1.一种基于人工智能的船舶靠泊撞击力测试系统，其特征在于，包括数据采集模块，用于循环重复对其包括的每一个测力装置进行测量，得到每一个测力装置所感测的压力测量结果；

数据处理模块，用于将数据采集模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集；

图形处理模块，用于将压电变化矩阵图形集中压电变矩阵图形的第一类异常点位进行修复处理，并得到做最终压电变化矩阵图形集；

显示处理模块，用于训练目标检测图像，并对最终压电变化矩阵图形集中的监测目标进行标记；

显示模块，用于接收并显示最终压电变化矩阵图形集以及标记的监测目标；

其中，将数据采集模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集的步骤包括：S2.1将一循环周期内得到的每一个测力装置的压力测量结果进行归一化处理，将压力测量结果归一化为0 255值色彩深度的B色图像，归一化处理公式：~

；

式中： 为矩阵第x行第y列的色彩深度值， 为检测获取的测力装置电阻， 为基准电阻， 为二极管电阻， 为电阻应变片最大有效电阻值；其中，归一化后的数据上限为测力装置额定电阻上限， 大于等于0小于等于255， 值等于255时为过限点；

S2.2将每一个测力装置归一化处理后的压力测量结果汇集为压电矩阵图；

S2.3按周期获取时间依次按时间轴排列压电矩阵图，并得到压电变化矩阵图形集；

数据采集模块还包括测力矩阵；

测力矩阵布设在码头或船身，船身与码头接触时测力矩阵产生的压电信号构成压电变化矩阵图形集，测力矩阵为测力装置组成的n×m的矩阵，其中n、m均为大于1的整数。

2.一种基于人工智能的船舶靠泊撞击力测试方法，其特征在于，具体步骤包括：S1在待测区域设置矩阵检测模块，检测并得到矩阵检测模块中包括的每一测力装置的压力测量结果；

S2将矩阵检测模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集；

S3将压电变化矩阵图形集中压电变矩阵图形的第一类异常点位进行修复处理，并得到最终压电变化矩阵图形集；

S4训练目标检测图像，并对最终压电变化矩阵图形集中的监测目标进行标记；

S1具体步骤包括：

S1.1在所选待测区域上设置数据采集模块，数据采集模块采用测力矩阵，测力矩阵具有多个线性导体列和多个线性导体行；其中，线性导体列不平行于线性导体行，且测力矩阵具有测力装置，其中每一个测力装置设置在列和行的交叉处，且其中，测力装置包括电阻应变片，电阻应变片根据绝缘材料的压缩而变化；

S1.2循环重复对于测力矩阵的每一个测力装置进行测量，得到每一个测力装置所感测的压力测量结果；

S1.2的具体步骤包括：

S1.2.1选择测力矩阵中任一线性导体列并向所选的列施加高电平，未选列接入低电平；

S1.2.2选择测力矩阵中任一线性导体行并向所选的行接入低电平，未选列接入高电平；

S1.2.3测量所选的线性导体行的电流以由此测量所选的列和行的交叉处的测力装置的电阻；其中，测力装置还包括二极管，线性导体列、二极管、电阻应变片、线性导体行依次串联；

S1.2.4为所选行提供固定的基准电阻；

S1.2.5通过将所感测的测力装置的测量电阻与固定基准电阻进行比较，从而确定所感测的测力装置的压力测量结果；

S2具体步骤包括：

S2.1将一循环周期内得到的每一个测力装置的压力测量结果进行归一化处理，将压力测量结果归一化为0 255值色彩深度的B色图像，归一化处理公式：~

；

式中： 为矩阵第x行第y列的色彩深度值， 为检测获取的测力装置电阻， 为基准电阻， 为二极管电阻， 为电阻应变片最大有效电阻值；其中，归一化后的数据上限为测力装置额定电阻上限， 大于等于0小于等于255， 值等于255时为过限点；

