1.一种基于CenterNet的DM码关键点检测模型构建方法，其特征在于，包括以下步骤：步骤1，获取图像集：对DM码场景进行多尺度、多角度拍摄，得到图像集；

步骤2，对图像集进行标注：对图像集进行DM码标注，标注结果为DM码的类型信息以及四个角点的位置信息，其中四个角点为DM码的关键点；

步骤3，训练检测模型：将所述图像集作为输入，并对图像集进行数据增强，得到DM码类型信息、中心点偏移以及关键点相对与中心点偏移，经过解码得到关键点坐标输出，训练获得基于CenterNet网络的DM码关键点检测模型；

所述centernet网络的多任务检测头输出包括：

，C为类型信息数目；

，2为DM码的中心点偏移的横纵坐标；

以及 ，4为DM码的4个角点，3是关键点与中心点的距离、关键点和中心点连线与水平方向所成夹角的sin值和cos值；

对图像集进行数据增强包括对图像集进行随机对比度变换、水平翻转、旋转和透视投影变化；

上述模型训练的损失函数包括基础损失函数和加强损失函数；基础损失函数包括DM码分类损失函数、DM码中心点偏移坐标回归损失函数和DM码关键点偏移坐标回归损失函数；

加强损失函数包括DM码关键点热力图损失函数、标准DM码投影损失函数和DM码多边形IoU损失函数；

所述DM码分类损失函数，公式如下：

（1）

其中， 为DM码分类损失，为类别class， 为正样本数量， 为类别总数目， 为类别索引， 为特征图128*128下的横纵坐标， 和 为分别用于调整正负样本损失权重的超参数，对于每一个真实标注的DM码，都在热力特征图中用高斯核函数生成一组响应值， 表示预测响应值；

所述DM码中心点偏移坐标回归损失函数，公式如下：

（2）

其中， 为DM码中心点偏移坐标回归损失， 为中心点偏移center offset， 为正样本数量， 表示在输出特征图的 处是否有DM码目标， 表示目标object， 表示原图中DM码中心点的真实图像坐标， 表示中心center， 表示在特征图 中DM码中心点的真实图像坐标； 表示特征图 中 处坐标值， 为下采样因子；

所述DM码关键点偏移坐标回归损失函数，公式如下：

（3）

其中， 为DM码关键点偏移坐标回归损失， 为关键点偏移keypoint offset， 表示正样本数量， 表示在输出特征图的 处是否有DM码目标， 表示目标object， 表示原图中关键点的真实图像坐标， 表示在特征图 中DM码关键点的真实图像坐标；

表示特征图 中 处坐标值， 为下采样因子。

2.如权利要求1所述的基于CenterNet的DM码关键点检测模型构建方法，其特征在于，所述centernet网络的多任务检测头输出通过以下步骤得到：选择ResNet50作为特征提取网络，网络输出的3类特征图分别为 、和 ；进行多尺度特征融合，得到 的融合高分辨率特征

图；对融合高分辨率特征图使用 卷积、标准化和ReLU激活函数得到多任务检测头的3个输出： ，C为类型信息数目， ，2为DM码的中心点偏移的横纵坐标；

，4为DM码的4个角点，3是关键点与中心点距离、关键点和中心点连线与水平方向所成夹角的sin值和cos值。

3.如权利要求2所述的基于CenterNet的DM码关键点检测模型构建方法，其特征在于，所述DM码关键点热力图损失函数，公式如下：（4）

其中， 为DM码关键点热力图损失， 为关键点keypoint， 为正样本数量， 为类别总数目， 为类别索引， 为特征图 下的横纵坐标， 和 为分别用于调整正负样本损失权重的超参数，对于每一个真实标注的DM码关键点，都在热力特征图 中用高斯核函数生成一组响应值 ， 表示预测响应值。

4.如权利要求3所述的基于CenterNet的DM码关键点检测模型构建方法，其特征在于，所述标准DM码投影损失函数，公式如下：（5）

其中， 表示标准DM码投影损失， 表示投影projection， 表示正样本数量，表示在输出特征图的 处是否有DM码目标， 和 表示在输出特征图 处的标准DM码中心点的预测值和真实值， 表示中心点center， 表示关键点keypoint， 表示预测标准predicated standard， 表示真实的标准standard， 和 表示在输出特征图 处的标准DM码关键点的预测值和真实值， 为坐标求距离函数， 和 分别为权重值， 表示standard center， 表示standard keypoint。

5.如权利要求4所述的基于CenterNet的DM码关键点检测模型构建方法，其特征在于，所述DM码多边形IoU损失函数，公式如下：（6）

其中， 表示DM码多边形IoU损失， 表示intersection over union交并比， 为正样本数量， 表示在输出特征图的 处是否有DM码目标， 和 分别表示在 特征图 处DM码关键点预测值和真实值围成的多边形， 表示多边形polygon， 表示交并比损失的运算策略。

6.如权利要求5所述的基于CenterNet的DM码关键点检测模型构建方法，其特征在于，通过所述基础损失函数和加强损失函数，定义多任务损失函数如下：（7）

其中， 为平衡各部分损失的权重，取 , 表示DM码分类损失，c表示类别class，, 表示DM码中心点偏移坐标回归损失， 表示中心点偏移center offset，, 表示DM码关键点偏移坐标回归损失， 表示关键点偏移keypoint offset， ,表示DM码关键点热力图损失， 表示关键点keypoint， ， 表示标准DM码投影损失， 表示投影projection， ， 表示DM码多边形IoU损失， 表示intersection over union交并比。

7.一种基于CenterNet的DM码关键点检测方法，其特征在于，包括以下步骤：加载权利要求1所述的基于CenterNet网络的DM码关键点检测模型，将待检测图像尺寸化为 并输入网络，得到DM码的类型信息，DM码中心点偏移信息和DM码关键点偏移信息；

对分类结果正确的样本进行解码，取出中心点预测坐标和关键点预测坐标；并将坐标信息转换至原始图片上进行预测框绘制，获取DM码的精确定位。