1.一种基于改进注意力模块的船舶涂装缺陷检测方法，其特征在于，包括如下步骤：(1)由某船厂数据库中获取船舶涂装缺陷图像，将船舶涂装缺陷图像预处理后进行人工涂装缺陷标注，得到船舶涂装缺陷数据集，并将此数据集划分为训练集和测试集两部分；

(2)构建一种基于改进注意力模块的船舶涂装缺陷检测模型；

(3)搭建虚拟网络实验环境，利用步骤(1)中的船舶涂装缺陷数据集对步骤(2)中的检测模型进行训练与验证；

(4)将步骤(3)调试完整的模型嵌入到船舶涂装缺陷检测系统中，进而获取船舶涂装缺陷检测结果。

2.根据权利要求1所述的基于改进注意力模块的船舶涂装缺陷检测方法，其特征在于，所述步骤(1)中将船舶涂装缺陷数据集中每类船舶涂装缺陷占比X，50％≤X＜100％作为样本训练集，剩下的100％‑X作为船舶涂装缺陷样本测试集。

3.根据权利要求1所述的基于改进注意力模块的船舶涂装缺陷检测方法，其特征在于，所述步骤(2)在YOLOv4的基础上构建船舶涂装缺陷检测模型，将改进注意力模块融入YOLOv4的PANet路径聚合网络形成ICBAM注意力模块，船舶涂装缺陷检测模型包括主干网络CSPDarkNet‑53、增强特征融合网络Neck以及检测头网络Head，增强特征融合网络Neck包括SPP池化金字塔网络和PANet路径聚合网络。

4.根据权利要求3所述的基于改进注意力模块的船舶涂装缺陷检测方法，其特征在于，所述的ICBAM注意力模块是在CBAM注意力模块的基础上对通道注意力模块CAM和空间注意力模块SAM进行改进，在所述改进的通道注意力模块中，为了轻量化CAM通道注意力模块，加强特征信息相关性，使用长度为k的一维卷积和多频率池化分别代替全连接和全局均值池化。

5.根据权利要求1所述的基于改进注意力模块的船舶涂装缺陷检测方法，其特征在于，所述步骤(3)训练网络损失函数Loss包括边界框坐标损失、置信度损失以及分类损失，如下式所示：其中，Loss为训练网络损失函数，Lciou为边界框坐标损失，Lconf为置信度损失，Lclass为分类2

损失，S为特征图输入尺寸，B为先验框，ρ为欧式距离，c为预测框与真实框的中心距离，b、h、gt gt gtω分别为预测框的中心坐标、高、宽，b 、h 、ω 分别为真实框的中心坐标、高、宽， 分j别为真实框与预测框的置信度， Pi分别为真实框与预测框的预测类别概率，表示在i网格内的第j个锚框中，若有目标则分别为1和0，否则为0和1。

6.根据权利要求1所述的基于改进注意力模块的船舶涂装缺陷检测方法，其特征在于，所述步骤(3)中，模型性能训练与验证选用平均精准率AP、平均精度均值MAP、参数增量、模型占用量与FLOPs作为检测准确率评价指标。

7.根据权利要求5所述的基于改进注意力模块的船舶涂装缺陷检测方法，其特征在于，所述的平均精准率AP为船舶涂装缺陷某一类检测精确率之和的均值，表示为：其中，Σprecision为某一类每个样本检测精确率之和，Sum为某一类缺陷的样本总数。

8.根据权利要求5所述的基于改进注意力模块的船舶涂装缺陷检测方法，其特征在于，所述的平均精度均值MAP为船舶涂装缺陷所有类别识别率之和的均值，表示为：其中，∑AP为所有类别检测准确率之和，Sumall为缺陷样本总类别数目。

9.根据权利要求5所述的基于改进注意力模块的船舶涂装缺陷检测方法，其特征在于，所述的FLOPs为船舶涂装缺陷检测模型的浮点计算量，表示为：FLOPs＝模型占用量×H×W

其中，H和W为检测模型中输入特征图的长和宽。