1.一种基于深度可分离卷积的多尺度融合烟雾分割方法，其特征在于，包括：
2.根据权利要求1所述的基于深度可分离卷积的多尺度融合烟雾分割方法，其特征在于，所述烟雾分割网络模型的训练方法包括：
3.根据权利要求2所述的基于深度可分离卷积的多尺度融合烟雾分割方法，其特征在于，步骤s1中，利用网站爬虫或分帧截取烟雾视频获得不同场景下的烟雾图像，进行筛选将烟雾图像统一为能进行网络训练的规格，并分割标注图像。
4.根据权利要求2所述的基于深度可分离卷积的多尺度融合烟雾分割方法，其特征在于，步骤s2中，利用数据增强技术对原始烟雾数据集进行数据增强处理，包括：对原始烟雾数据集进行随机旋转、裁剪、翻转和缩放以及随机亮度、饱和度和对比度变化操作进行数据增强，扩充烟雾数据集。
5.根据权利要求2所述的基于深度可分离卷积的多尺度融合烟雾分割方法，其特征在于，步骤s3中，编码模块采用改进的xception作为骨干网络，初始图像输入到编码模块，经输入流、中间流和输出流卷积运算，生成分辨率为初始图像1/16的特征向量；中间流是主要特征学习模块，由8个重复的分离卷积模块dscm直连组成，每个分离卷积模块由3个728通道的深度分离卷积以残差结构连接；采用残差连接的中间流结构，用1×1卷积把输入通道数降为600后，将8个分离卷积模块均分成4组，每组以残差连接再次使用1×1卷积把通道数恢复为728，得到骨干网络提取的采样率为2的第一特征张量、采样率为4的第二特征张量、采样率为8的第三特征张量、采样率为16的第四特征张量；
6.根据权利要求5所述的基于深度可分离卷积的多尺度融合烟雾分割方法，其特征在于，步骤s3中，解码模块采用通道特征增强模块、多尺度特征融合模块、卷积和上采样，通过上采样恢复图像尺寸并完成烟雾图像分割；
7.根据权利要求1所述的基于深度可分离卷积的多尺度融合烟雾分割方法，其特征在于，所述通道特征增强模块引入通道注意力机制，通道注意力机制包括压缩和激活两部分；
8.根据权利要求1所述的基于深度可分离卷积的多尺度融合烟雾分割方法，其特征在于，步骤s4包括：将训练集的烟雾图像作为烟雾分割网络的输入图像，统一输入图像的大小，网络使用带动量的随机梯度下降算法进行训练，循环次数设置为200000，动量为0.9，初始学习率设置为1×10-4，终止学习率设置为1×10-5，学习率随训练次数线性递减；根据计算机配置batchsize设置为4，aspp空洞卷积速率设置为6，12，18。
9.一种基于深度可分离卷积的多尺度融合烟雾分割装置，其特征在于，包括处理器及存储介质；
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。