1.一种基于深度学习的化工厂区智能安全检测方法，其特征在于，包括以下步骤：S1、在化工厂区存在安全隐患的区域安装多个摄像头，获取现场工人图像；

S2、采用改进的自适应小波阈值去噪处理原始图像；

S3、通过CycleGAN生成图像数据；

S4、标注预处理后的图像中的头部，躯干，四肢，构建数据集；

S5、构建改进的EfficientDet化工厂安全检测模型，改进包括在MBConv中引入改进的PSA注意力机制，改进双向特征金字塔网络BiFPN结构；

S6、将数据集输入改进的EfficientDet化工厂安全检测模型进行训练，检测模型性能；

S7、使用训练后的模型进行目标检测，检测现场收集到的化工厂图像，获取工人的防护装备佩戴情况及个人行为；

S8、根据目标检测的结果判断是否发生危险行为，通过前端界面实时显示化工厂的安全状况，有异常状况时，自动触发预警装置，发出报警信号；

步骤S2中所述改进的自适应小波阈值去噪，具体过程如下：S21、设s(x,y)为原始图像信号，n(x,y)为高斯白噪声信号，f(x,y)为受到噪声干扰的图像信号，可得：f(x,y)＝s(x,y)+n(x,y)

+

其中，x,y＝1,2,3…N；

S22、选择小波基对图像进行多尺度的小波分解，得到一系列在不同尺度上的高频、低频分量的小波系数；

S23、对于不同分解尺度选取阈值λ：

其中，σ为噪声的标准方差；N为图像长度；o为分解层数；

S24、阈值函数对高频系数wx,y进行阈值量化，得到高频估计系数S25、提出自适应阈值函数：

其中， 为高频估计系数；wx,y为高频系数；λ为阈值；sgn()为符号函数；R为调节因子；

S26、新阈值函数中的调节因子R影响去噪效果，因此通过猎食者优化算法寻找最优的调节因子R；

S27、根据小波分解后的低频系数以及各层阈值量化后的高频系数进行重构，得到去噪后的图像；

改进的PSA注意力机制，具体过程如下：

S521、通过挤压与拼接SPC模块将通道进行切分，对每个通道特征图上的空间信息进行多尺度特征提取；

S522、利用SEWeight模块提取不同尺度特征图的通道注意力，得到每个不同尺度上的通道注意力向量；

S523、原来的Softmax函数替换为Sparsemax函数；利用Sparsemax对多尺度通道注意力向量进行重新标定，得到新的多尺度通道交互之后的注意力权重；

S524、对重新校准的权重和相应的特征图按元素进行点乘操作，输出经过多尺度特征信息注意力加权后的特征图；

步骤S5中所述改进双向特征金字塔网络BiFPN结构，具体过程为：S531、改进的BiFPN融合中间特征信息，在自顶向下路径中，会获得中间信息S532、在自底向上的路径中，利用不同尺度的中间信息获得网络的输出：其中， 是第j层的输出特征，Pj是第j层的输入特征， 是第j层中间特征信息，ω是权重，Res是本分辨率匹配的上采样或下采样操作，Conv是用于特征处理的卷积运算，ε是校正值。

2.根据权利要求1所述的一种基于深度学习的化工厂区智能安全检测方法，其特征在于，步骤S26中所述的猎食者优化算法寻找最优的调节因子R，具体过程如下：S261、随机初始化种群位置，即阈值函数中的调节因子R；

S262、定义适应度函数为F：

F＝SNR+SSIM

式中，SNR为信噪比，SSIM为结构相似度；

S263、计算适应度值，并记录全局最优；

S264、更新猎物种群的位置；

S265、判断是否达到最大迭代次数，若没达到则重复步骤S262、S263，直到达到终止条件；

S266、输出全局最优解对应的粒子，将最优的种群位置作为调节因子R代入新阈值函数。

3.根据权利要求1所述的一种基于深度学习的化工厂区智能安全检测方法，其特征在于，步骤S7中所述获取工人的防护装备佩戴情况及个人行为，包括：未佩戴个人防护设备，误入危险区域进行高风险操作，禁止吸烟区域吸烟；所述个人防护设备包括安全头盔、安全眼镜、防护手套、安全鞋。

