1.一种基于无人机视觉感知的定点降落方法，其特征在于，包括：
2.根据权利要求1所述的一种基于无人机视觉感知的定点降落方法，其特征在于，改进的yolov5检测模型包括：input层、改进的backbone网络、改进的neck网络以及改进的head网络；改进的backbone网络对原始yolov5网络的改进包括：在原始yolov5网络的backbone网络的每个c3模块后添加一个cbam模块，将原始yolov5网络的backbone网络的第一个卷积模块替换为focus模块；其中，cbam模块为卷积注意力模块。
3.根据权利要求2所述的一种基于无人机视觉感知的定点降落方法，其特征在于，改进的neck网络对原始yolov5网络的改进包括：在原始yolov5网络的neck网络中引入bifpn；其中，bifpn为双向特征金字塔网络。
4.根据权利要求3所述的一种基于无人机视觉感知的定点降落方法，其特征在于，原始yolov5网络的neck网络包括自底向上的特征融合阶段a1和自顶向下的特征融合阶段a2，自底向上的特征融合阶段a1包括：卷积模块、upsample模块、concat模块、c3模块；自顶向下的特征融合阶段a2包括：卷积模块、concat模块、c3模块；
5.根据权利要求4所述的一种基于无人机视觉感知的定点降落方法，其特征在于，改进的neck网络对原始yolov5网络的改进还包括：将自底向上的特征融合阶段a1的卷积模块替换为dwconv模块；dwconv模块包括：dwconv层、bn层、silu激活层；其中，dwconv为深度可分离卷积。
6.根据权利要求2所述的一种基于无人机视觉感知的定点降落方法，其特征在于，改进的yolov5检测模型对原始yolov5网络的改进还包括：在原始yolov5网络的head网络中添加一个小目标检测层p2，在原始yolov5网络的neck网络中添加一个上采样特征融合模块，所述上采样特征融合模块包括：dwconv模块、upsample模块、concat模块、c3模块以及cbam模块；上采样特征融合模块将a1阶段中最后一个c3模块输出的特征图和backbone网络的第一个cbam模块输出的特征图进行融合，得到160×160尺寸的输出特征图，并将输出特征图分别输入a2阶段的第一个卷积模块和小目标检测层p2；其中，a1为自底向上的特征融合，a2为自顶向下的特征融合，upsample为上采样，dwconv为深度可分离卷积。
7.根据权利要求1所述的一种基于无人机视觉感知的定点降落方法，其特征在于，改进的yolov5检测模型的训练过程包括：
8.根据权利要求7所述的一种基于无人机视觉感知的定点降落方法，其特征在于，构建数据集包括：根据无人机底端部署的摄像头模组采集视频流，将视频流逐帧分解，得到图像序列；按照voc2017数据集的格式对图像序列中的图像进行处理；使用标注工具对处理后的图像中的降落标志进行标注，得到每张图像的标注文件；将图像与标注文件进行组合，得到数据集。
9.根据权利要求7所述的一种基于无人机视觉感知的定点降落方法，其特征在于，input层对数据集进行预处理包括：利用mosaic数据增强方法对数据集进行数据增强，得到新数据集；通过k-means++算法对新数据集的标注文件进行聚类，得到锚框。
10.根据权利要求7所述的一种基于无人机视觉感知的定点降落方法，其特征在于，改进的yolov5检测模型的损失函数包括：分类损失函数lclass、矩形框损失函数lciou以及置信度损失函数lobject。