1.一种基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，包括：利用太赫兹成像设备获取待测目标物图像；

将所述待测目标物图像进行处理，构建输入图像数据集；

构建目标检测网络模型，将所述待测目标物图像输入所述目标检测网络模型，生成不同尺寸大小的特征层，对所述特征层中的特征进行多尺度特征融合，提取多尺度的特征，识别隐藏危险品，其中，所述目标检测网络模型通过所述输入图像数据集进行训练获得；

目标检测网络模型包括：特征提取主干网络、特征融合网络和特征检测网络；所述特征提取主干网络通过卷积操作对所述待测目标物图像进行浅层特征提取，获取不同尺寸大小的特征层；所述特征融合网络对所述不同尺寸大小的特征层进行多尺度特征融合，提取出多尺度的特征，获取多尺度特征图；所述特征检测网络对所述多尺度特征图进行预测，输出预测结果图；

所述特征提取主干网络中加入了自适应多尺度大核分解卷积模块和注意力机制BRA；

所述特征融合网络加入了所述自适应多尺度大核分解卷积模块和无参数量3‑D局部注意力SimAM；所述自适应多尺度大核分解卷积模块对输入的特征图进行多尺度分解和自适应融合；

所述自适应多尺度大核分解卷积模块包括深度卷积、深度扩张卷积和逐点卷积；

所述自适应多尺度大核分解卷积模块对输入的特征图进行多尺度分解和自适应融合之前包括：对输入的特征图进行卷积和分类操作，获取若干特征图；

所述自适应多尺度大核分解卷积模块对输入的特征图进行多尺度分解和自适应融合包括：提取所述若干特征图中的一个特征图作为第一特征图；

将所述若干特征图中剩余的特征图分别输入不同的自适应多尺度大核分解卷积模块；

通过在不同的所述自适应多尺度大核分解卷积模块中设定不同的大卷积核和不同的扩张速率，对不同的所述自适应多尺度大核分解卷积模块中的深度扩张卷积、深度卷积和逐点卷积进行设置，并对所述剩余的特征图进行多尺度分解，输出若干新的特征图；

利用级联操作将若干所述新的特征图在通道维度上进行连接，获取第二特征图；

将所述第二特征图通过卷积操作进行特征融合及通道数降维，获取第三特征图；

将所述第三特征图进行Softmax以及通道分离操作，获取空间自适应权重；

将若干所述新的特征图与所述空间自适应权重进行加权聚合，获取第四特征图；

将所述第四特征图与所述第一特征图进行级联和卷积操作，获取第五特征图，实现自适应融合；

若所述待测目标物图像中存在危险品，则输出包含危险品检测框、危险品类别号及预测概率值的隐藏危险品检测结果图像，若所述待测目标物图像中不存在危险品，则输出与输入一致的所述待测目标物图像。

2.如权利要求1所述的基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，将所述待测目标物图像进行处理包括：将所述待测目标物图像中的危险品用矩形框框出转化为标签数据，获取含有标签数据的图像；

将所述含有标签数据的图像进行mosaic增强、随机左右翻转、尺寸随机缩放处理，完成所述输入图像数据集的构建。

3.如权利要求1所述的基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，所述自适应多尺度大核分解卷积模块中的目标参数为预设目标值。

4.如权利要求1所述的基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，输出所述隐藏危险品检测结果图像的数学模型为：式中，O为隐藏危险品检测结果图像， 为优化参数，F′为特征提取主干网络和特征融合网络处理后得到的图像组，D(·)表示目标检测函数，Ψ是神经网络的参数，(x,y)表示输出检测框的像素坐标。

5.如权利要求1所述的基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，所述目标检测网络模型通过所述输入图像数据集进行训练的过程中包括：采用SGD函数对损失函数Loss(Θ)进行优化：

Lb＝LCIoU+LDFL

LDFL＝‑((yi+1‑y)log(Si)+(y‑yi)log(Si+1))其中，N为检测层个数，Lb为边框回归损失函数，Lc为分类损失函数，α1，α2为损失函数的权重系数，LCIoU和LDFL为边界框损失函数，IoU为交并比，ρ为预测框与真实框中心点距离，p、g分别为预测框与真实框的中心点，c为两框的最小外接矩形框的对角线距离，v为衡量长宽比一致的参数，yi+1为距离真实值右侧最近的整数，yi为距离真实值左侧最近的整数，n为样本数，Bi为目标值，Si为模型输出值。