1.一种基于卷积神经网络的尿沉渣细胞检测方法，其特征在于，所述基于卷积神经网络的尿沉渣细胞检测方法，包括：取带标注的尿沉渣细胞图像作为样本图像，对样本图像进行数据增强预处理后形成训练数据集；

将训练数据集中的样本图像输入到骨干网络CSPDarknet‑53中，获取骨干网络CSPDarknet‑53中dark3单元、dark4单元和dark5单元输出的三种不同尺度大小的特征图；

将特征图 作为特征图 分别输入到特征融合网络NPANet中

进行特征融合处理，得到检测头 ；

取检测头 分别进行分类分支与回归分支的卷积后沿通道部分进行连接，再将连接得到的特征图拉伸为二维，得到拉伸后的特征图 ，将拉伸后的特征图进行连接，得到最终的特征图 ，根据特征图 计算损失并进行反向传播更新梯度，同时更新网络参数，完成一次训练；

若未达到训练结束条件则继续利用训练数据集进行训练，否则保存最新的权重文件并结束训练；

加载预先训练保存的权重文件，利用训练好的网络针对待检测的尿沉渣细胞图像输出检测结果；

其中，所述将特征图 作为特征图 分别输入到特征融合网

络NPANet中进行特征融合处理，得到检测头 ，包括：

将特征图 作为特征图 ，将 直接输入到特征融合网络

NPANet中，首先是自顶向下，经过1×1卷积，上采样后与特征图 进行concat拼接得到特征图 ；继续将特征图 经过1×1卷积，上采样后与特征图 进行concat拼接得到特征图 ；将特征图 作为 直接输出得到检测头 ；再做自下而上和跨尺度的融合，将底层的位置信息传递回浅层，将 经过3×3卷积后与之前的特征图 融合拼接输出得到检测头 ；将 经过3×3卷积后与之前的特征图 融合拼接得到检测头 ；

其中，根据特征图 计算损失包括计算分类损失、目标得分损失和边框回归损失，所述分类损失和目标得分损失为 损失函数，边框回归损失为 损失函数，所述 损失函数的公式如下：；

式中， 为真实框与预测框的交并比， 为真实框与预测框的最小外接矩形与真实框和预测框的差集的面积， 为真实框与预测框的最小外接矩形的面积， 为真实框的长， 为真实框的宽， 为预测框的长， 为预测框的宽。

2.如权利要求1所述的基于卷积神经网络的尿沉渣细胞检测方法，其特征在于，所述数据增强预处理包括Mosaic数据增强和MixUp数据增强。

3.如权利要求1所述的基于卷积神经网络的尿沉渣细胞检测方法，其特征在于，所述训练数据集中的样本图像先调整为640×640大小，再输入到骨干网络CSPDarknet‑53中。

4.如权利要求1所述的基于卷积神经网络的尿沉渣细胞检测方法，其特征在于，所述训练数据集中的样本图像基于分批次原则输入到骨干网络CSPDarknet‑53中。

5.如权利要求1所述的基于卷积神经网络的尿沉渣细胞检测方法，其特征在于，所述利用训练好的网络针对待检测的尿沉渣细胞图像输出检测结果时，采用 正负样本分配策略筛选预测框。