1.一种基于多头注意力和BIFPN改进YOLO v7的毫米波违禁品检测方法，其特征在于，包括以下步骤：S1：使用毫米波雷达主动捕获目标回波，再利用距离徙动算法RMA重建目标的毫米波三维图像，并通过在距离向上投影得到二维毫米波图像；

S2：将毫米波图像输入到经过训练的改进的 YOLO v7网络中进行图像预处理与特征提取，所述改进的 YOLO v7 网络引入了多头注意力和BIFPN加权双向特征金字塔网络；

S3：根据网络输出层获取的特征提取信息进行违禁品目标检测与识别；

S4：根据获取的违禁品检测识别信息，自动生成带有标注的违禁品检测结果，包括目标类别、坐标和置信度；

所述S2：将毫米波图像输入到经过训练的改进的 YOLO v7网络中进行图像预处理与特征提取，所述改进的 YOLO v7 网络引入了多头注意力和BIFPN加权双向特征金字塔网络，具体包括：S21：对获取到的毫米波图像进行预处理，包括图像的归一化、大小调整和图像增强；

S22：将预处理后的图像输入到改进的 YOLO v7网络中，通过在网络中进行卷积和池化，提取图像特征，用于区分不同类别；

其中，所述改进的 YOLO v7网络在传统网络Backbone 里的标准卷积层 Conv层和高效目标检测网络 ELAN之间引入多头自注意力，标准卷积层 Conv层对图像进行特征提取，高效目标检测网络 ELAN则对提取到的特征点进行回归，控制最短和最长的梯度路径；

S23：将骨干网络提取的不同尺度的特征图与改进的 YOLO v7网络的特征融合层进行融合，以获取更丰富的特征信息；

所述改进的 YOLO v7 网络还用加权双向特征金字塔网络BIFPN取代原 YOLO v7中 Head 部分 Cat 模块使用的 FPN 特征融合技术，加权双向特征金字塔网络BIFPN让网络更加关注重要的层次；

S24：根据融合后的特征图逐层计算网络输出；

所述步骤S22中所述改进的 YOLO v7网络在传统网络Backbone 里的标准卷积层 Conv层和高效目标检测网络 ELAN之间引入多头自注意力，具体包括以下步骤：S221：将每个通道的输入向量乘以训练过程中的3个矩阵来创建查询向量、键向量和值向量；

S222：查询向量和各通道向量对应的键向量点积得到参数score；

S223：将score除以默认值8，然后利用Softmax函数对score进行归一化；

S224：将每个值向量乘以归一化后的 score，得到加权后的值向量S225：对步骤S224加权后的值向量求和，计算注意层的输出；

所述步骤S23中所述改进的 YOLO v7 网络还用加权双向特征金字塔网络BIFPN取代原 YOLO v7中 Head 部分 Cat 模块使用的 FPN 特征融合技术，具体包括以下步骤：S231：构建一个包括底层的高分辨率特征和顶层的低分辨率特征多层级的加权双向特征金字塔网络BIFPN，其中每个层级代表不同的尺度特征；

S232：在每个层级中执行双向的特征融合操作；自底向上时融合当前层和上层的特征，自顶向下时融合当前层和下层的特征，生成融合特征；

S233：对融合特征进行加权和规范化，以平衡不同层级的贡献和消除特征之间的差异。

2.根据权利要求1所述的基于多头注意力和BIFPN改进YOLO v7的毫米波违禁品检测方法，其特征在于，所述步骤S1：使用毫米波雷达主动捕获目标回波，再利用距离徙动算法RMA重建目标的毫米波三维图像，并通过在距离向上投影得到二维毫米波图像，具体包括：S11：使用片上毫米波雷达通过发射和接收低功率的调频连续FMCW毫米波，主动获得目标的空间位置、速度、反射强度回波信息；

S12：使用 RMA 成像算法获得毫米波雷达三维成像；

S13：将预处理后的数据转换为图像格式，得到毫米波图像，首先对三维成像数据进行幅度和相位的计算，然后将幅度数据映射到灰度值范围0至255，得到最终的二维毫米波图像。

3.根据权利要求2所述的基于多头注意力和BIFPN改进YOLO v7的毫米波违禁品检测方法，其特征在于，所述步骤S12：使用 RMA 成像算法获得毫米波雷达三维成像，具体包括：S121：获取三维回波数据s(x, y, k)；

S122：对三维回波数据沿扫描方向(x, y)做二维傅里叶变换，由此得到在三维波数据域(kx , ky, k)均匀排布的回波数据；

S123：对三维波数据域(kx , ky, k)的回波数据进行插值及维度转换，得到在三维波数据域(kx , ky, k)均匀排布的数据；

S124：对三维波数据域(kx , ky, k)的回波数据做逆三维傅里叶变换，得到目标在三维空间域(x, y, z)内的重建图像。

4.根据权利要求1所述的基于多头注意力和BIFPN改进YOLO v7的毫米波违禁品检测方法，其特征在于，所述步骤S3根据网络输出层获取的特征提取信息进行违禁品目标检测与识别，具体包括以下步骤：S31：将网络输出按照预定义的锚框形状进行解码，生成可能包含违禁品的候选目标框和置信度；

S32：对候选目标框进行筛选，剔除置信度低于阈值的候选目标框；

S33：应用非极大值抑制NMS算法对筛选后的候选目标框进行进一步优化，具体步骤如下：S331：选择具有最高置信度的候选目标框与当前候选目标框；

S332：计算两个候选目标框之间的交并比IoU；

S333：将交并比IoU与预定阈值进行比较，如果当前候选目标框与其他高置信度候选目标框的 IoU 大于预定阈值，则认为当前候选目标框是具有较高重叠度的，删除当前候选目标框，从而得到最终的目标检测结果。

5.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至4任一项所述基于多头注意力和BIFPN改进YOLO v7的毫米波违禁品检测方法。

6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于多头注意力和BIFPN改进YOLO v7的毫米波违禁品检测方法。

7.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于多头注意力和BIFPN改进YOLO v7的毫米波违禁品检测方法。