1.一种基于深度可分离卷积的轻量化害虫目标检测方法，其特征在于，所述方法包括如下步骤：S1、数据采集与划分：

收集害虫图像，划分训练集与验证集；

S2、模型构建，具体为：

S21、使用自主设计的轻虫单元模块代替YOLOv8模型主干网络中的跨阶段融合模块，使用自主设计的轻虫下采样模块代替YOLOv8模型主干网络和头部网络中的卷积模块，替换后的模型命名为LP‑YOLO(l)模型；

所述轻虫单元模块中对特征图的操作具体为：首先执行通道拆分操作将特征图数据分为两路分支输入，其中一个分支中的特征图数据依次通过：卷积层、批量归一化层、激活层、深度可分离卷积层、批量归一化层、卷积层、批量归一化层和激活层，随后与另一分支进行特征联合，然后通过高效注意力机制层，然后再进行通道混洗操作后输出；

所述轻虫下采样模块中对特征图的操作具体为：不进行通道拆分，将特征图数据同时馈送到两个分支中，其中一个分支中的特征图数据依次通过：深度可分离卷积层、批量归一化层、卷积层、批量归一化层和激活层；其中另一个分支中的特征图数据依次通过：卷积层、批量归一化层、激活层、深度可分离卷积层、批量归一化层、卷积层、批量归一化层和激活层；随后两个分支进行特征联合，然后通过卷积注意力机制层，最后再进行通道混洗操作后输出；

S22、将LP‑YOLO(l)模型中轻虫下采样模块和轻虫单元模块的输出通道数减半，将LP‑YOLO(l)模型检测头的数量从原来的三个减少到两个，得到的模型命名为LP‑YOLO(s)模型；

S3、模型调整：首先训练LP‑YOLO(l)模型，然后利用训练得到的权重对LP‑YOLO(s)模型进行调整；

S4、模型训练：将训练集的数据输入调整后的LP‑YOLO(s)模型进行训练，以此获得符合要求的模型参数，并通过验证集验证效果；

S5、通过步骤S4训练后的LP‑YOLO(s)模型进行害虫目标检测。

2.根据权利要求1所述的基于深度可分离卷积的轻量化害虫目标检测方法，其特征在于，收集的害虫图像来自于IP102数据集。

3.根据权利要求2所述的基于深度可分离卷积的轻量化害虫目标检测方法，其特征在于，所述高效注意力机制层是由高效通道注意力机制和空间注意力机制组合而成的。

4.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1‑3所述方法的步骤。

5.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1‑3所述方法的步骤。