1.一种基于MobilenetV3的小麦头快速检测方法，其特征在于，具体步骤如下：(1)通过收集并处理Kaggle网站上公布的小麦头图片和相关标签获得GWHD数据集；

(2)搭建Wheat_YOLO网络模型；

(3)使用处理好的GWHD数据集对模型进行训练；

(4)保存最优模型用于真实场景下的小麦头检测中；

所述步骤(1)中获取全球小麦头检测数据集的具体步骤如下：(1.1)从Kaggle竞赛网站上下载Global Wheat Detection数据集并进行处理得到数据集a0；

(1.2)利用图像增强技术对数据集a0中的样本进行扩充得到数据集a1；

(1.3)将数据集a1按照一定比例进行划分，仿照VOC2007的格式处理获得；

所述步骤(2)中搭建Wheat_YOLO网络模型的具体步骤如下：(2.1)搭建Wheat_YOLO的特征提取网络MobileNetV3‑Large；

(2.2)在检测分支中通过DownSample操作增加一条自底向上的信息通道，并在每个concat操作后增加SE block，同时使用深度可分离卷积替换普通卷积搭建Wheat_YOLO的检测网络；

(2.3)设置二元交叉熵损失函数作为网络的置信度和分类损失函数，平方差损失函数作为网络的回归损失函数，三者相加得到网络的损失函数model_loss；

(2.4)将特征提取网络、检测网络和损失函数结合得到小麦头检测网络模型model；

所述步骤(3)中使用GWHD数据集训练Wheat_YOLO网络模型的具体步骤如下：(3.1)根据训练集中目标编号从包含所有目标所有信息的txt文件中提取所需信息得到train.txt文件；

(3.2)根据验证集中目标编号从包含所有目标所有信息的txt文件中提取所需信息得到val.txt文件；

(3.3)使用融合了线性尺度缩放的K‑ means ++算法对训练验证集中的所有目标执行聚类操作获得所需的anchor box；

(3.4)定义输入网络的图片的宽高、计数变量m、n和e并赋值；

(3.5)使用model加载MobilenetV3_large预训练权重；

(3.6)冻结训练模型前227层；

(3.7)设置Adam作为网络的优化函数，批训练数量epoch为200，初始学习率lr为0.001，批大小batch‑size为8；

(3.8)进行模型训练并更新网络参数和计数变量；

(3.9)若n＝2，则更新学习率，重置n；

(3.10)当 若m＝10，则 执行步骤3.11，否则执行步骤3.8；

(3.11)当 若m＝10或e＝200，则执行步骤3.14，否则执行步骤3.12；

(3.12)若 则重新设置学习率；

(3.13)对所有网络层进行训练并更新网络参数和计数变量，执行步骤3.9；

(3.14)保存模型权重last1.h5，模型训练结束；

所述步骤(4)中保存最优模型用于真实场景下的小麦头检测具体步骤如下：(4.1)采集并处理原始数据使其符合输入要求；

(4.2)加载最优模型对输入网络中的图片进行预测；

(4.2)获得各检测目标的类别名、置信度分数和对应的目标框坐标信息，并展示在图片上，检测结束。