1.一种基于多尺度Retinex算法的深度学习光伏板识别方法，其特征在于，包括：获取遥感图像数据集；

对所述遥感图像数据集进行数据标注，得到标注后数据集；

对所述标注后数据集进行数据增强，得到数据增强后数据集；

根据所述数据增强后数据集，基于训练好的光伏板识别模型，进行目标检测，得到识别结果；

所述光伏板识别模型的训练包括：

根据收集到的遥感图像数据集，构建训练数据集；

搭建光伏板识别模型，使用所述训练数据集进行模型训练，得到训练好的光伏板识别模型；

所述光伏板识别模型采用单阶段检测的方法，将目标检测任务转化为一个端到端的回归问题；所述光伏板识别模型采用FPN+PAN结构，使用Darknet‑53作为主干网络；

所述光伏板识别模型使用了C2f模块，并在C2f模块添加了SE注意力机制；

所述光伏板识别模型的工作步骤如下：输入维度为 的特征图X；

对所述特征图X进行 操作，生成特征图U；

通过 函数对所述特征图U进行全局平均池化，生成一个 的向量；

进行 激励操作，通过 函数和两层全连接层，获得维度为的全局描述特征；

通过 函数将所述全局描述特征与特征图X的对应通道的二维矩阵相乘，得到维度为 的输出；

还包括使用Retinex算法进行图像增强，包括高斯模糊处理和颜色恢复，具体步骤包括：通过公式（1）计算出 的最大值 和最小值 ：          （1）

其中， 表示图像元素的位置坐标， 表示图像增强后的图像， 表示已获得的遥感图像数据， ，表示高斯模糊处理后的图像，表示高斯函数；

通过公式（2）对公式（1）计算出的每一个值 进行线性量化：      （2）

通过公式（3）对每个尺度进行累加计算：  （3）

其中， 表示每个尺度对应的权重，各尺度权重之和为1，表示尺度数。

2.根据权利要求1所述的基于多尺度Retinex算法的深度学习光伏板识别方法，其特征在于，所述数据增强采用Mosaic方法，主要包括以下步骤：随机选取图片拼接的基准点坐标 ，再随机选取四张图片；

将所述四张图片根据基准点坐标 ，经过尺寸调整和比例缩放后，分别放置在指定尺寸的大图的左上，右上，左下，右下位置；

根据每张图片的尺寸变换方式，将映射关系对应到图片标签上；

依据指定的横坐标和纵坐标，对大图进行拼接；

对超过边界的检测框坐标进行处理。

3.根据权利要求1所述的基于多尺度Retinex算法的深度学习光伏板识别方法，其特征在于，所述全局平均池化通过公式（4）实现：              （4）其中， 表示全局描述特征， 和 表示维度参数， 表示特征图U中第行 列的元素。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现权利要求1‑3中任一所述的基于多尺度Retinex算法的深度学习光伏板识别方法的步骤。

5.一种计算机装置，其特征在于，包括：存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现权利要求1‑3中任一项所述的基于多尺度Retinex算法的深度学习光伏板识别方法的步骤。

6.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1‑3中任一项所述的基于多尺度Retinex算法的深度学习光伏板识别方法的步骤。