1.一种基于深度学习的浮游藻类微生物检测方法，其特征在于，所述方法包括以下步骤：步骤1：对原始训练数据的预处理，将数据集整理为大量的无标注样本和有标注样本，在有标注样本中，选择了硅藻、绿藻和蓝藻作为目标类别，数据集的格式符合COCO格式要求；

步骤2：图像分类快速推理的混合神经网络结构的建立，使用该网络来进行实现特征的提取；

步骤3：将步骤1得到的有标注数据集作为步骤2中的网络的输入；

步骤4：网络的训练：第一阶段，利用大量无标注样本进行了预训练；接下来进行第二阶段的微调，使用有标注的来自硅藻门、绿藻门和蓝藻门的数据集来完成藻类目标检测的下游任务；

所述的步骤2中，网络的搭建过程为：

Patch embedding的结构：一共由5层结构组成，其中前4层对应的结构组成为3*3的卷积层，第5层的结构由最大池化层+h‑swish激活层组成，其中所有的卷积层的卷积核大小为

3×3，卷积步长为2，填充为1，最大池化层同样的卷积核大小为3×3，卷积步长为2，填充为

1；

Stage的结构：在每个stage中，堆叠一个DCNv3算子，经过LN操作后，加上输入时的残差，再通过一个自注意力模块和MLP模块，加上自注意模块输入时的残差；

激活层函数表达式：

ReLu激活函数：

其中x代表输入，f(x)代表输出；

h‑swish激活函数：

ReLU6＝min(ReLU,6)

其中x代表输入，f(x)代表输出。

2.如权利要求1所述的一种基于深度学习的浮游藻类微生物检测方法，其特征在于，所述步骤1中，数据集划分步骤如下：

1.1、依次从原始训练集中取无标注样本和有标注样本；

1.2、在有标注样本中，选择了硅藻、绿藻和蓝藻的数据，对重复数据、有害数据进行数据清理；

1.3、将筛选后的有标注样本进行格式转换，由labelme转目标检测用COCO格式数据集；

1.4、根据1.3中得到的训练用标准数据集进行3:7的测试、训练数据集划分，作为网络的输入。