1.一种面向视频卫星图像的小目标检测方法，其特征在于，包括：S1：获取待检测图像，对所述待检测图像进行预处理，得到目标图像；

S2：获取预设的标注框，基于K‑means聚类算法，利用所述标注框自适应计算目标图像的锚框；S2具体为：S2.1：获取预设的标注框数据集；

S2.2：基于K‑means聚类算法，利用标注框数据集对所述目标图像进行初始化处理，以在所述目标图像中生成多个标注框；获取目标图像中所有标注框的边框值，从所有边框值中随机选取n个边框值并对应作为各个锚框的初始值，基于各个锚框的初始值与所有标注框的边框值，计算各个锚框与所有标注框的交并比值；其中，n为锚框的总数量;S2.3：选择各个锚框与所有标注框的交并比值中最高的交并比值作为各个锚框的临时值，计算所有锚框的临时值的平均值，根据所述平均值调整目标图像中每个锚框的尺寸，得到具有限定尺寸的锚框；

S3：基于YOLOv5模型，构建边缘感知模块；其中边缘感知模块由第一通道注意力模块、第一空间注意力模块、第二通道注意力模块和第二空间注意力模块组成；

通过S3中的所述边缘感知模块对输入的目标图像进行处理的具体步骤为：将所述第一通道注意力模块和所述第一空间注意力模块进行加权融合，得到融合模块；将所述目标图像输入所述融合模块，得到融合特征图；其中，得到融合特征图的公式为：；

其中， 表示融合特征图，X表示输入的目标图像， 是SiLU激活函数， 和 是权重因子， 表示第一通道注意力模块， 表示第一空间注意力模块；

其中，将所述目标图像分别输入所述第一通道注意力模块和第一空间注意力模块，将第一通道注意力模块输出的特征和第一空间注意力模块输出的特征进行加权融合，得到融合特征图；

所述第一通道注意力模块的结构和所述第二通道注意力模块的结构相同，都是由全局平均池化和自适应核卷积的一维卷积组成；所述第一空间注意力模块的结构和第二空间注意力模块的结构相同，都是由最大池化、平均池化和7*7的卷积组成；

将所述融合特征图依次输入第二通道注意力模块和第二空间注意力模块，得到融合增强特征图；其中，得到融合增强特征图的公式为：；

其中， 表示融合增强特征图；

S4：为所述边缘感知模块构建边角对齐交并比损失函数；

S4中，所述边角对齐交并比损失函数包括边对齐损失函数、角对齐损失函数和交并比损失函数，其中，所述边对齐损失函数如下式所示：；

其中， 表示边对齐损失函数，SA表示边对齐，SA为：；

其中， 表示预测框的角点与真实框的角点在坐标x方向上的最短的相对距离；

表示预测框的角点与真实框的角点在坐标x方向上的最长的相对距离； 表示预测框的角点与真实框的角点在坐标y方向上的最短的相对距离； 表示预测框的角点与真实框的角点在坐标y方向上的最长的相对距离；

所述角对齐损失函数如下式所示：

；

其中， 表示角对齐损失函数， 为欧氏距离函数， 表示预测框的左上角点，表示真实框的左上角点， 表示预测框的右下角点， 为真实框的右下角点， 和分别表示覆盖预测框和真实框的最小包围框的左上角点和右下角点；

所述边角对齐交并比损失函数如下式所示：

；

其中， 表示边角对齐交并比损失函数， 为权重因子， 表示交并比；

S5：对所述锚框进行调整得到目标图像的预测框，基于所述交并比损失函数，通过具有预测框的目标图像对所述边缘感知模块进行训练，得到小目标检测模型；

S6：将所述待检测图像输入所述小目标检测模型，得到待检测图像的小目标检测结果。

2.根据权利要求1所述的一种面向视频卫星图像的小目标检测方法，其特征在于，S1具体为：S1.1：将待检测图像缩放或拉伸到预设像素值，得到像素调整图像；

S1.2：对所述像素调整图像进行数据增强，得到数据增强图像;S1.3：对所述数据增强图中的待识别目标的特征参数进行处理，得到目标图像。

3.根据权利要求1所述的一种面向视频卫星图像的小目标检测方法，其特征在于，S3中，所述边缘感知模块设置有三个不同尺度的检测输出模块，用于输出三个不同尺度的小目标检测结果。

