1.一种基于多源域深度迁移学习的液晶面板缺陷检测方法，其特征在于，包括如下步骤：

步骤1)采集包括多种典型缺陷类型的液晶面板图片，并标记其缺陷类型和边框位置；

步骤2)基于深度稠密卷积神经网络构建液晶面板缺陷检测卷积神经网络的主干部分，基于面向多任务学习的全连接分类回归网络构建液晶面板缺陷检测卷积神经网络的缺陷检测头部和域分类头部；

步骤3)通过多源域训练数据集对所述液晶面板缺陷检测卷积神经网络进行多源域的深度迁移学习，直至收敛且具有较低的漏检率和误检率；即误检率在[1％,2％]，漏检率在[1％,4％]时；

步骤4)将待检测液晶面板图片输入已训练后的液晶面板缺陷检测卷积神经网络模型进行检测，在缺陷检测头部输出缺陷类型及其边框位置结果，包括候选边框位置的中心坐标、高度和宽度，存在缺陷的概率c0以及属于某类典型缺陷的概率向量；在域分类头部，输出待测液晶面板图片来自各个域的概率分布；

步骤5)选出存在缺陷的概率c0超过缺陷阈值的所有候选边框，并根据缺陷概率向量大小关系确定其具体缺陷类型，基于非极大值抑制方法获得液晶面板缺陷区域的最优边框位置，从而获得最终检测结果。

2.根据权利要求1所述的一种基于多源域深度迁移学习的液晶面板缺陷检测方法，其特征在于，步骤2)所述的深度稠密卷积神经网络具体包括利用密集跳跃连结方法，设计出一个自定义100层的深度稠密卷积神经网络，其中卷积层特征分为九个尺度，分别标记为conv1、conv2、conv3、conv4、conv5、conv6、conv7、conv8、和conv9。

3.根据权利要求1所述的一种基于多源域深度迁移学习的液晶面板缺陷检测方法，其特征在于，步骤2)所述的面向多任务学习的全连接分类回归网络具体包括四层全连接层、softmax层和回归层，其中回归层输出每一个潜在缺陷区域的中心坐标[x,y]、高度和宽度[h,w]，softmax层输出缺陷类别信息的概率分布[c0,c1,c2,…,cn]。

4.根据权利要求1所述的一种基于多源域深度迁移学习的液晶面板缺陷检测方法，其特征在于，步骤2)所述的域分类头部具体包括基于自定义的域分类函数组成Softmax分类器，所述自定义的域分类函数表示为： 其中，Ld是域分类产生的损失函数；pd(i)表示第i个域的概率分布。

5.根据权利要求1所述的一种基于多源域深度迁移学习的液晶面板缺陷检测方法，其特征在于，步骤3)所述的多源域的深度迁移学习具体包括在域分类头部和缺陷检测头部两种误差学习的驱动下，主干网络的反向传播以自定义域相关权重的误差进行传播，其反向传播式子包括以下公式：其中，θf表示深度稠密卷积神经网络中的权重参数，μ代表参数学习的步长； 是检测头部在第i个训练样本产生的损失值，wd表示域相关的权重， 表示域分类头部在第i个训练样本产生的损失值；θl表示检测头部的权重参数，θd是域分类头部的权重参数。

6.根据权利要求5所述的一种基于多源域深度迁移学习的液晶面板缺陷检测方法，其特征在于，检测头部对应的损失函数包括：其中，li表示由输出的边框与真实缺陷的交并比的值所决定的值，其为0或者1，xi、yi、wi、hi和ci依次表示第i个输出框的中心坐标及其宽度、高度及其为第i种缺陷的概率；

和 分别表示第i个输出框所对应的真实缺陷的中心坐标、宽度、高度及其为第i种缺陷的真实概率；N表示多源域数据集的源域数量。

7.根据权利要求6所述的一种基于多源域深度迁移学习的液晶面板缺陷检测方法，其特征在于，当真实缺陷的交并比的值大于0.7时，li＝1,当真实缺陷的交并比的值小于0.7时，li＝0；其中，交并比表示两个几何图形面积的交集和并集的比值；当待检测液晶面板图片为第i种缺陷，则ci＝1，否则ci＝0。

8.根据权利要求5所述的一种基于多源域深度迁移学习的液晶面板缺陷检测方法，其特征在于，所述的自定义域相关权重具体包括：其中，NS代表源域数据集的数量， 和ST分别表示目标域数据集的均值和协方差矩阵；

表示第i个源域的数据。