1.一种基于yolo-v7的井下风险检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于yolo-v7的井下风险检测方法，其特征在于，所述s3中yolo-v7算法是基于深度学习的回归方法，采用全卷积神经网络进行实时目标检测，所述yolo-v7算法的核心为将整张图片作为网络的输入，直接在输出层对边界框的位置和类别进行回归。
3.根据权利要求1所述的一种基于yolo-v7的井下风险检测方法，其特征在于，所述s2中采用数据增强的方法具体为yolo目标检测算法，所述yolo目标检测算法采用mosaic和mixup两种图像预处理技术。
4.根据权利要求3所述的一种基于yolo-v7的井下风险检测方法，其特征在于，所述mosaic图像预处理技术的步骤包括：随机选取四张图片，通过几何变换的方式拼接成一张图片，丰富检测物体的背景，提升小目标的检测效果，所述几何变换的方式包括随机裁剪、缩放和旋转。
5.根据权利要求3所述的一种基于yolo-v7的井下风险检测方法，其特征在于，所述mixup技术的步骤包括：将两张不同类别的图片按照一定的混合系数进行融合，提高网络在测试阶段的鲁棒性。
6.根据权利要求1所述的一种基于yolo-v7的井下风险检测方法，其特征在于，所述s2中针对井下环境的特殊性，对所述数据采集设备采集到的高清晰度图片，通过添加噪声和调节亮度的方法扩充原始数据集的体量，提高模型针对井下环境的识别精度。
7.根据权利要求1所述的一种基于yolo-v7的井下风险检测方法，其特征在于，所述yolo-v7神经网络的结构包括训练数据单元、backbone单元、neck单元、head单元和锚框单元，所述yolo-v7神经网络的处理步骤包括：进行训练数据，通过backbone单元初步提取经过预处理的数据的图像特征，之后再经neck单元处理后输出三层不同尺寸的特征图，所述三层特征图最终经过head单元处理输出预测结果，所述三层不同尺寸的特征图在经过head单元后输出三个尺寸的锚框，完成占画面比例较大目标和占画面比例较小的目标的同时检测。
8.根据权利要求1所述的一种基于yolo-v7的井下风险检测方法，其特征在于，所述s4中进行目标检测时利用yolo目标检测算法进行检测，所述yolo目标检测算法在训练模型时通过前向传播和反向传播对神经网络参数进行优化，所述反向传播用于通过损失函数计算真实值与预测值的误差，得到神经网络中每个神经元的残差，再基于链式求导法则确定残差梯度，通过梯度下降法对神经网络参数进行优化调试。
9.根据权利要求8所述的一种基于yolo-v7的井下风险检测方法，其特征在于，所述yolo目标检测算法中的损失函数采用eiou函数，采用如下公式计算定位损失：
10.根据权利要求9所述的一种基于yolo-v7的井下风险检测方法，其特征在于，所述eiou损失函数包括三个部分：重叠损失，中心距离损失和宽高损失，所述eiou损失函数结合用于图像领域解决数据不平衡造成的模型性能问题的focalloss函数，采用focal-eiouloss计算惩罚项：