1.一种基于深度学习的工件表面缺陷检测方法，其特征在于：包括以下步骤：
步骤1、采用多组摄像头与光照源构建基于多目视觉的图像采集系统，捕捉工件在不用角度下的图像；
步骤2、构建分布式图像处理系统；采用管道监听机制，处理计算机维护特定的消息管道，捕获终端监听该管道；每次图像采集时捕获终端将对采集到的图像进行批量预处理，随后上传至数据库；利用持久化机制，处理计算机能够将预处理后的图片保存至本地以作为分类器的输入；
步骤3、采集训练样本；将准备好的、已标注的含部分缺陷的工件放入采集系统，进行训练数据采集；按照8：2的比例设置训练与验证集合，并设置标签；
步骤4、构建深度学习模型；基于卷积神经网络构建包含卷积层和全连接层的网络模型，层与层之间复合了池化、正则化、归一化模块、用于优化特征提取、提高非线性度；
步骤5、构建预测器程序框架；采用tensorflowapi构建检测系统框架；基于工厂模式构建程序逻辑，便于系统软件的升级、扩展与优化；
步骤6、将待检测工件放置于图像采集系统内，并运行预测器程序；在线运行时，预测器程序接口将接收已预处理的工件捕获图像作为输入；随后调用已训练好的静态模型输出预测向量；
步骤7、预测器将预测向量消息通过预先设定的频道发布到显示终端；显示终端将根据预测向量自动标识出工件缺陷所在位置。
2.根据权利要求1所述的一种基于深度学习的工件表面缺陷检测方法，其特征在于：所述步骤2中对采集图像进行批量预处理包含转换捕获图片的颜色空间；捕获终端将输入图像的颜色空间有rgb制式转换为yuv制式。
3.根据权利要求1所述的一种基于深度学习的工件表面缺陷检测方法，其特征在于：所述步骤4中网络模型构建步骤具体如下：将数据集存放于训练脚本指定目录下，运行训练脚本，初始学习率设置为0.001，采用adam优化器；训练模型按次序各的具体参数分别为：
(1)卷积层1，共计64个卷积核，卷积核大小为11×11，步长设置4，填充模式设置为same；激活函数设置为relu；复合2×2池化并执行局部响应归一化；
(2)卷积层2，共计256个卷积核，卷积核大小为5×5，填充模式设置为same，激活函数设置为relu，复合2×2池化并执行局部响应归一化；
(3)卷积层3，共计256个卷积核，卷积核大小为3×3，填充模式设置为same，激活函数设置为relu，复合2×2池化并执行局部响应归一化；
(4)全连接层1，映射为4096维；
(5)全连接层2，映射为n维，其中n代表标签数目；损失函数为softmax；
经过参数调整，最终得到优化后的动态模型；运行转换脚本后得到.pb格式的静态模型。
4.根据权利要求1所述的一种基于深度学习的工件表面缺陷检测方法，其特征在于：所述步骤1中多组摄像头优选为数字摄像头。
5.根据权利要求1所述的一种基于深度学习的工件表面缺陷检测方法，其特征在于：所述步骤1中光照源优选为led光源。