1.基于搜索识别网络的双壳贝类性腺区域分割方法，其特征在于，包括：基于核磁共振成像方法，获取双壳贝类数据集；

构建多效特征融合的搜索识别模型；所述搜索识别模型包括：搜索模型和识别模型；

将所述数据集中的图像输入所述搜索模型进行性腺区域目标定位，获取含有目标对象的图像；

将所述含有目标对象的图像输入所述识别模型进行识别分割，获取完整的性腺分割图像，完成双壳贝类性腺区域分割；

所述搜索模型包括：特征提取模块、纹理增强模块、特征融合模块和紧凑金字塔细化模块；

获取所述含有目标对象的图像包括:

将所述数据集中的图像输入所述特征提取模块进行特征提取，获取预设分辨率特征图， ；所述预设分辨率特征图包括：不同程度大小的分辨率和语义信息；

将所述预设分辨率特征图输入所述纹理增强模块进行目标特征和边界信息强化，获取候选特征图；

将所述候选特征图输入所述特征融合模块进行相邻特征的融合，获取多效特征融合后的特征图；

将所述多效特征融合后的特征图输入所述紧凑金字塔细化模块进行分离卷积处理，获取细化后的所述含有目标对象的图像；

所述识别模型包括：分组反转注意力模块和可切换的自注意力模块；

获取完整的所述性腺分割图像包括：

将所述含有目标对象的图像输入所述分组反转注意力模块进行反转和分组内嵌处理，获取组合特征图；

将所述组合特征图输入所述可切换的自注意力模块进行注意力特征提取，获取完整的所述性腺分割图像。

2.根据权利要求1所述的基于搜索识别网络的双壳贝类性腺区域分割方法，其特征在于，所述纹理增强模块包括：平行残差分支和普通的1×1卷积分支；所述平行残差分支包括：第一平行残差分支、第二平行残差分支、第三平行残差分支和第四平行残差分支；所述第一平行残差分支、第二平行残差分支、第三平行残差分支和第四平行残差分支为四个膨胀率不同的平行残差分支；

获取所述候选特征图包括：

所述预设分辨率特征图依次输入所述第一平行残差分支、第二平行残差分支、第三平行残差分支和第四平行残差分支进行信道减小处理、运算分解处理、预设大小的膨胀处理和卷积计算，获取预设信道数；

将所述预设信道数输入所述普通的1×1卷积分支并加入ReLU函数，获取所述候选特征图。

3.根据权利要求1所述的基于搜索识别网络的双壳贝类性腺区域分割方法，其特征在于，所述特征融合模块中进行相邻特征的融合包括：选取预设等级排名前3特征的所述候选特征图进行相邻特征的融合；

预设等级前3特征的候选特征图进行邻居连接函数运算为：

其中， 表示通过批

处理归一化后的3×3卷积运算，u表示批处理归一化操作， 表示上采样两次操作，表示获得的第5个多效特征融合特征图， 表示第5个候选特征图， 表示获得的第4个多效特征融合特征图， 表示第4个候选特征图， 表示获得的第3个多效特征融合特征图，表示第3个候选特征图， 表示对应元素逐个相乘操作。

4.根据权利要求1所述的基于搜索识别网络的双壳贝类性腺区域分割方法，其特征在于，所述紧凑金字塔细化模块包括：深度卷积和点卷积；所述深度卷积包括若干并行不同膨胀率大小的深度卷积；

将所述多效特征融合后的特征图像输入所述紧凑金字塔细化模块进行分离卷积处理包括：首先将融合后的特征图输入所述深度卷积，将若干并行的深度卷积相加并进行批处理归一化操作；然后基于所述点卷积，对归一化操作后的图像将信道压缩到与输入相同的数量；最终获得细化后的所述含有目标对象的图像。

5.根据权利要求1所述的基于搜索识别网络的双壳贝类性腺区域分割方法，其特征在于，所述分组反转注意力模块包括：反转指导子模块和分组指导子模块；

获取所述组合特征图包括：

将细化后的所述含有目标对象的图像输入所述反转指导子模块进行图像反转，获取反转图；

将细化后的所述含有目标对象的图像输入所述分组指导子模块，按维度通道进行分组，获取分组特征；将所述反转图分别插入所述分组特征，获取所述组合特征图。

6.根据权利要求5所述的基于搜索识别网络的双壳贝类性腺区域分割方法，其特征在于，所述反转指导子模块进行图像反转表示为：其中，¬表示逆运算，E表示矩阵，σ表示sigmoid

函数， 和 分别表示下采样4次和上采样2次， 表示输出的反向注意指导操作。

7.根据权利要求1所述的基于搜索识别网络的双壳贝类性腺区域分割方法，其特征在于，所述可切换的自注意力模块包括：决策子模块和切换子模块；

将所述组合特征图输入所述可切换的自注意力模块进行注意力特征提取包括：将组合特征图输入所述决策子模块，所述决策子模块根据不同的输入自适应地生成不同的决策权重，利用所述决策子模块聚集信息获取不同运算符的重要性后，加入所述切换子模块，将全连接神经网络、卷积神经网络和实例增强赋予不同权值作为可切换的注意力算子，获取最终注意力特征图像,即完成注意力特征提取。

8.根据权利要求7所述的基于搜索识别网络的双壳贝类性腺区域分割方法，其特征在于，所述最终注意力特征图像表示为：其中，σ表示sigmoid函数，表示

最终注意力特征图像， 表示全连接神经网络注意力图， 表示全连接神经网络算子权重， 表示卷积神经网络注意力图， 表示卷积神经网络算子权重， 表示实例增强注意力图， 表示实例增强算子权重，⊙表示点积操作。