4.根据权利要求1所述的一种基于深度学习的化工厂区智能安全检测方法，其特征在于，步骤S8中所述前端界面实时显示化工厂的安全状况，检测结果将在前端界面实时显示，包括工人的防护装备佩戴情况及其具体位置信息。

5.一种基于深度学习的化工厂区智能安全检测系统，其特征在于，包括采集模块、预处理模块、EfficientDet化工厂安全检测模型以及检测模块；

所述采集模块在化工厂区存在安全隐患的区域安装多个摄像头，获取现场工人图像；

所述预处理模块采用改进的自适应小波阈值去噪处理原始图像；通过CycleGAN生成图像数据；标注预处理后的图像中的头部，躯干，四肢，构建数据集；

所述EfficientDet化工厂安全检测模型，包括构建改进的EfficientDet化工厂安全检测模型，改进包括在MBConv中引入改进的PSA注意力机制，改进双向特征金字塔网络BiFPN结构；将数据集输入改进的EfficientDet化工厂安全检测模型进行训练，检测模型性能；

所述检测模块使用训练后的模型进行目标检测，检测现场收集到的化工厂图像，获取工人的防护装备佩戴情况及个人行为；根据目标检测的结果判断是否发生危险行为，通过前端界面实时显示化工厂的安全状况，有异常状况时，自动触发预警装置，发出报警信号；

所述采用改进的自适应小波阈值去噪处理原始图像，具体过程如下：设s(x,y)为原始图像信号，n(x,y)为高斯白噪声信号，f(x,y)为受到噪声干扰的图像信号，可得：f(x,y)＝s(x,y)+n(x,y)

+

其中，x,y＝1,2,3…N；

选择小波基对图像进行多尺度的小波分解，得到一系列在不同尺度上的高频、低频分量的小波系数；

对于不同分解尺度选取阈值λ：

其中，σ为噪声的标准方差；N为图像长度；o为分解层数；

阈值函数对高频系数wx,y进行阈值量化，得到高频估计系数提出自适应阈值函数：

其中， 为高频估计系数；wx,y为高频系数；λ为阈值；sgn()为符号函数；R为调节因子；

新阈值函数中的调节因子R影响去噪效果，因此通过猎食者优化算法寻找最优的调节因子R；

根据小波分解后的低频系数以及各层阈值量化后的高频系数进行重构，得到去噪后的图像；

所述的猎食者优化算法寻找最优的调节因子R，具体过程如下：随机初始化种群位置，即阈值函数中的调节因子R；

定义适应度函数为F：

F＝SNR+SSIM

式中，SNR为信噪比，SSIM为结构相似度；

计算适应度值，并记录全局最优；

更新猎物种群的位置；

判断是否达到最大迭代次数，若没达到则重复寻优，直到达到终止条件；

输出全局最优解对应的粒子，将最优的种群位置作为调节因子R代入新阈值函数；

改进的PSA注意力机制，具体过程如下：

S521、通过挤压与拼接SPC模块将通道进行切分，对每个通道特征图上的空间信息进行多尺度特征提取；

S522、利用SEWeight模块提取不同尺度特征图的通道注意力，得到每个不同尺度上的通道注意力向量；

S523、原来的Softmax函数替换为Sparsemax函数；利用Sparsemax对多尺度通道注意力向量进行重新标定，得到新的多尺度通道交互之后的注意力权重；

S524、对重新校准的权重和相应的特征图按元素进行点乘操作，输出经过多尺度特征信息注意力加权后的特征图；

所述改进双向特征金字塔网络BiFPN结构，具体过程为：S531、改进的BiFPN融合中间特征信息，在自顶向下路径中，会获得中间信息S532、在自底向上的路径中，利用不同尺度的中间信息获得网络的输出：其中， 是第j层的输出特征，Pj是第j层的输入特征， 是第j层中间特征信息，ω是权重，Res是本分辨率匹配的上采样或下采样操作，Conv是用于特征处理的卷积运算，ε是校正值。