技术特征：
1.一种基于深度学习的铸件外观缺陷检测方法，其特征在于，主要包括模型的训练阶段和最终的检测阶段：所述的训练阶段主要包括以下几个步骤：步骤1：在实际生产线上搭建图像获取模块，选择的工位在铸件机加工的最后一道工序—清洗工序后；在此工位上，将相机和镜头布置在相机支架上；在实际的应用中，当待检测的工件经过清洗之后，机械臂抓取该工件后将该工件放置到相机前进行图像的获取；通过图像获取模块在生产线上捕获缺陷压铸件的图片，并将缺陷图片保存到电脑终端，通过图像采集模块获得800张缺陷图片；步骤2：对所获取的800张缺陷图片进行数据增强后，获得2500张缺陷图片；步骤3：采用imglabel软件对所步骤(2)得到的缺陷图片的缺陷部位进行缺陷标注，获得用于模型训练的数据集；步骤4：对标注后获得的数据集进行kmeans聚类操作，根据kmeans的操作结果来对锚点的大小进行更改，进而选择适合本数据集的anchor值的大小；步骤5：将步骤(4)标注好的数据集上传到云端服务器，同时将已用于工业领域的深度学习模型refineatt迁移到云端，并通过标注好的数据集对深度学习模型进行训练，在训练的过程中监测损失函数大小的变化情况，在损失函数几乎不发生变化时将最终训练后的权重系数保存下来；所述的在工厂的环境中进行缺陷检测阶段的步骤主要如下：步骤1：将基于收集的缺陷图片训练好的深度学习模型由云端服务器端下放到在边缘服务器上；步骤2：在进行缺陷检测开始之前，首先需要打开边缘服务器并在服务器上加载训练好的深度学习模型；步骤3：在工厂现场通过图像获取模块采集流水线上的待检测工件的表面图片，并将其保存在本地上；步骤4：利用5g的低延时和高带宽优点，将从工业相机获取的图片通过5g网络向服务器终端发送请求；步骤5：边缘端服务器接受到来自终端的请求时，边缘测的服务器接受由终端上传来的图片，将该图片输入到训练好的神经网络模型中，通过神经网络模型的运算得到该图片的检测结果；步骤6：在云服务器上获取的检测结果通过5g网络反馈到电脑终端；检测结果包括缺陷类别和位置坐标；步骤7：电脑终端接受云服务器的检测结果并在电脑终端显示出来。2.根据权利要求1所述的一种基于深度学习的铸件外观缺陷检测系统的使用方法，其特征在于，所述训练阶段步骤(4)具体为：采用kmeans算法对数据集中的目标的大小进行聚类处理，来获得适用于本数据集的锚点大小值和长宽比；同时对锚点的铺设方式进行重新的设计，在原本相邻的4个锚点值中间增加一个锚点，来提高对小型缺陷检测的召回率。3.根据权利要求1所述的一种基于深度学习的铸件外观缺陷检测方法，其特征在于，所述训练阶段步骤(5)具体为：
在原本的模型后增加注意力机制，即增加了att模块；使得神经网络在训练的时候可以更多的关注图片中存在缺陷的区域，提高检测的准确率；在训练的开始阶段，设定学习率为0.0001，批大小设定为16，并且采用学习率衰减策略，每迭代40000iterations学习率变为初始学习率的0.1倍；在训练的过程中不断监测损失函数的变化以及验证集的准确率，当损失函数的大小和验证集的准确率不在发生变化时，保存训练好的权重系数；由于背景信息会对小型缺陷的检测造成干扰；在该步骤中采用一种对比训练的策略；在收集缺陷的同时，收集数量相当的无缺陷图片，在训练的时候让网络结构对比学习，降低背景信息对检测的干扰。4.根据权利要求1所述的一种基于深度学习的铸件外观缺陷检测方法，其特征在于，所述缺陷检测阶段中的步骤(4)具体为：客户端和服务器端采用的通信方式是基于flask的client/server的部署模式，将训练好的模型加载到云端服务器上，作为后续进行访问的server，并且通过电脑终端的client发送请求，进行缺陷检测。5.根据权利要求1所述的一种基于深度学习的铸件外观缺陷检测方法，其特征在于，所述缺陷检测阶段中的步骤(5)具体为：首先通过深度学习方法确定出缺陷可能发生的位置，将该位置截取出来，并进一步使用数字图像处理技术来对该区域进行最后的识别处理。