测优化模型；

步骤4，使用板坯检测优化模型检测当前帧现场图像中辊道上的各板坯信息，然后将当前帧的板坯检测结果配合多目标跟踪算法，与前1帧的板坯检测结果进行对比，更新记录各板坯的跟踪ID信息；当板坯从某一摄像头拍摄区域运动到下一摄像头拍摄区域时，实现同一板坯在跨摄像头区域时的跟踪ID保持不变；

步骤5，将板坯调度系统中的板坯信息与步骤4中的各板坯跟踪ID进行匹配，当板坯调度系统发送板坯上线、下线指令时，板坯实时检测及宏跟踪系统能够识别板坯在辊道上的上线、下线操作，及时增删ID。

2.根据权利要求1所述的一种基于深度学习的板坯实时检测及宏跟踪方法，其特征在于：步骤1中，需要安装6个摄像头来拍摄连铸产线全部辊道区域，对每个摄像头采集的图像数据集分别进行训练，得到该组数据最优的检测模型权重；根据辊道区域大小调整摄像头的个数为大于6个或小于6个，以覆盖整个辊道区域。

3.根据权利要求1所述的一种基于深度学习的板坯实时检测及宏跟踪方法，其特征在于：步骤3中，引入空间和通道注意力模块对YOLOV5算法的主干网络进行改进，完成板坯特征的提取；引入多尺度特征融合网络对YOLOV5算法的特征金字塔网络进行改进，使提取的多尺度特征能够有效融合。

4.根据权利要求1所述的一种基于深度学习的板坯实时检测及宏跟踪方法，其特征在于：步骤4中，将板坯检测优化模型得到的板坯信息作为多目标跟踪算法的输入，使板坯的逐帧检测结果关联起来，进而创建板坯的跟踪轨迹，并为每块板坯赋予一个跟踪ID。

5.根据权利要求4所述的一种基于深度学习的板坯实时检测及宏跟踪方法，其特征在于：所述多目标跟踪算法采用SORT算法或Deep SORT算法。

6.根据权利要求1所述的一种基于深度学习的板坯实时检测及宏跟踪方法，其特征在于：步骤5中，将板坯调度系统的板坯号信息与板坯跟踪ID进行匹配，并对应到每一个跟踪的板坯。

7.根据权利要求1所述的一种基于深度学习的板坯实时检测及宏跟踪方法，其特征在于：步骤5中，板坯下线，即天车吊走某板坯，板坯实时检测及宏跟踪系统根据板坯调度系统发送的板坯下线信息相应地删除目标板坯；板坯上线，即天车吊来某板坯，板坯实时检测及宏跟踪系统收到板坯调度系统发送的板坯上线信息与新识别到的位于卸板台附近的板坯进行绑定；能够识别天车对板坯的遮挡，保证天车的运行不会造成板坯跟踪信息的丢失。

8.根据权利要求1所述的一种基于深度学习的板坯实时检测及宏跟踪方法，其特征在于：所述板坯实时检测及宏跟踪系统，是板坯实时检测及宏跟踪方法在服务器计算机上运行构成的系统，能够实现多板坯在辊道上位置的实时检测和同一板坯在跨摄像头区域时的准确跟踪。