1.一种基于背景噪声削弱的无人机航拍小目标检测方法，其特征在于：包括以下步骤：

S1、对原始数据集中的数据进行增强，获取目标数据集，并将目标数据集按照batch大小进行分割，获取目标子数据集；

S2、构建YOLOv5神经网络；所述YOLOv5神经网络中的颈部网络用于对深层特征进行提取，并对浅层特征和深层特征进行融合，还用于削弱特征图中的背景噪声和负面语义信息；

YOLOv5神经网络中的头部网络用于对颈部网络输出的特征图中的局部信息和全局信息进行提取，并对不同大小的目标进行定位和分类；

S3、利用目标子数据集训练YOLOv5神经网络，得到YOLOv5神经网络模型；

S4、利用YOLOv5神经网络模型加载无人机航拍图片，并前向传播一次，即可对不同大小的目标进行定位和分类，并输出不同大小目标的Obj、Reg和Cls，其中，Obj表示预测目标的置信度，Reg表示预测目标的边框信息，Cls表示预测目标的类别；

其中，步骤S2中，所述YOLOv5神经网络是通过对现有的YOLOv5s神经网络的颈部网络和头部网络进行改进得到的，具体改进内容如下所示：将颈部网络中所有的Upsample层统一替换成CARAFE模块；

颈部网络中，在第二个Concat层及与其输出端连接的CBS模块之间，增加依次连接的第二个C3_2模块、第八个CBS模块、第三个CARAFE模块、第三个Concat层、第三个C3_2模块、第九个CBS模块、第四个Concat层、第四个C3_2模块，其中，第二个C3_2模块与第二个Concat层的输出端连接，第四个C3_2模块的输出端与第十个CBS模块连接，该第十个CBS模块即为YOLOv5s神经网络中与第二个Concat层输出端连接的CBS模块；第三个Concat层的输入端与第一个C3_1模块的输出端连接，第八个CBS模块的输出端与第四个Concat层的输入端连接；

颈部网络中增加第一个SEAM模块、第二个SEAM模块、第三个SEAM模块和第四个SEAM模块，第九个CBS模块、第四个C3_2模块、第五个C3_2模块和第六个C3_2模块的输出端分别连接第一个SEAM模块、第二个SEAM模块、第三个SEAM模块和第四个SEAM模块的输入端；

YOLOv5神经网络的头部网络替换现有的YOLOv5s神经网络中的头部网络，所述YOLOv5神经网络的头部网络包括第一个DPHead检测头、第二个DPHead检测头、第三个DPHead检测头和第四个DPHead检测头，第一个DPHead检测头、第二个DPHead检测头、第三个DPHead检测头和第四个DPHead检测头的输入端分别与第一个SEAM模块、第二个SEAM模块、第三个SEAM模块和第四个SEAM模块的输出端连接。

2.根据权利要求1所述的一种基于背景噪声削弱的无人机航拍小目标检测方法，其特征在于：步骤S1包括以下步骤：

S1‑1、加载原始数据集，对加载的原始数据集中的图片进行数据增强，获取目标数据集；

S1‑2、将目标数据集按照batch大小进行分割，得到多个目标子数据集。

3.根据权利要求1所述的一种基于背景噪声削弱的无人机航拍小目标检测方法，其特征在于：步骤S2中，第一个SEAM模块至第四个SEAM模块结构相同。

4.根据权利要求1所述的一种基于背景噪声削弱的无人机航拍小目标检测方法，其特征在于：步骤S2中，第一个DPHead检测头至第四个DPHead检测头的结构相同，功能也相同；

第一个DPHead检测头至第四个DPHead检测头均对颈部网络输出的特征图中的局部信息和全局信息进行提取，并对特征图中的不同大小的目标进行定位和分类；其中，第四个DPHead检测头定位和分类的目标、第三个DPHead检测头定位和分类的目标、第二个DPHead检测头定位和分类的目标、第一个DPHead检测头定位和分类的目标逐渐变小，第一个DPHead检测头能够对特征图中的更多小目标进行定位和分类。

5.根据权利要求3或4所述的一种基于背景噪声削弱的无人机航拍小目标检测方法，其特征在于：步骤S2中，第一个DPHead检测头包括依次连接的卷积块、可变形卷积模块和全局感知模块，全局感知模块分别连接第一个RepVGG模块和第一个普通卷积模块，第一个RepVGG模块还依次连接第二个RepVGG模块和第三个RepVGG模块，第一个普通卷积模块还依次连接第二个普通卷积模块和第三个普通卷积模块；其中，全局感知模块为现有的GP模块，本申请中，第一个普通卷积模块至第三个普通卷积模块的结构相同，且均与CBS模块的结构相同。

6.根据权利要求1所述的一种基于背景噪声削弱的无人机航拍小目标检测方法，其特征在于：步骤S3包括如下具体步骤：S3‑1、构建边框回归损失函数LIMPDIoU，用于计算YOLOv5神经网络的总损失；S3‑2、将所有的目标子数据集分批次输入到YOLOv5神经网络中，进行前向传播，并利用边框回归损失函数LIMPDIoU计算YOLOv5神经网络的总损失，在总损失的引导下进行反向传播，更新YOLOv5神经网络的权重参数矩阵和超参数，迭代150个 epoch后，即完成YOLOv5神经网络的训练过程，得到YOLOv5神经网络模型；其中，超参数包括学习率和迭代次数。