4.一种面向视频卫星图像的小目标检测装置，其特征在于，包括：预处理模块，用于获取待检测图像，对所述待检测图像进行预处理，得到目标图像；

聚类分析模块，用于获取预设的标注框，基于K‑means聚类算法，利用所述标注框自适应计算目标图像的锚框；具体为：获取预设的标注框数据集；

基于K‑means聚类算法，利用标注框数据集对所述目标图像进行初始化处理，以在所述目标图像中生成多个标注框；获取目标图像中所有标注框的边框值，从所有边框值中随机选取n个边框值并对应作为各个锚框的初始值，基于各个锚框的初始值与所有标注框的边框值，计算各个锚框与所有标注框的交并比值；其中，n为锚框的总数量;选择各个锚框与所有标注框的交并比值中最高的交并比值作为各个锚框的临时值，计算所有锚框的临时值的平均值，根据所述平均值调整目标图像中每个锚框的尺寸，得到具有限定尺寸的锚框；构建边缘感知模块，用于基于YOLOv5模型，构建边缘感知模块；其中边缘感知模块由第一通道注意力模块、第一空间注意力模块、第二通道注意力模块和第二空间注意力模块组成；

通过所述边缘感知模块对输入的目标图像进行处理的具体步骤为：将所述第一通道注意力模块和所述第一空间注意力模块进行加权融合，得到融合模块；将所述目标图像输入所述融合模块，得到融合特征图；其中，得到融合特征图的公式为：；

其中， 表示融合特征图，X表示输入的目标图像， 是SiLU激活函数， 和 是权重因子， 表示第一通道注意力模块， 表示第一空间注意力模块；

其中，将所述目标图像分别输入所述第一通道注意力模块和第一空间注意力模块，将第一通道注意力模块输出的特征和第一空间注意力模块输出的特征进行加权融合，得到融合特征图；

所述第一通道注意力模块的结构和所述第二通道注意力模块的结构相同，都是由全局平均池化和自适应核卷积的一维卷积组成；所述第一空间注意力模块的结构和第二空间注意力模块的结构相同，都是由最大池化、平均池化和7*7的卷积组成；

将所述融合特征图依次输入第二通道注意力模块和第二空间注意力模块，得到融合增强特征图；其中，得到融合增强特征图的公式为：；

其中， 表示融合增强特征图；

边角对齐交并比损失函数模块，用于为所述边缘感知模块构建边角对齐交并比损失函数；

所述边角对齐交并比损失函数包括边对齐损失函数、角对齐损失函数和交并比损失函数，其中，所述边对齐损失函数如下式所示：；

其中， 表示边对齐损失函数，SA表示边对齐，SA为：；

其中， 表示预测框的角点与真实框的角点在坐标x方向上的最短的相对距离；

表示预测框的角点与真实框的角点在坐标x方向上的最长的相对距离； 表示预测框的角点与真实框的角点在坐标y方向上的最短的相对距离； 表示预测框的角点与真实框的角点在坐标y方向上的最长的相对距离；

所述角对齐损失函数如下式所示：

；

其中， 表示角对齐损失函数， 为欧氏距离函数， 表示预测框的左上角点，表示真实框的左上角点， 表示预测框的右下角点， 为真实框的右下角点， 和分别表示覆盖预测框和真实框的最小包围框的左上角点和右下角点；

所述边角对齐交并比损失函数如下式所示：

；

其中， 表示边角对齐交并比损失函数， 为权重因子， 表示交并比；

训练模块，用于对所述锚框进行调整得到目标图像的预测框，基于所述交并比损失函数，通过具有预测框的目标图像对所述边缘感知模块进行训练，得到小目标检测模型；

检测模块，用于将所述待检测图像输入所述小目标检测模型，得到待检测图像的小目标检测结果。

5.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1‑3中任一项所述的方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1‑3中任一项所述的方法。