1.一种结合多模态数据融合和Multiplemix的水下目标检测方法，其特征在于，包括如下步骤：步骤1、采集水下目标的RGB图像数据和Multispectral多光谱图像数据；

步骤2、将RGB图像数据和Multispectral多光谱图像数据分别输入多模态数据融合网络进行特征提取，将提取后的特征进行拼接融合，得到多模态融合数据；

步骤3、将下采样SPDmix网络和卷积注意力机制CACmix网络组成Multiplemix网络模型，以多模态融合数据为模型的输入，将提取后的粒度特征再次融合，并通过检测头来输出水下目标的定位和分类，以此训练Multiplemix网络模型，并设置损失函数和正负样本分配策略，直至达到收敛，则Multiplemix网络模型训练完成；

步骤4、应用训练完成的Multiplemix网络模型对水下目标的定位和分类进行检测；

所述步骤2具体为：

S101：多模态数据融合网络是一个双分支特征级融合网络，将RGB图像和Multispectral多光谱图像数据分别输入对应的分支；

S102：将RGB模态数据输入到RGB分支特征提取网络中得到FRGB，将Multispectral多光谱图像数据输入到Multispectral多光谱分支特征提取网络中得到FMS，公式如下：FRGB＝f1(IRGB)

FMS＝f1(IMS)

其中，f1是对RGB和Multispectral模态的无跨步共享卷积，并且共享权重来减少参数量，IRGB和IMS是原始的图像数据；

S103：在原始的特征基础上加上提取后的特征，得到FRGB1，FMS1公式如下：S104：进一步提取各自分支的特征得到高分辨的特征公式如下：Fout1＝f2(FRGB1)

Fout2＝f2(FMS1)

Fout1和Fout2分别为高分辨率RGB特征和Multispectral多光谱特征，f2为无跨步共享卷积提取FRGB1和FMS1；

S105：将Fout1，Fout2结果进行特征级融合，得到数据F0为多模态数据，公式如下：F0＝αFout1⊙βFout2

α，β为比例系数，⊙为沿通道轴的串联操作；

步骤3中，所述下采样SPDmix网络对特征进行深度堆叠，将特征空间维度缩小一倍，同时将通道维度增加两倍；所述深度堆叠分为两步，一步是先进行通道维度的堆叠，再经过卷积进行信息整合；另一步是先进行卷积操作，再进行通道维度的堆叠，然后将两步提取的特征再次融合；

步骤3中，所述卷积注意力机制CACmix网络用于特征融合过程中赋予特征之间关系，增加特征之间的交互，使网络结构选择重要的信息，在第一阶段通过共享卷积块减少计算资源，在第二阶段分别走卷积模块和注意力机制模块，最后加权融合；动态地选择和加权输入数据的部分。

2.根据权利要求1所述的结合多模态数据融合和Multiplemix的水下目标检测方法，其特征在于，步骤3中，所述损失函数为Loss，定义其公式如下：Loss＝aLbox+bLobj+cLcls+dLhw (1)Lbox是预测框位置x,y,h,w和真实框造成的损失；Lobj是目标置信度造成的损失，表示有无目标的置信度；Lcls是预测类造成的损失；Lhw是定义的长宽比损失，其中a,b,c,d是平衡因子；

定义的长宽比损失是让预测框向正方形靠拢，水下目标的真实框近似于正方形；因此选择让预测框向正方形收敛；因为小目标小的特点，所以标注框的形状不再受限制，即使目标是长方形但因为是小目标，正方形的框也能将他标注，因此，目标是在原来的损失基础上增加一个长宽比损失，目的是让预测框更接近正方形，公式的意义是预测框越接近正方形损失越小；

(2)式中IOU为交并比，Pr是预测框，tr是真实框；式中area是计算pr与tr的重叠面积；

gt

(3)式Lbox是预测框位置x,y,h,w和真实框造成的损失，其中b，b 分别表示预测框和真实框的中心点，ρ表示两个中心点之间的欧式距离；m表示预测框和真实框的最小闭包区域的对角线距离，av是影响因子；

ti表示真实框与预测框的重合程度，xi为预测框的置信度；

yi表示真实框标签，pi表示预测值；

hi是预测框的长，wi是预测框的宽。

3.根据权利要求1所述的结合多模态数据融合和Multiplemix的水下目标检测方法，其特征在于，步骤3中，所述正负样本分配策略具体为：在损失函数的基础上，预测框的形状越靠近正方形的正样本机会越多，定义的公式如下：IOU为交并比，计算预测目标框与真实目标框的交并比，hi是预测框的长，wi是预测框的宽，α为比例系数，在正样本经过初筛和复筛的时候，IOU的筛选可去除低质量的正样本，然后排名，保留前十个，操作是在保留前十个的正样本里。