1.一种水域无人清理船目标轻量化检测方法，其特征在于，包含一个The LRT‑DETR网络模型，该模型通过以下步骤完成水面物体检测：具体步骤如下：S1：使用一个backbone骨干网络进行输入图像的特征提取，输出四个不同维度的特征图；从低维到高维或从下到上依次是{F0、F1、F2、F3}；

S2：采用一个LEHE轻量级高效混合编码器，通过EMFI高效多头特征交互模块对最高维度的特征图F3进行注意力特征提取得到输出M4；

EMFI模块具体通过以下步骤完成注意力特征提取：

S2‑1：通过映射操作从输入特征图中获得query，并将2D token变换成三维结构，以便进行更深层次的特征分析；

S2‑2：通过深度卷积操作减小特征图的尺寸，以降低计算复杂度，然后将3D token重新映射回二维结构；

S2‑3：通过进一步的映射操作，生成key和value；

S2‑4：计算自注意力，其计算公式为：

其中，IN(·)为实例规范化，Conv(·)是一个标准的1×1矩阵，dk为key的维度；

S2‑5：并将每个头的计算结果相加通过线性层linear输出，其计算为：* * *

y＝x+FFN(LN(x))and x＝EMSA(LN(x))  (2)其中，LN(·)为批量归一化层，FNN(·)用于特征变换和非线性处理；

S3：结合EMFFM高效多尺度特征融合模块对{F0、F1、F2、M4}进行特征融合；

EMFFM是在传统FPN结构的基础上进行的改进，用于增强特征图对图像中上下文信息和全局特征的理解，同时解决特征融合过程中的语义鸿沟问题，其具体包含以下步骤完成特征融合：S3‑1：首先通过Receptive Field Block感受野块网络引入不同大小的卷积核和池化层，扩增特征图的感受野，同时消除由于FPN结构中多次上采样和下采样导致的高层语义信息传播不足的问题；

S3‑2：EMFFM模块使用一个新提出的FUSE模块对相邻特征层进行融合，有效地整合不同尺度的特征信息；

FUSE模块解决不同尺度特征层之间的语义鸿沟问题，通过对相邻尺度的特征层进行有效融合，增强了特征图对目标的表达能力，具体步骤如下：S3‑2‑1：通过QARepBlock量化感知Rep块对网络进行参数重构，减少了网络的参数量，提高了整体的计算效率；

S3‑2‑2：结合通道注意力机制，FUSE模块自适应地学习特征通道之间的相关性，实现对不同维度特征的有效整合，提高特征融合的质量和效果；

S3‑3：S3‑2中的FUSE模块通过特殊设计，能够自适应地学习特征通道之间的相关性，实现不同维度特征的有效整合；

S3‑4：EMFFM模块对特征提取后的特征图进行拼接，并将拼接后的特征图输出到解码器层，其计算公式为：Output＝EMFFM({M4，F2，F1，F0})；

S4：通过Iou‑aware query selection交并比感知选择器选取固定数量的图像特征输出序列作为Decoder解码器的初始化对象查询，进一步迭代优化生成目标检测框及置信度分数，表示检测到的目标存在的概率，完成整个图像处理系统的目标检测任务。

2.根据权利要求1所述的一种水域无人清理船目标轻量化检测方法，其特征在于，所述S1中backbone用于接收输入图像并进行特征提取，生成不同尺度的特征图，其中最高维度特征图F3经过EMFI模块处理后，包含丰富的全局语义信息，适用于大目标检测，而其他维度特征图F0、F1、F2包含细节信息，其高分辨率特性使其适用于小目标检测。