1.一种基于轻量级神经网络的计数杀虫灯，其特征在于，包括顶盖（1）和检测计数杀虫灯周边环境的传感器组件，所述顶盖（1）的下方设置有杀虫组件（2），所述杀虫组件（2）的下方设置有用于对害虫计数的计数收集箱（3）；所述计数收集箱（3）内设置有控制器；所述控制器内装载有用于对害虫计数的优化PestNet模型；所述传感器组件、杀虫组件（2）、计数收集箱（3）均与控制器电连接；所述计数收集箱（3）内设置有用于给本计数杀虫灯供电的电池；

所述计数收集箱（3）包括箱体（301），所述箱体（301）的顶部设置有漏斗（302），所述漏斗（302）的上端设置有水平的固定架（304），所述杀虫组件（2）与固定架（304）固定连接；所述漏斗（302）的下端连通有第一下落通道（303）；

所述第一下落通道（303）的底端设置有重量感应台（305），所述重量感应台（305）与控制器电连接；所述重量感应台（305）的两侧分别设置有水平设置的电动推杆（306）和计数组件；所述电动推杆（306）的活动端连接有推板（307），所述推板（307）的底端与重量感应台（305）抵接；所述推板（307）的上端固定连接有水平设置的挡板（308）；所述电动推杆（306）与控制器电连接，电动推杆（306）带动推板（307）水平移动；

所述计数组件包括暗箱（309），所述电动推杆（306）最大伸长状态下推板（307）与暗箱（309）远离第一下落通道（303）的侧壁抵接；

所述暗箱（309）与第一下落通道（303）连通，所述暗箱（309）上设置有隔离第一下落通道（303）的暗箱门（310），所述暗箱（309）的顶端设置有驱动暗箱门（310）上下移动的直线舵机（311）；所述暗箱（309）内设置有通过电动转轴与暗箱（309）侧壁转动连接的暗箱台（312），所述暗箱台（312）的表面覆有白色反光层；所述暗箱台（312）的上表面与重量感应台（305）的上表面留有间隙，所述暗箱（309）的顶端设置有对准暗箱台（312）拍摄的CCD相机（313）和为暗箱（309）内补光的LED补光灯（314）；所述直线舵机（311）、电动转轴、CCD相机（313）和LED补光灯（314）均与控制器电连接；

所述重量感应台（305）远离暗箱（309）的一侧向下倾斜，且重量感应台（305）远离暗箱（309）的一侧设置有供雨水流出的导流道（315）；所述重量感应台（305）与水平面成5°的夹角；所述推板（307）的下端设置有弹性滤网（316）；

所述箱体（301）外表面上还设置有用于放置诱虫剂的诱虫剂盒（317）；所述计数收集箱（3）的下端可拆卸连接有集虫箱（318）；所述暗箱（309）的底端与集虫箱（318）连通；所述电池位于箱体（301）的内部。

2.根据权利要求1所述的基于轻量级神经网络的计数杀虫灯，其特征在于，所述杀虫组件（2）包括回型电网（201），所述回型电网（201）的中心处设置有诱虫灯（202）；

所述回型电网（201）的外侧设置有电网清洁组件（203），所述电网清洁组件（203）包括用于清洁回型电网（201）的环形清洁刷（2031）；所述环形清洁刷（2031）上设置有驱动环形清洁刷（2031）沿回型电网（201）长度方向移动的移动组件；

所述移动组件包括中心对称设置在环形清洁刷（2031）对角上的两个螺杆（2032），所述环形清洁刷（2031）上设置有与螺杆（2032）配合连接的螺孔，两个所述螺杆（2032）的上端均设置有驱动螺杆（2032）转动的驱动电机（2033），所述螺杆（2032）的下端与计数收集箱（3）的顶部转动连接；

所述回型电网（201）、诱虫灯（202）和两个驱动电机（2033）均与控制器电连接。

3.根据权利要求1所述的基于轻量级神经网络的计数杀虫灯，其特征在于，所述控制器设置在箱体（301）的内部，所述控制器连接有物联网通信模块；所述控制器还连接有LCD屏幕（4）和信号天线（5）；所述LCD屏幕（4）和信号天线（5）均设置在箱体（301）的侧壁上，所述箱体（301）上还设置有凹槽，所述凹槽的顶端设置有按键；所述按键与控制器电连接。

4.根据权利要求1所述的基于轻量级神经网络的计数杀虫灯，其特征在于，所述传感器组件包括雨量传感器（601）、光量传感器（602）、温湿度传感器以及加速度传感器，所述光量传感器（602）设置在顶盖（1）上，所述顶盖（1）上设置有储雨槽（603），所述雨量传感器（601）设置在储雨槽（603）中；所述温湿度传感器和加速度传感器均设置在计数收集箱（3）内。

5.采用权利要求1‑4任一所述的基于轻量级神经网络的计数杀虫灯的计数方法，其特征在于，包括如下步骤：S1：所述计数收集箱对杀虫组件杀死的害虫进行拍摄收集得到原始图像；

