1.一种基于深度学习的人脸口罩佩戴情况检测方法，其特征在于，包括：实时获取待检测图像数据，对待检测数据进行图像增强处理；将增强后的待检测图像输入到训练好的口罩检测网络模型中，得到检测结果；根据检测结果对待检测图像进行标记；所述口罩检测网络模型包括主干特征提取网络模、Neck网络模块以及Prediction网络；所述主干特征提取模块包括残差块和CSPDarkNet‑X网络模块；所述Neck网络模块包括改进的PANet网络结构和FPN网络；采用CSPDarkNet‑Y网络模块对PANet网络结构进行改进优化。

2.根据权利要求1所述的一种基于深度学习的人脸口罩佩戴情况检测方法，其特征在于，对口罩检测网络模型进行训练的过程包括：S1：获取原始图像数据，对原始图像数据进行分类处理，即分为未佩戴口罩图像、未规范佩戴口罩图像以及规范佩戴口罩图；将分后的图像数据作为训练集；

S2：将训练集中的数据输入到主干特征提取模块中进行特征提取，得到全局特征；

S3：将主干特征网络模块提取的全局特征输入到Neck网络模块，得到多尺度局部特征；

S4：将全局特征和多尺度局部特征进行融合处理，得到融合特征图；

S5：将融合特征图输入到Prediction网络中，得到目标定位结果；

S6：根据目标定位结果计算模型的损失函数，并采用模型优化器不断调整模型的参数；

当损失函数的值最小时，完成模型的训练。

3.根据权利要求2所述的一种基于深度学习的人脸口罩佩戴情况检测方法，其特征在于，主干特征提取模块包括三个CSPDarkNet‑X网络模块，每个CSPDarkNet‑X网络模块中包含X个残差块，X个残差块串联构成一个残差单元组；将三个CSPDarkNet‑X网络模块串联，构成主干特征提取模块。

4.根据权利要求2所述的一种基于深度学习的人脸口罩佩戴情况检测方法，其特征在于，采用主干特征提取模块提取图像的全局特征的过程包括：S21：对训练集中的图像进行卷积操作，得到浅层特征图；

S22：将浅层特征图输入到CSPDarkNet‑X网络进行纹理特征提取并进行堆叠操作获取更丰富的特征层信息；

S23：将经过卷积操作和CSPDarkNet‑X模块特征提取后的特征信息输入到SPPNet模块中进行池化操作，从而提高主干特征的感受野并分离出特征层的上下文信息；

S24：将经过主干特征提取模块处理后的特征信息分为三部分输入到Neck网络中进行特征融合，得到全局特征图。

5.根据权利要求2所述的一种基于深度学习的人脸口罩佩戴情况检测方法，其特征在于，采用Neck网络模块对全局特征进行处理的过程包括：S31：将来自主干特征提取网络的全局特征信息进行堆叠和上采样操作，得到多尺度特征信息；

S32：将多尺度特征信息输入到CSPDarkNet‑Y模块中进行多尺度特征信息的提取；

S33：将提取的多尺度特征信息进行3×3的卷积操作，即让特征层的高和宽变成原来的

1/2；

S34：将上述步骤得到的多尺度特征信息进行特征融合，得到多尺度局部特征图。

6.根据权利要求2所述的一种基于深度学习的人脸口罩佩戴情况检测方法，其特征在于，采用Prediction网络对融合特征图进行处理的过程包括：步骤1：将Neck网络融合后的特征图划分为三个有效特征层，将三个有效特征层输入到预测网络中；三个有效特征层依次为13×13×24、26×26×24、52×52×24的网格；

步骤2：对三个有效特征层的每一个网格设置三个先验框，当图像的中心落在先验框中时，则由该先验框对该图像进行检测；

步骤3：采用非极大值抑制算法不断对先验框的尺寸进行学习并调整，从而不断地趋近于预测框的位置；当先验框的尺寸达到极大值时筛选出最终的预测框，该预测框为模型的检测结果。

7.根据权利要求2所述的一种基于深度学习的人脸口罩佩戴情况检测方法，其特征在于，模型的损失函数表达式为：

Loss‑function＝CIOUloss+Confidenceloss+Classloss其中，Loss表示损失函数，function表示函数，CIOUloss表示目标的定位损失函数，Confidenceloss表示目标的置信度损失函数，Classloss表示目标的分类损失函数，S表示网格大小，B表示每一个网格所对应的先验框个数， 表示特征层上第i个网格点中的第j个先验框，obj表示目标， 表示是否负责物体的检测， 表示口罩检测模型的实际输出值，λnoobj表示权重系数， 表示特征层上第i个网格点中的第j个先验框内不包含物体， 表示真实框中的物体属于类别c的概率， 表示模型预测第i个网格点中的第j个先验框是类别c的概率。

8.根据权利要求2所述的一种基于深度学习的人脸口罩佩戴情况检测方法，其特征在于，采用模型优化器不断调整模型的参数的过程包括：对模型参数初始化；采用Adam优化器对模型的参数进行学习并优化；在对参数进行学习优化过程中设置批大小为8，IOU为0.5，模型训练世代为50次，得到优化后的模型参数。