1.一种基于深度残差网络的对象级边缘检测方法，其特征在于：所述方法包括以下步骤：
步骤(1)：神经网络的搭建；
步骤(2)：对神经网络进行训练优化；
步骤(3)：完成对神经网络的训练；
步骤(4)：使用训练好的神经网络对通用图像进行检测，输出对象级边缘的灰度图像。
2.根据权利要求1所述的一种基于深度残差网络的对象级边缘检测方法，其特征在于：所述步骤(1)包括以下步骤：
步骤(1-1)：以深度残差网络为基础网络结构；
步骤(1-2)：将深度残差网络的卷积残差结构以混合空洞卷积残差块替换；
步骤(1-3)：在深度残差网络中增加多尺度特征增强模块；
步骤(1-4)：在深度残差网络中增加结合顶层语义特征的金字塔多尺度特征融合模块。
3.根据权利要求2所述的一种基于深度残差网络的对象级边缘检测方法，其特征在于：所述步骤(1-2)中，混合空洞卷积残差块为三层残差结构，所述残差结构的第一层、第二层和第三层的扩张系数分别设置为1、2和3。
4.根据权利要求2所述的一种基于深度残差网络的对象级边缘检测方法，其特征在于：所述步骤(1-3)中，多尺度特征增强模块包括特征提取层和特征融合层；
所述特征提取层采用1×1、3×3、5×5三种卷积核同时对图像进行特征提取，分别得到16、32和64通道的特征图像；
所述特征融合层采用级联的方式将特征提取层得到的特征图像进行融合，构成新的特征图，并采用1×1的卷积核对融合结果进行卷积，使得输出的特征图的通道数和输入的原始特征图一致，以输出的特征图作为金字塔多尺度特征融合模块的输入。
5.根据权利要求2所述的一种基于深度残差网络的对象级边缘检测方法，其特征在于：所述步骤(1-4)中，金字塔多尺度特征融合模块的融合方法包括以下步骤：
步骤(1-4-1)：对深度残差网络输出的低层特征图a采用大小为1×1的卷积核进行卷积，得到特征图b；
步骤(1-4-2)：使用双线性插值的上采样方法对多尺度特征增强模块输出的特征图c进行上采样，得到与低层特征图a相同尺度的特征图d；
步骤(1-4-3)：将深度残差网络中的顶层的语义特征e作为全局语义信息的引导，在融合过程中对语义特征e进行最大池化运算，再通过双线性插值得到与低层特征图a相同尺度的特征图f；
步骤(1-4-4)：通过级联方式融合特征图b、d、f，采用3×3的卷积核对融合结果进行卷积运算。
6.根据权利要求1所述的一种基于深度残差网络的对象级边缘检测方法，其特征在于：所述步骤(2)中，对训练的数据集进行数据增强；所述数据增强包括以下手段：
旋转；将数据集的图像以n个不同角度进行旋转；
和/或缩放；将图像以1.5、1.0、0.5的倍数进行放大及缩小；
和/或翻转；将图像按水平和垂直方向进行翻转；
和/或裁剪；将图像按水平和垂直方向的对称轴裁剪成原图像尺寸的一半；
记录以上所有处理得到的图像。
7.根据权利要求6所述的一种基于深度残差网络的对象级边缘检测方法，其特征在于：所述n为16，所述角度为[0°,22.5°,45°,…315°,337.5°]，相邻的角度间隔22.5°。
8.根据权利要求1所述的一种基于深度残差网络的对象级边缘检测方法，其特征在于：所述步骤(2)中，搭建的神经网络采用残差网络的预训练模型进行权重初始化，其中，预训练模型是残差网络在数据集上训练得到的初始模型；权值衰减设置为0.0005，学习率初始设置为0.00005；自第8个周期开始，每隔4个周期，学习率除以10，训练总计16个周期。