1.一种基于深度学习的在役钢丝绳表面缺陷检测方法，包括图像采集、原始图像数据规范化预处理、建立分类器和在线智能诊断四个步骤，具体步骤如下：
步骤1，图像采集：对运行中的钢丝绳图像进行周向采集，记录下每张图像中钢丝绳在全绳中的位置；
步骤2，原始图像数据规范化预处理；具体如下，
步骤2.1，位姿调整：采用边缘检测和形态学方法实现钢丝绳图像分割，利用霍夫变换实现边界识别，计算其边界斜率，将图像进行旋转；
步骤2.2，roi提取：对图像进行垂直灰度投影，得到垂直灰度分布图；根据钢丝绳直径大小，结合灰度积分公式，计算灰度积分值最小的区间，并将其切割出来，切割为等长度的子图，从而建立起满足训练和测试用的钢丝绳表面状态大数据集；
步骤3，建立分类器：对传统的cnn即lenet-5进行改进，包括其结构和参数，命名为wr-cnn，然后设置分类器wr-cnn的结构和参数；
步骤4，在线智能诊断：在得到集成算法模型后，配置检测系统的软硬件，实现钢丝绳表面缺陷在线实时检测，并根据检测结果作出合理预警。
2.根据权利要求1所述的一种基于深度学习的在役钢丝绳表面缺陷检测方法，其特征在于：在步骤2.1中，位姿调整为不规范钢丝绳位姿调整过程，其具体过程如下：
步骤a.同态高斯滤波：建立同态滤波器hhf(u,v)＝(γh-γl)[ch(u,v)]+γl，其中hl(u,v)＝exp[-(d(u,v)/d0)2n]，设置公式中的参数γh,γl,c,n,d0，其中，h(u,v)为传递函数，d0为截至频率，
步骤b.纹理检测：设置sobel的阈值g，根据公式
式中，f(x+i,y+j)为偏离点(x,y)的点(x+i,y+j)的灰度值，ax(i,j)和ay(i,j)分别是x方向和y方向上的sobel边缘算子；
步骤c.边界确认：设置结构元素b1，进行膨胀运算，得到膨胀图像i3；进行孔洞填充运算，得到填充图像i4；设置结构元素b2，连续两次腐蚀运算，得到腐蚀图像i5；
步骤d.姿态旋转：进行霍夫变换，寻找峰值，提取直线段，直线段为设置线段合并阈值和检测的直线断的最小长度，找到钢丝绳边界直线，得到钢丝绳边界图像i6；接着计算边界的斜率，根据斜率对滤波图像i1进行旋转；完成旋转后，得到旋转图像j。
3.根据权利要求2所述的一种基于深度学习的在役钢丝绳表面缺陷检测方法，其特征在于：在步骤a至步骤d中，将参数设置为：γh＝2.2,γl＝0.25,c＝2,n＝1,d0＝50；g＝0.5·g′g′为自适应阈值；膨胀运算中，对于线性结构元素b1，元素长度为3，角度为0度和90度；腐蚀运算中，对于菱形结构元素b2，结构元素原点到顶点距离为1；寻找的峰值数目设为4，在hough矩阵中寻找前4个大于hough矩阵中最大值0.3倍的峰值；线段合并阈值设为50，检测直线段的最小长度设为70；图像旋转时，根据斜率值反向旋转。
4.根据权利要求1所述的一种基于深度学习的在役钢丝绳表面缺陷检测方法，其特征在于：在步骤2.2中，roi提取为不规范钢丝绳roi提取过程；具体过程如下：
步骤2.11，对钢丝绳位姿进行调整后，从调整完位姿的图j(x,y)中提取有价值的钢丝绳区域图片r(x,y)，即roi区域；
步骤2.12，设图像j(x,y)的长为w，宽为h，(x,y)为坐标，输入图像j(x,y)第x列的平均灰度值计算为
步骤2.13，设钢丝绳的宽度为wr，则沿x轴的投影曲线中每个宽度的灰度积分s(b)为
步骤2.14，当b使s(b)满足argmins(b)时，b即为钢丝绳在x轴方向上的起点位置，b+wr则为终点位置，则位于x轴方向的区间[b,b+wr]中的图为roi区域r(x,y)；
步骤2.15，将r(x,y)剪切出来后，再分割为等长度的子图，即可建立其用于训练和测试数据集。
5.根据权利要求1所述的一种基于深度学习的在役钢丝绳表面缺陷检测方法，其特征在于：在步骤2中，通过对实际和实验室中钢丝绳图像的采集和数据增强，建立2000张不同的健康钢丝绳、2000张不同的断丝钢丝绳和2000张不同的磨损钢丝绳的图像数据集；对图像进行灰度化，以减少光照的影响，通过插值运算将图像缩放到32×32或64×64大小，以作为网络模型的输入。
6.根据权利要求1所述的一种基于深度学习的在役钢丝绳表面缺陷检测方法，其特征在于：在步骤3中，建立深度卷积神经网络结构，输入的二维数据的尺寸为64×64；在第一个隐含层中，卷积层包含32个过滤器，卷积核尺寸为5×5，池化层的池化尺寸为2×2；第二至第四隐含层采用了不同个数的过滤器，采用了相同的卷积核大小和池化核大小；全连接层的神经元个数分别为2560和768；输出层的节点为3，等于样本类型的数量。
7.根据权利要求1所述的一种基于深度学习的在役钢丝绳表面缺陷检测方法，其特征在于：在步骤3中，设置所提出算法与其他对比算法的配置，将输出层统一设为3个节点；svm、knn、ann是在本数据集上，采用智能优化算法得到的较好结构和配置。
8.根据权利要求1所述的一种基于深度学习的在役钢丝绳表面缺陷检测方法，其特征在于：在步骤3中，比较所提出算法与其他算法的性能，建立满足要求的wr-cnn分类器；letnet-5和largecnn对各类别都有一定的误识别，而wr-cnn误识别率较小，准确性较高；wr-cnn可以精确的、快速的从经过位姿调整和roi提取的预处理图像中识别钢丝绳表面缺陷状态。
9.一种基于权利要求1至8任一项所述的钢丝绳表面缺陷智能检测系统，其特征在于：包括
污垢清洗模块，配置钢丝绳表面污垢清洗装置，用于清洗污垢；
图像采集模块，根据光照条件，配置相关的光源，采用1-4个高速相机拍取钢丝绳表面的图像，用于掌握钢丝绳的单向/周向状态信息；
诊断与预警模块；将所采集的图像实时传输到含已训练好的深度网络集成模型wr-cnn的上位机中，上位机根据诊断结果作出进一步的预警。