1.一种基于交叉融合注意力机制的危险品检测方法，其特征在于，包括以下步骤：获取太赫兹图像，所述太赫兹图像包括：训练图像和测试图像；

构建深度学习网络模型，所述深度学习网络模型包括：backbone特征提取网络、neck特征提取网路、高效融合模块、交叉融合自注意力和YoloHead检测头；

基于所述训练图像训练所述深度学习网络模型，得到训练好的深度学习网络模型；

将所述测试图像输入至训练好的深度学习网络模型中，输出危险品检测结果。

2.根据权利要求1所述的基于交叉融合注意力机制的危险品检测方法，其特征在于，训练所述深度学习网络模型的过程包括：基于所述高效融合模块，将backbone特征提取网络、neck特征提取网路各自输出的特征图进行跨空间、跨通道融合，得到第一输出特征图。

3.根据权利要求2所述的基于交叉融合注意力机制的危险品检测方法，其特征在于，跨空间融合的过程包括：获取输入特征图，通过卷积层扩大所述输入特征图的通道维数，并分割得到第一特征图，将所述第一特征图分别通过本地特征提取块、全局特征提取块，得到重要信息和全局上下文信息，将所述重要信息、所述全局上下文信息进行相加，得到第一注意力权重。

4.根据权利要求3所述的基于交叉融合注意力机制的危险品检测方法，其特征在于，第一注意力权重的计算公式：s1,w＝Пchunk(fc(F)1×1)

其中 表示sigmoid函数，local‑conv(·)表示本地特征提取块，global‑convC×H×W C(·)表示全局特征提取块，fc(·)1×1卷积核为1的卷积，F∈R 为输入特征图，s1,w∈R×H×W为第一特征图，w1为第一注意力权重。

5.根据权利要求3所述的基于交叉融合注意力机制的危险品检测方法，其特征在于，跨通道融合的过程包括：将所述输入特征图分别进行平均池化和最大池化后拼接，得到拼接通道特征，基于本地特征提取块将所述拼接通道特征进行转换并分割，得到第一通道注意力特征图和第二通道注意力特征图；

获取输入特征图经过卷积层后的原始加权特征，将所述第一通道注意力特征图与所述原始加权特征相乘，得到加权特征；

将第二通道注意力特征图通过全局特征提取块、本地特征提取块和sigmoid函数，得到第二注意力权重；

基于所述原始加权特征、所述加权特征和所述第二注意力权重，得到第一输出特征图。

6.根据权利要求5所述的基于交叉融合注意力机制的危险品检测方法，其特征在于，所述第一输出特征图的计算公式：*

s2＝x1*s

Fout＝s1*w1+x1*(1‑w1)+s2*w2+x1*(1‑w2)C×H×W * *

其中Fout∈R 表示高效融合模块的第一输出特征图，s 为第一通道注意力特征图，wC×H×W为第二通道注意力特征图，w2为第二注意力权重，s2为加权特征，x1∈R 为原始加权特征，s1为第一特征图权重。

7.根据权利要求1所述的基于交叉融合注意力机制的危险品检测方法，其特征在于，训练所述深度学习网络模型的过程还包括：基于所述交叉融合自注意力，将neck特征提取网路输出的特征图进行融合，得到第二输出特征图。

8.根据权利要求7所述的基于交叉融合注意力机制的危险品检测方法，其特征在于，得到第二输出特征图的过程包括：对所述输入特征图进行reshape和卷积操作，得到第一输入序列和第二输入序列，分别将所述第一输入序列、第二输入序列进行映射，得到第一映射参数和第二映射参数，基于所述第一映射参数和第二映射参数，计算得到第二输出特征图。

9.根据权利要求8所述的基于交叉融合注意力机制的危险品检测方法，其特征在于，第二输出特征图的计算公式：X1＝Concat(head1,...,headh)WoHW×C/8 C×C

其中，headi∈R 是第i个注意力头的输出，Wo∈R 为加权矩阵， 分别表示查询向量、键向量和值向量；

Fout′＝Conv(concate(X1,Conv(reshape(F2))1×1)1)1×1C×H×W

其中，concate(·,·)1表示在维度1对特征图进行拼接，Fout′∈R 表示交叉融合自注意力模块的第二输出特征图。

10.一种基于交叉融合注意力机制的危险品检测装置，其特征在于，包括：计算机、太赫兹成像设备和扫描式太赫兹收发装置；所述计算机依次与所述扫描式太赫兹收发装置、所述太赫兹成像设备连接。