1.一种基于hybrid efficientnet模型的车辆入侵检测系统，其特征在于，所述系统是通过对hybrid efficientnet模型进行训练得到；其中，所述hybrid efficientnet模型包括初始卷积层、主干网络、自适应全局池化层、flatten 层、丢弃层、隐藏层、分类层；hybridefficientnet模型输入层输入的数据是一个具有三个通道的图像，图像通过初始卷积层进行处理，所述初始卷积层为二维卷积层，用于提取输入图像的低级特征，对数据进行标准的卷积操作后进行批量归一化和 silu 激活函数处理后输出，输出的数据根据配置参数选择进入主干网络进行进一步的特征提取；
2.根据权利要求1所述的一种基于hybrid efficientnet模型的车辆入侵检测系统，其特征在于，初始卷积层的卷积核大小为 3x3，步幅为 2；所述扩展层的输出通道数为输入通道数的6倍，通过 1x1 卷积进行扩展，步幅为1，填充为0；所述深度卷积为3x3卷积，逐点卷积为1x1卷积；所述投影层通过步幅为1、无填充的1×1卷积操作有效地调整特征图的通道数；所述自适应全局池化层输出的空间维度固定为 (1, 1)；第一个全连接层执行线性变换，在线性变换之后，使用silu激活函数；所述丢弃层的丢弃率设定为0.2。
3.根据权利要求2所述的一种基于hybrid efficientnet模型的车辆入侵检测系统，其特征在于，所述通道注意力机制对特征图应用全局平均池化和全局最大池化，得到两个不同的全局信息表示；之后将获得的两个特征通过两个1x1卷积层进行处理，并通过relu激活函数引入非线性变换；然后，两个处理后的特征图相加并通过 sigmoid 激活函数生成通道注意力系数；最后，将生成的通道注意力系数与原始特征相乘，得到增强的通道特征；完成通道注意力处理后，通过空间注意力机制对特征图进行进一步处理。
4.根据权利要求3所述的一种基于hybrid efficientnet模型的车辆入侵检测系统，其特征在于，所述空间注意力机制对特征图进行通道上的平均池化和最大池化操作，生成两个空间特征图；之后将两个空间特征图拼接在一起并通过3x3卷积层进行处理，并通过sigmoid激活函数生成空间注意力系数；最后，将生成的空间注意力系数与输入特征图相乘，得到最终增强的空间特征。
5.根据权利要求4所述的一种基于hybrid efficientnet模型的车辆入侵检测系统，其特征在于，对hybrid efficientnet模型进行训练的具体步骤为：
6.根据权利要求5所述的一种基于hybrid efficientnet模型的车辆入侵检测系统，其特征在于，步骤s1具体包括以下步骤：
7.根据权利要求5所述的一种基于hybrid efficientnet模型的车辆入侵检测系统，其特征在于，步骤s2的具体步骤为：选择了9个重要特征,分别为can id和data[0]-data[7]，将每27个连续的样本组成一个数据块，每个数据块包含 9×27=243个特征值，将243个特征值重塑为9x9x3的三维数组，三维数组的格式对应图像中的高度、宽度和颜色通道，用作图像数据的输入。
8.根据权利要求5所述的一种基于hybrid efficientnet模型的车辆入侵检测系统，其特征在于，所述步骤s3进行训练时，将处理完的数据输入到hybrid efficientnet模型中，在模型进行最终训练评估之前，首先通过树形parzen估计器超参数优化方法调用数据集和hybrid efficientnet模型来寻找出适用于hybrid efficientnet模型的最佳超参数组合；在得到最优的超参数组合后，对得到的最优超参数组合进行评估。
9.根据权利要求6所述的一种基于hybrid efficientnet模型的车辆入侵检测系统，其特征在于，所述改进的autoencoder 模型包括依次设置的输入层；第一全连接层，有256个神经元，relu激活函数；第一批归一化层；第一dropout层，比例0.3；第二全连接层，有128个神经元，relu激活函数；第二批归一化层；第二dropout层，比例0.3；第三全连接层， 有64个神经元， relu激活函数；第三批归一化层；第三dropout层，比例0.3；第四全连接层，有 32个神经元， relu激活函数，第四全连接层为瓶颈层 ，是编码器的最后一层；第五全连接层，有64个神经元，relu激活函数；第四批归一化层；第六全连接层， 有128个神经元，relu激活函数；第五批归一化层；第七全连接层，有256个神经元，relu激活函数；第六批归一化层；第八全连接层是解码器的最后一层，输出一个与输入数据维度一致的重建数据；网络训练的超参数设置为：批次大小为256，最大迭代次数为100轮。
10.一种基于hybrid efficientnet模型的车辆入侵检测方法，其特征在于，该方法包括以下步骤：