1.一种基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：包括以下步骤：S1：将获取的血液细胞图像数据集分为训练集、验证集、测试集，同时采用Mosaic算法对血细胞图像数据集进行增强；

S2：将输入图像输入改进的CSPDarkNet53网络得到多个特征图，将所述特征图传入Neck网络；

S3：通过Neck网络提取融合特征；

S4：使用YOLOv4对象检测算法对血液细胞图像进行预测，同时采用适当的置信度阈值消除虚假预测；

S5：取出步骤S4得到的每一类置信度得分大于一定阈值的预测边框进行置信度得分排序，利用预测边框的位置和置信度得分进行非极大抑制，得出概率最大的预测边框，也就是最后显示的预测边框；将生成的矩形预测边框通过计算转换为圆形预测边框，即：将左上角和右下角的坐标转换为半径和圆心；然后通过使用细胞的标签来对血液细胞计数；

S6：采用K‑最近邻算法和DIOU对检测模型的预测结果进行再次验证，消除血小板重复检测的问题，具体包括：使用KNN查找最近的血小板，应用DIOU计算已检测的血小板和与它相邻最近的血小板之间的重叠区，如果重叠区大于10％，判为重复检测。

2.根据权利要求1所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S2中所述CSPDarkNet53网络包含72个卷积层、Mish激活函数以及降低过拟合的Dropblock模块。

3.根据权利要求2所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S2中所述输入图像经过CSPDarkNet53网络后得到大小为76*76、38*38、19*19的特征图。

4.根据权利要求2所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S2中所述CSPDarkNet53网络的卷积公式为：其中，Wi,j是n*n大小的卷积核位于i,j处的元素；Ii',j'是与卷积核元素对应位置的像素值；

所述CSPDarkNet53网络的Mish激活函数为：

x

f(x)Mish＝x*tanh(ln(1+e)) (2)。

5.根据权利要求1所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：所述Neck网络包括空间金字塔池化模块SPP、特征金字塔网络FPN以及金字塔注意力网络PAN；

在所述SPP模块中，使用K＝{1*1,5*5,9*9,13*13}的最大池化的方式，再将不同尺度的特征图进行堆叠操作；

所述FPN层自顶向下传达强语义特征，所述PAN则自底向上传达强定位特征；

所述Neck网络针对三种检测对象：白细胞、红细胞、血小板，输出的三个特征层的shape分别为(76,76,24)、(38,38,24)、(19,19,24)。

6.根据权利要求1所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S4中，所述YOLOv4对象检测算法分别将整幅图分为19x19、38x38、76x76的网格，每个网络点负责一个区域的检测。

7.根据权利要求2所述的基于卷积神经网络的血液细胞图像检测与计数方法，其特征在于：步骤S5中，计算得出最后显示的预测边框坐标bx和by，以及宽高bw和bh，得到预测边框的位置，计算公式为：bx＝σ(tx)+cx (3)

by＝σ(ty)+cy (4)

σ(to)＝Pr(object)*IOU(b,object) (7)其中，(cx,cy)表示该点所在网格的左上角距离最左上角相差的格子数，(pw,ph)为先验框的宽和高，(tx,ty)基于矩形框中心点左上角格点坐标的偏移量，(tw,th)为预测边框的宽和高，to为置信度，σ(·)是激活函数，采用Sigmoid函数，概率在[0,1]之间，最终得到的预测边框坐标值是(bx,by,bw,bh)而网络学习目标是(tx,ty,tw,th)。