S2：对原始图像进行预处理得到预处理图像；

所述对原始图像的预处理包括如下具体步骤：

A1：对原始图像进行高斯滤波处理，得到ImageI图像；

A2：对ImageI图像使用最大类间方差法进行分割，得到ImageII图像；

A2.1：设ImageI图像背景区域为B，害虫区域为P，ImageI图像中灰度值为i的像素点共有ni个，阈值T为ImageI图像的像素分割界限；

A2.2：将ImageI图像中属于害虫的像素点数量占整幅ImageI图像的比例记为ωP，计算得到害虫像素的平均灰度值μP；

A2.3：将ImageI图像中属于背景的像素点数量占整幅ImageI图像的比例记为ωB，计算得到背景像素的平均灰度值μB；

A2.4：计算ImageI图像的平均灰度值μ；

A2.5：利用平均灰度值μP和平均灰度值μB计算最大类间方差值 ；

A2.6：使用最大类间方差值对ImageI图像进行分割，得到二值化图像即ImageII图像；

A3：对ImageII图像进行腐蚀处理，得到ImageIII图像；

A4：对ImageIII图像使用中值滤波进行边缘平滑处理，得到ImageIV图像即预处理图像；

S3：将预处理图像输入优化PestNet模型，得到害虫数量；

所述优化PestNet模型包括依次连接的转换层、第一主干特征提取模块、第二主干特征提取模块、第三主干特征提取模块、加强特征提取模块和预测模块；

所述转换层包括Resize模块，所述Resize模块连接有3×3卷积模块；所述3×3卷积模块与第一主干特征提取模块连接；

所述第一主干特征提取模块包括依次连接的第一bneck 3×3卷积模块、第二bneck 3×3卷积模块、bneck 5×5卷积模块、第一bneck 5×5卷积注意力模块和第二bneck 5×5卷积注意力模块；所述第一bneck 3×3卷积模块与3×3卷积模块连接；所述第二bneck 5×5卷积注意力模块分别与第二主干特征提取模块和加强特征提取模块连接；

所述第二主干特征提取模块包括依次连接的第三bneck 3×3卷积模块、第四bneck 3×3卷积模块、第三bneck 5×5卷积注意力模块和第四bneck 5×5卷积注意力模块；所述第三bneck 3×3卷积模块与第二bneck 5×5卷积注意力模块连接；所述第四bneck 5×5卷积注意力模块分别与第三主干特征提取模块和加强特征提取模块连接；

所述第三主干特征提取模块包括依次连接的第五bneck 3×3卷积模块、bneck 3×3卷积注意力模块、第五bneck 5×5卷积注意力模块、第六bneck 5×5卷积注意力模块、SPPF模块和第一1×1卷积模块；所述第五bneck 3×3卷积模块与第四bneck 5×5卷积注意力模块连接；所述第一1×1卷积模块与加强特征提取模块连接；

所述加强特征提取模块包括与第一1×1卷积模块连接的第二1×1卷积模块，所述第一

1×1卷积模块输出第三有效特征层传递至第二1×1卷积模块，所述第二1×1卷积模块产生第一输出和第二输出，所述第一输出传递至第三上采样模块；所述第三上采样模块对第一输出进行采样操作后输出第三采样层，所述第四bneck 5×5卷积注意力模块输出第二有效特征层，所述第二有效特征层与第三采样层进行堆叠操作后输入至第一DWLayer模块，所述第一DWLayer模块连接有第三1×1卷积模块；所述第三1×1卷积模块产生第三输出和第四输出，所述第四输出传递到第二上采样模块；所述第二上采样模块对第四输出进行采样操作后输出第二采样层，所述第二bneck 5×5卷积注意力模块输出第一有效特征层，所述第一有效特征层与第二采样层进行堆叠操作后输入至第二DWLayer模块，所述第二DWLayer模块产生第五输出和第六输出；所述第五输出传递到预测模块；所述第六输出传递至第一下采样模块，所述第一下采样模块对第六输出进行下采样后得到第一采样层，所述第一采样层与第三输出进行堆叠操作后产生第七输出和第八输出；所述第七输出传递至第三DWLayer模块，所述第三DWLayer模块与预测模块连接；所述第八输出传递至第二下采样模块进行下采样后与第二输出进行堆叠操作后传递至第四DWLayer模块，所述第四DWLayer模块与预测模块连接；

所述预测模块包括与第二DWLayer模块连接的第一Detect Head模块，与第三DWLayer模块连接的第二Detect Head模块以及与第四DWLayer模块连接的第三Detect Head模块；

所述预测模块将第一Detect Head模块、第二Detect Head模块和第三Detect Head模块的结果共同输出得到计数结果。

6.根据权利要求5所述的计数方法，其特征在于，所述第一DWLayer模块、第二DWLayer模块、第三DWLayer模块以及第四DWLayer模块结构均相同，任意DWLayer模块包括与DWLayer模块输入端连接的残差分支和主干分支；所述主干分支包括依次连接的第一卷积归一化SiLu模块和第一深度可分离卷积归一化SiLU模块；所述残差分支包括第二卷积归一化SiLu模块；所述第一深度可分离卷积归一化SiLU模块和第二卷积归一化SiLu模块堆叠后连接有第三卷积归一化SiLu模块；所述第三卷积归一化SiLu模块与DWLayer模块输出端连接。

7.根据权利要求5所述的计数方法，其特征在于，所述步骤S3中对优化PestNet模型进行训练的方法包括如下步骤：C1：通过计数收集箱内CCD摄像机采集X张害虫的原始图像；

C2：对所有原始图像进行预处理后得到预处理图像，并使用Labelimg工具对预处理图像进行人工标注害虫区域，得到标注图像；

C3：将标注图像采用随机旋转和随机缩放的方式进行数据增强，得到3X张增强图像；

C4：将标注图像和增强图像混合后按照7∶2∶1的比例随机划分得到训练集、测试集和验证集；

C5：采用余弦退火策略和SGD优化器使用训练集对优化PestNet模型进行训练，初始训练参数Epoch为300，学习率为0.001，动量为0.9；

C6：使用测试集对优化PestNet模型的检测效果进行精度测试；

C7：使用验证集对优化PestNet模型进行参数调整；

C8：重复进行步骤C6‑C7直至损失函数趋于收敛状态，得到训练后的优化PestNet模型。