1.一种自然场景下多阶段草莓果实快速检测方法，其特征在于：第一步，自然环境中拍摄草莓图像数据，按照生长阶段将草莓果实划分为6类：成熟果实、变色期幼果、膨大期幼果、初期幼果、花朵和花蕾；

第二步，使用指挥网络提取细节指导特征：第2.1步，将上述第一步得到的草莓图像作为输入，首先使用卷积核大小为3×3的深度卷积层将图像大小归一化为608×608像素，然后使用卷积核大小为1×1的卷积层进行特征提取，得到输出的特征图为G2.1；

第2.2步，使用卷积核大小为3×3的深度可分离卷积层提取G2.1的特征，得到输出的特征图为G2.2，如下公式(1)所示：G2.2＝γ3(G2.1)                 (1)其中：γ3为卷积核大小为3×3的深度可分离卷积层；

第2.3步，使用卷积核大小为1×1的卷积层扩充通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，得到输出的特征图为G2.3，如下公式(2)所示：G2.3＝γ3(φ1(G2.2))              (2)其中：γ3为卷积核大小为3×3的深度可分离卷积层，φ1为卷积核大小为1×1的卷积层；

第2.4步，使用卷积核大小为1×1的卷积层扩充通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，得到输出的特征图为G2.4，如下公式(3)所示：G2.4＝γ3(φ1(G2.3))              (3)其中：γ3为卷积核大小为3×3的深度可分离卷积层，φ1为卷积核大小为1×1的卷积层；

第2.5步，使用卷积核大小为1×1的卷积层扩充通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，得到输出的特征图为G2.5，如下公式(4)所示：G2.5＝γ3(φ1(G2.4))             (4)其中：γ3为卷积核大小为3×3的深度可分离卷积层，φ1为卷积核大小为1×1的卷积层；

第三步，使用指挥网络与主干网络相结合的双流网络提取特征：第3.1步，将特征图G2.1作为输入特征图，使用卷积核大小为3×3的深度可分离卷积层进行特征降维，然后与第2.2步中提取的特征G2.2相加，得到特征图G3.1，如下公式(5)所示：G3.1＝γ3(G2.1)+G2.2           (5)其中：γ3为卷积核大小为3×3的深度可分离卷积层；

第3.2步，构建Drs_2模块并提取特征：将特征图G3.1作为输入特征图，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.1相加，得到特征图G3.2.1，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.2.1相加后使用卷积核大小为1×1的卷积层提取输出特征图G3.2；

第3.3步，将特征图G3.2作为输入特征图，使用卷积核大小为3×3的深度可分离卷积层进行特征降维，然后与第2.3步中提取的特征G2.3相加，得到特征图G3.3，如下公式(6)所示：G3.3＝γ3(G3.2)+G2.3           (6)其中：γ3为卷积核大小为3×3的深度可分离卷积层；

第3.4步，构建Drs_4模块并提取特征：将特征图G3.3作为输入特征图，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.3相加，得到特征图G3.4.1，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.4.1相加得到特征图G3.4.2，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.4.2相加得到特征图G3.4.3，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.4.3相加后使用卷积核大小为1×1的卷积层提取输出特征图G3.4；

第3.5步，将特征图G3.4作为输入特征图，使用卷积核大小为3×3的深度可分离卷积层进行特征降维，然后与第2.4步中提取的特征G2.4相加，得到特征图G3.5，如下公式(7)所示：G3.5＝γ3(G3.4)+G2.4              (7)其中：γ3为卷积核大小为3×3的深度可分离卷积层；

第3.6步，构建Drs_8模块并提取特征：将特征图G3.5作为输入特征图，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.5相加，得到特征图G3.6.1，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.6.1相加得到特征图G3.6.2，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.6.2相加得到特征图G3.6.3，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.6.3相加得到特征图G3.6.4，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.6.3相加得到特征图G3.6.4，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.6.4相加得到特征图G3.6.5，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.6.5相加得到特征图G3.6.6，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.6.6相加得到特征图G3.6.7，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，与G3.6.7相加后使用卷积核大小为1×1的卷积层提取输出特征图G3.6；

第3.7步，将特征图G3.6作为输入特征图，使用卷积核大小为3×3的深度可分离卷积层进行特征降维，然后与第2.5步中提取的特征G2.5相加，得到特征图G3.7，如下公式(8)所示：G3.7＝γ3(G3.6)+G2.5      (8)其中：γ3为卷积核大小为3×3的深度可分离卷积层；

第3.8步，再次使用Drs_8模块进行特征提取，得到特征图G3.8；

第四步，将上述第3.6步、第3.8步输出的特征图进行两级特征融合：第4.1步，将第3.6步提取的特征图G3.6作为输入，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，得到特征图G4.1；

第4.2步，使用卷积核大小为1×1的卷积层提取G4.1的特征，得到特征图G4.2，特征值作为预测值；

第4.3步，将特征图G4.1进行二倍上采样，与第3.8步输出的特征图G3.8进行特征拼接，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，使用卷积核大小为1×1的卷积层提升通道数，使用卷积核大小为3×3的深度可分离卷积层提取特征，使用卷积核大小为1×1的卷积层提取特征，得到特征图G4.3，特征值作为预测值；

第五步，使用结合指数增强二值交叉熵和二倍增强均方误差的损失函数计算上述第

4.2步、第4.3步输出的预测值与实际值之间的损失；

第六步，对模型预测结果进行NMS，生成最终检测结果；

至此，完成了自然场景下基于DL‑YOLOv3的多阶段草莓果实检测。

2.根据权利要求1所述的自然场景下多阶段草莓果实快速检测方法，其特征在于：所述第五步中指数增强二值交叉熵的增强指数 为20，S为19。

3.根据权利要求1所述的自然场景下多阶段草莓果实快速检测方法，其特征在于：所述第六步的NMS，全称为Non‑Maximum Suppression，中文名为非极大值抑制，为本技术领域公知的算法。