1.一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于包括以下步骤：

S1、建立灌装成品缺陷检测模型；

S2、建立灌装成品缺陷数据集；

S3、轻量化主干体征提取网络；

S4、重构增强特征提取网络；

S5、对灌装成品缺陷进行检测，输出缺陷检测结果。

2.根据权利要求1所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于步骤S1灌装成品缺陷检测模型包括主干特征提取网络、增强特征提取网络和多尺度结果输出，所述增强特征提取网络还内置有施加ECA机制的深度可分离卷积子网络即DSC‑ECA卷积块；

所述的主干特征提取网络主要进行输入图像样本的特征提取，其由普通卷积和bneck卷积构成；其中bneck卷积为：首先进行1×1的普通卷积，然后进行3×3的分离卷积后经过SE‑Net通道注意力机制网络，接着进行1×1点卷积后与输入相加得到最后输出结果；该网络进行特征提取之后即得到特征图输出①、特征图输出②、特征图输出③，其中特征图输出①和特征图输出②将进入增强提取网络中的2b，而特征图输出③将进入增强提取网络中的

2a；

所述的增强特征提取网络主要对主干特征提取网络所获得的特征图进行重复利用、拼接和融合以增强目标特征的优质表达，其主要由SPP‑Net即2a和施加ECA机制的深度可分离全面路径聚合网络2b构成；其中，2a对特征图输出③利用1×1、5×5、9×9、13×13四种大小的池化核来进行空间金字塔池化操作，输出结果会与特征图输出①和特征图输出②共同输入至2b；而2b则对输入的特征图进行上采样和下采样，其中上采样和下采样的过程均由子网络子网络DSC‑ECA卷积来实现；经过由2a和2b共同构成的增强特征提取网络的处理之后，在模型末端进行多尺度检测结果输出；

所述的多尺度结果输出即对增强特征提取网络的处理进行成品缺陷检测结果的输出，输出的结果分为结果输出Ⅰ、结果输出Ⅱ、结果输出Ⅲ；

所述的DSC‑ECA卷积块主要用于2b中对特征图进行上采样和下采样；其具体结构为：首先进行1×1的普通卷积，然后进行3×3的分离卷积后经过ECA‑Net通道注意力机制网络，接着进行1×1点卷积后与输入相加得到最后输出结果。

3.根据权利要求1所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于步骤S2灌装成品缺陷数据集包括图像采集和数据集制作两个部分。

4.根据权利要求3所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于图像采集由图像采集平台完成，该平台包括传送平台，设置在传送平台一侧的LED光源，对应LED光源设置在传送平台另一侧的光电传感器和CCD高速相机，以及用于图像存储和缺陷检测的计算机。

5.根据权利要求3所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于数据集制作是将图像采集中获得的数据经分类、整理、打标签后生成用于后续模型训练和精度测试的灌装成品缺陷数据集。

6.根据权利要求1所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于步骤S3轻量化主干特征提取网络是对深度可分离卷积网络进行参数重构和多尺度特征输出结构设计，进而作为算法的轻量级主干特征提取网络。

7.根据权利要求1所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于步骤S4重构增强特征提取网络包含三个部分：(1)首先采用深度可分离卷积策略对PANet进行轻量化，设计了深度可分离路径聚合网络DSC‑PANet；(2)其次在轻量化PANet基础上考虑顶层特征与底层特征的融合，设计轻量化的全路径聚合网络DSC‑FPANet；(3)最后对轻量级的FPANet中引入ECA通道注意力机制，设计施加ECA注意力机制的深度可分离全路径聚合网络DSC‑ECA‑FPANet。

8.根据权利要求1所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于步骤S5对灌装成品缺陷进行检测和输入是指输入416×416的灌装成品样本图像，运用设计后的轻量化的YOLOv4模型进行主干特征提取、特征增强复用，最后输出多尺度的特征图作为分类的结果。