S2.2将每一个测力装置归一化处理后的压力测量结果汇集为压电矩阵图；

S2.3按周期获取时间依次按时间轴排列压电矩阵图，并得到压电变化矩阵图形集；

S3具体步骤包括：

S3.1获取压电变化矩阵图形集中每一帧压电矩阵图；

S3.2获取压电矩阵图中过限点；其中，过限点为归一化数据上限，若该帧压电矩阵图任一点位为255色彩深度则判定为过限点；

S3.3若同一点位为过限点且未达到n帧则判定为第一类异常点，且发出第一类异常点信号；

S3.3若同一点位与邻域均差大于m色彩深度值则判定为第一类异常点，且发出第一类异常点信号；

S3.5若连续n帧同一点位为过限点则判定为第二类异常点，且发出第二类异常点待维护信号；

S3.5对第一类异常点进行点位修复后生成最终压电矩阵图；

S3.5.1选取第一类异常点中的任一点作为中心点；

S3.5.2在中心点的满足预设条件的邻域内寻找与中心点最佳匹配的最佳匹配点，其中，预设条件的邻域为中心点周围9*9的区域；通过如下公式寻找最佳匹配块：；

式中： 表示最佳匹配点，Q表示0 254色彩深度的点位， 表示中心点，P表示第一~类异常点， 表示中心点的邻域； 表示块 和块 之间的差距；

S3.5.5采用最佳匹配块中对应的像素点修复最先修复块中待修复的像素点；

S3.5.6判断修复的压电矩阵图是否还存在第一类异常点若是则跳转至步骤S3.5.1，若否，则修复完成；

S3.6将生成的最终压电矩阵图根据原帧位替换压电变化矩阵图形集中相应的原图，并生成最终压电变化矩阵图形集。

3.根据权利要求2所述的一种基于人工智能的船舶靠泊撞击力测试方法，其特征在于，S4具体步骤包括：S4.1获取撞击力矩阵测试公开数据集，对该数据集的训练集、测试集图形依次进行随机反转、缩放、裁剪，并根据设定的均值和标准差将图片归一化为0 255值色彩深度的B色图~像；

S4.2采用ResNet‑50神经网络对归一化后的图片进行特征提取，得到维度为(B，C，H，W)的特征图矩阵X，其中B为特征图的数量，H、W分别为特征图的高和宽，C为特征图的通道数；

S4.3构建皮尔森系数矩阵与注意力融合的目标检测模型：S4.3.1获取带有全局上下文信息的特征图矩阵F：其中，全局上下文信息为对同一观测对象连续观测周期内的任一帧图像信息；

计算特征图矩阵X中每一个特征值与其他所有特征值之间的皮尔森系数，构成皮尔森系数矩阵P；其中，特征值采用若干等差域值中的任一项、第一类异常点或第二类异常点；

将皮尔森系数矩阵P输入到一个输入层与输出层维度相同的多层感知机MLP中进行转化；

将转化后的皮尔森系数矩阵MP与特征图矩阵X做矩阵相乘，并将该矩阵相乘结果MF与特征图矩阵X进行残差连接并进行层归一化，得到层归一化后的残差连接矩阵F′；

将层归一化后的残差连接矩阵F′输入到前向反馈层FFN，该前向反馈层的输出结果为一个带有全局上下文信息的特征图矩阵F；

S4.3.2将S4.3.1得到的带有全局上下文信息的特征图矩阵F与Transformer编码器的第四个编码器层相连接，并将其与DETR网络结构中的解码器相连接，构成皮尔森系数矩阵与注意力融合的目标检测模型；

S4.4设置皮尔森系数矩阵与注意力融合的目标检测模型的损失函数Loss，采用梯度下降法对模型进行训练，得到训练好的目标检测模型；

S4.5将待测图像输入到训练好的目标检测模型中，得到待预测图像中的目标分类及目标定位坐标，通过目标定位坐标在图像中画出目标包围框并标注目标类别；其中，待测图像为最终压电变化矩阵图形集中的任一图像，目标类别包括各等差域值区域、第一类异常点区域、第二类异常点区域。

4.根据权利要求3所述的一种基于人工智能的船舶靠泊撞击力测试方法，其特征在于，S1具体步骤还包括：S1.3根据S4.5得到的第二类异常点区域，在执行五次检测周期后执行一次校验周期；

其中，在S1.2中对于测力矩阵的每一个测力装置进行测量的每一次循环为一次检测周期，对第二类异常点区域中的每一点位对应的测力装置分别进行测量为一校验周期。

5.根据权利要求4所述的一种基于人工智能的船舶靠泊撞击力测试方法，其特征在于，具体步骤还包括：S5通过显示模块接收并显示最终压电变化矩阵图形集以及标记的各等差域值区域、第一类异常点区域、第二类异常点区域。