1.毫米波SAR人体安检图像违禁品检测方法，其特征在于：包括：

步骤一、采集人体安检图像，构建数据集；

步骤二、对数据集中的目标进行标注，得到标注好的数据集；

步骤三、基于步骤一的数据集对FSRCNN模型进行迭代训练，得到训练好的FSRCNN模型，将步骤二中标注好的数据集输入训练好的FSRCNN模型中，得到超分辨重建图像；

步骤四、基于改进的YOLOv5s算法对超分辨重建图像进行训练，当损失函数 最小时，得到违禁品检测模型；

步骤五、将待检测人体安检图像输入训练好的FSRCNN模型进行超分辨重建，将超分辨重建图像输入违禁品检测模型，得到检测结果。

2.根据权利要求1所述的毫米波SAR人体安检图像违禁品检测方法，其特征在于：所述步骤二中使用LabelImg图像标注软件，按照PASCAL VOC数据格式对数据集中的目标进行矩形边界标注。

3.根据权利要求1所述的毫米波SAR人体安检图像违禁品检测方法，其特征在于：所述步骤三中FSRCNN模型的结构包括特征提取层、收缩层、非线性特征映射层、扩大层、反卷积层，特征提取层从输入的数据集中提取有用特征，特征提取层卷积核大小为5，输出通道数为d，收缩层通过一个1×1的卷积核将特征通道从d降低到s，每个非线性特征映射层是3×3的卷积核，经非线性特征映射层对图像特征进行细化和增强，扩大层是一个1×1的卷积层，用于拓展特征通道数从s回到d，反卷积层使用ConvTranspose2d卷积降低分辨率的特征图上采样到高分辨率。

4.根据权利要求1所述的毫米波SAR人体安检图像违禁品检测方法，其特征在于：所述步骤三中基于步骤一的数据集对FSRCNN模型进行迭代训练使用Adam算法进行优化训练，当损失函数MSE达到最小或到达迭代总次数时，停止训练，损失函数MSE用来衡量超分辨重建图像与原始高分辨率图像之间的误差，计算公式为：其中，Yi是原始图像中的像素值， 是FSRCNN模型预测的超分辨重建图像中的像素值，n为数据集的样本数量。

5.根据权利要求1所述的毫米波SAR人体安检图像违禁品检测方法，其特征在于：所述步骤四中损失函数 的计算公式为：其中，d1、d2分别为对应顶点的距离，

和 分别为真实框Bgt左上角和右下角，

和 分别为预测框Bpre左上角和右下角，w、h分别为输入的超分辨重建图像的宽度、高度。

6.毫米波SAR人体安检图像违禁品检测装置，其特征在于：包括：

数据采集单元，用于采集人体安检图像，构建数据集；

数据标注单元，用于对数据集中的目标进行标注，得到标注好的数据集；

超分辨重建单元，用于基于数据采集单元的数据集对FSRCNN模型进行迭代训练，得到训练好的FSRCNN模型，将数据标注单元中标注好的数据集输入训练好的FSRCNN模型中，得到超分辨重建图像；

模型训练单元，用于基于改进的YOLOv5s算法对超分辨重建图像进行训练，当损失函数最小时，得到违禁品检测模型；

模型检测单元，用于将待检测人体安检图像输入训练好的FSRCNN模型进行超分辨重建，将超分辨重建图像输入违禁品检测模型，得到检测结果。

7.根据权利要求6所述的毫米波SAR人体安检图像违禁品检测装置，其特征在于：所述数据标注单元中使用LabelImg图像标注软件，按照PASCAL VOC数据格式对数据集中的目标进行矩形边界标注。

8.根据权利要求1所述的毫米波SAR人体安检图像违禁品检测装置，其特征在于：所述超分辨重建单元中FSRCNN模型的结构包括特征提取层、收缩层、非线性特征映射层、扩大层、反卷积层，特征提取层从输入的数据集中提取有用特征，特征提取层卷积核大小为5，输出通道数为d，收缩层通过一个1×1的卷积核将特征通道从d降低到s，每个非线性特征映射层是3×3的卷积核，经非线性特征映射层对图像特征进行细化和增强，扩大层是一个1×1的卷积层，用于拓展特征通道数从s回到d，反卷积层使用ConvTranspose2d卷积降低分辨率的特征图上采样到高分辨率。

9.根据权利要求1所述的毫米波SAR人体安检图像违禁品检测装置，其特征在于：所述超分辨重建单元中基于数据采集单元的数据集对FSRCNN模型进行迭代训练使用Adam算法进行优化训练，当损失函数MSE达到最小或到达迭代次数时，停止训练，损失函数MSE用来衡量超分辨重建图像与原始高分辨率图像之间的误差，计算公式为：其中，Yi是原始图像中的像素值， 是FSRCNN模型预测的超分辨重建图像中的像素值，n为数据集的样本数量。

10.根据权利要求1所述的毫米波SAR人体安检图像违禁品检测装置，其特征在于：所述模型训练单元中损失函数 的计算公式为：其中，d1、d2分别为对应顶点的距离，

和 分别为真实框Bgt左上角和右下角，

和 分别为预测框Bpre左上角和右下角，w、h分别为输入的超分辨重建图像的宽度、高度。