1.一种基于深度神经网络的工件缺陷检测方法，其特征在于：包括以下步骤，步骤1，对采集的工件图像进行预处理生成工件图像数据集，并对工件图像数据集中的训练图像进行图像增强；在步骤1中，构建一个由参数预测模块和可微图像处理模块两部分组成的图像增强模块，利用图像增强模块对训练图像进行图像增强；其中参数预测模块包括五个卷积层和两个全连接层，每个卷积层后面连接一个激活层，输入下采样后低分辨率的图像，输出可微图像处理模块需要的超参数；可微图像处理模块利用亮度、对比度和色调的Gamma校正、对比度变换和白平衡变换算法，以及增强图像边缘和细节特征的锐化算法对图像进行增强；步骤2，在深度神经网络中引入注意力机制和特征融合模块，使用深度神经网络进行深度学习，拟合缺陷检测的深度模型将输出的缺陷位置与缺陷类别作为工件缺陷检测的最终结果；具体包括如下子步骤：步骤2.1，将步骤1增强后的图像作为输入，通过深度神经网络的主干网络进行训练与学习，所述主干网络用于提取图像特征；步骤2.1中，所述主干网络为ResNet50；步骤2.2，将主干网络提取出的图像特征通过一系列的卷积层构建不同尺度的特征图，并将多尺度特征图部分记为特征金字塔；步骤2.2中，将主干网络ResNet50输出的特征图集合记为{C 1 ,C 2 ,C 3 ,C 4 }，选取小尺度的浅层特征层 作为特征金字塔的初始特征图，并根据以下公式构建特征金字塔：其中， ， ， 和 分别为卷积核大小为3、1的卷积层， 卷积层的步长为2， BN 为批标准化处理， 为对批标准化处理后的结果进行激活， ReLU 为激活函数，最终输出特征图集合表示为 ，特征图尺寸分别为{38, 19,10, 5, 3, 1}；步骤2.3，在深度神经网络中加入特征融合模块，用于将浅层的特征与深层的语义信息进行融合，即用于将主干网络提取的图像特征与特征金字塔中的特征图拼接，使得用于小尺度目标检测和定位的浅层特征图能够同时包含细节和深层语义信息；步骤2.4，利用深度神经网络中特征融合后的特征金字塔进行缺陷检测。
2.根据权利要求1所述的一种基于深度神经网络的工件缺陷检测方法，其特征在于：在步骤2.3中，特征融合模块可以由以下公式表示：其中， 表示待融合的第 i 个特征图， 表示双线性插值法， BN 为批标准化处理， ReLU 为激活函数， 为卷积核大小为1的卷积层，对于与目标尺寸不同的待融合特征图，先通过1×1的卷积层降维后，使用双线性插值法将尺寸较小的深层特征图进行上采样处理， 表示待融合特征图通过L2正则化将数据归一化至同一范围内，便于后续的拼接，L2正则化之后连接有 ReLU 激活函数；拼接方式选取串联拼接操作，将未经上采样的特征图 和经过插值后的特征图 在通道维度拼接，再通过一个3×3的卷积层消除拼接后的混叠效应， 即为浅层特征与深层语义信息融合的结果。
3.根据权利要求2所述的一种基于深度神经网络的工件缺陷检测方法，其特征在于：步骤2.3中还引入注意力机制，即SE Block，使网络在训练的过程中更专注于融合通道间有效的特征，所述注意力机制引入在L2正则化+ ReLU 激活函数之后，串联拼接处理之前。
4.根据权利要求3所述的一种基于深度神经网络的工件缺陷检测方法，其特征在于：注意力机制的处理过程如下；输入的特征层首先通过一个全局平均池化层得到全局空间信息，再通过两个全连接层和两个激活函数对全局信息进行压缩再升维，最终获取各个通道的权重并与对应的特征图相乘，从而获取各通道间的关联关系，使网络在训练的过程中更专注于融合通道间有效的特征。
5.根据权利要求1所述的一种基于深度神经网络的工件缺陷检测方法，其特征在于：步骤2.4中对融合后的特征金字塔中各个特征图的不同位置进行密集抽样，抽样时采用不同的定位框尺度和长宽比，进行物体分类和先验框的回归，物体分类结果输出为缺陷类别，先验框的位置输出为缺陷位置。
6.根据权利要求1所述的一种基于深度神经网络的工件缺陷检测方法，其特征在于：所述锐化算法采用USM算法。
