1.一种基于深度学习的狭长目标检测方法，其特征在于：将测试图像输入至检测模型中，检测出图像中的目标物体，所述检测模型包括数据采集及预处理模块、狭长目标检测网络训练模块和测试图像检测框生成模块；

所述检测模型基于初始YOLOX训练进行改进，所述检测模型在训练与推理过程中的检测与回归方式改进为定向边界框检测，采用全局注意力机制GAM并优化损失函数；

所述定向边界框检测，在常规矩形框的基础上加一个旋转角度 ，其代数表示为，其中 表示矩形框中心点的坐标， 表示矩形框的宽和高；

所述全局注意力机制GAM添加在Backbone主干网络和Neck网络之间；

所述全局注意力机制GAM，包括以下步骤：

S1：使用全局平均池化GAP模块对目标图像的特征图进行压缩处理；

S2：使用SD下采样模块，降低特征维度；

S3：使用ReLU函数进行激活；

S4：使用SU上采样模块，通过全连接层返回原来的维度；

S5：通过sigmoid函数获得归一化的权重；

S6：使用Scale将归一化后的权重加权到每个通道上，输出和输入特征同样数目的权重；

所述损失函数，采用多任务损失形式，主要由定位损失 、分类损失 和置信度损失组成，总损失 表示如下：；

式中，定位损失 计算图像目标物体预测框的定位误差，包括边界框的坐标误差和宽高误差；置信度损失 计算目标物体预测框的位置误差；分类损失 计算检测目标预测框的类别误差；

分类损失 由目标类别损失和角度损失组成，用二元交叉熵损失表示如下：；

其中，为特征图的尺寸，B为锚点的个数，为角度的类别， 表示该网络中第j个锚检测目标物体，第j个锚检测到目标物体， ；第j个锚未检测到目标物体， ； 表示检测为目标物体的概率， 表示目标物体旋转角度为 的概率；

基于交并比改进检测层置信度损失 ，使用CIoU计算定位损失和box之间的真实空间关系，交并比计算公式：；

式中，pred代表目标物体预测框，targ代表目标物体真实边界框；

；

式中， 用来度量长宽比的相似性；

权重函数： ；

CIoU损失函数： ；

其中， 表示锚框中心点和边界框中心点之间的欧氏距离， 和 为边界框的宽度和高度，和 为锚框的宽度和高度。

2.根据权利要求1所述的一种基于深度学习的狭长目标检测方法，其特征在于：所述数据采集及预处理模块包括数据采集模块和数据预处理模块，所述数据采集模块，通过相机拍摄的若干张目标图像作为模型训练、验证和测试的数据集；所述数据预处理模块，采用目标检测工具roLabelImg对目标图像进行标注，并对数据集进行裁剪和旋转，将数据集随机分为训练集、验证集和测试集。

3.根据权利要求1所述的一种基于深度学习的狭长目标检测方法，其特征在于：所述检测模型采用卷积、归一化和激活操作提取特征映射，结合信道信息融合运算，将不同降采样率的特征图发送到Neck结构。

4.根据权利要求1所述的一种基于深度学习的狭长目标检测方法，其特征在于：所述测试图像检测框生成模块包括检测框的生成和检测结果展示，所述检测框的生成过程中采用控制阈值对检测框进行去重处理。