1.一种基于目标检测和语义分割的流体包裹体分析方法，其特征在于，包括如下步骤：S1：采集包含流体包裹体的显微图像作为待检图像；

S2：识别待检图像中的标度尺信息，得到图片像素与实际物理尺寸的映射关系；

S3：对待检图像进行标注，得到目标检测框位置和类别信息标签；

S4：将待检图像、待检图像中的目标检测框位置和类别信息标签输入至改进的YOLOX‑m目标检测网络中，识别出待检图像中流体包裹体数量、位置和类别信息；所述的改进的YOLOX‑m目标检测网络，包括输入端、主干网络、颈部网络和输出端四个关键部分；

其中，YOLOX‑m的主干网络采用CSPDarknet网络架构，包括多个卷积层、CSP层、批量标准化层和激活函数层；

引入CBAM注意力机制模块；在YOLOX‑m网络架构中引入CBAM注意力机制模块的具体方法为：在主干网络CSPDarknet网络架构的最后三个CSP层到颈部网络的连接之间，引入了三个结构相同的CBAM注意力模块，所述CBAM模块包括通道注意力模块和空间注意力模块两个子模块；

构建综合损失函数SIoU为损失函数，所述综合损失函数SIoU包括IoU损失、角度损失、距离损失和形状损失；综合损失SIoU的计算方法如下：（1）IoU用于计算预测框和真实框之间的损失，具体公式如下：b代表锚框，S代表面积；上标gt代表真实框，上标pr代表预测框；

表示预测框和真实框相交部分的面积， 表示预测框和真实框相并部分的面积；

（2） 用于计算预测框和真实框之间的距离损失，具体公式如下：其中， 、 和 的计算公式为：

w和h分别代表宽度和高度,下标r代表矩形； 分别表示真实框和预测框最小外接矩形的宽和高；x和y分别表示横坐标和纵坐标，下标c代表锚框的中心点； 分别表示真实框的中心点的横坐标和纵坐标， 分别表示预测框的中心点的横坐标和纵坐标；

式中，用于计算预测框和真实框之间的角度损失，具体公式如下：σ表示预测框中心点与真实框中心点的距离，dh表示预测框中心点与真实框中心点的高度差，下标h代表高度；

x和y分别表示横坐标和纵坐标， 分别表示真实框的中心点的横坐标和纵坐标，分别表示预测框的中心点的横坐标和纵坐标；

（3） 用于计算预测框和真实框之间的形状损失，具体公式如下：其中，控制对形状损失的关注程度，其取值范围为[2, 6]， 和 的计算公式为：分别表示真实框的宽和高， 分别表示预测框的宽和高；

S5：根据S4步骤中目标检测得到的流体包裹体位置信息对待检图像进行裁剪，得到只包含单个流体包裹体的显微图像；对只包含单个流体包裹体的显微图像进行像素级标注，得到对应的语义分割标签；

S6：将只包含单个流体包裹体显微图像和其对应的语义分割标签输入到改进的UNet2+的语义分割网络中，获取到网络预测的分割图像；所述改进的UNet2+的语义分割网络，编码器部分的主要网络骨干采用ResNet34架构；解码器部分的输入使用了scSE注意力模块处理特征；

S7：使用图像处理技术对步骤S6获取到的分割图像进行处理，基于步骤S2中获取的图片像素与实际物理尺寸的映射关系，估算出单双相流体包裹体的长宽比信息和双相流体包裹体的气液比信息。

2.根据权利要求1所述的一种基于目标检测和语义分割的流体包裹体分析方法，其特征在于，步骤S2中，识别待检图像中的标度尺信息的方法为光学字符识别和图像处理技术相结合的方法。

3.根据权利要求1所述的一种基于目标检测和语义分割的流体包裹体分析方法，其特征在于，步骤S3中所述的类别信息为单相流体包裹体信息和双相流体包裹体信息。

4.根据权利要求3所述的一种基于目标检测和语义分割的流体包裹体分析方法，其特征在于，ResNet‑34由34个参数层组成，采用了残差连接的结构，其中每个残差块结构通过跳跃连接将前一层的信息直接传递给后续层。

5.根据权利要求4所述的一种基于目标检测和语义分割的流体包裹体分析方法，其特征在于，scSE模块包括通道注意力模块和空间注意力模块。

6.一种基于目标检测和语义分割的流体包裹体分析系统，其特征在于，使用权利要求

1‑5任一项所述的基于目标检测和语义分割的流体包裹体分析方法。