1.一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法，其特征在于：所述印刷缺陷检测方法包括以下几个步骤：步骤1：利用CCD工业相机采集图像，进行图像预处理，用传统机器视觉方法做第一重筛选，利用SIFT特征匹配判断是否为相同图像，如图像一致则检测结束，不一致则进入步骤2；

步骤2：先构建改进的SSD网络模型，训练模型，利用训练好的模型进行缺陷标注，少量标注出现标注错误或者漏标注的情况，则进入人工检测过程；

步骤2中改进的SSD网络模型为FSSD网络模型，其采用基础网络和辅助网络来提取图像特征；

FSSD网络使用VGG16作为基础网络初步提取图片特征；为获取更多小尺度下的信息，FSSD在基础网络之后依次增加conv6_2和conv7_2用输出的特征图调整为相同尺寸后进行特征融合，利用融合得到的特征重构一组金字塔特征图来进行预测；

步骤3：人工将标注错误或者漏标注图像进行收集，标注缺陷位置后制作成训练集再训练网络；

步骤4：再将图片送入再次训练过的模型中，如果成功标注错误信息，则软包装卷料印刷缺陷检测完成。

2.根据权利要求1所述的一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法，其特征在于：步骤1中的预处理包括，首先对标准图像和用CCD相机采集到的印刷图像利用公式：gray＝0.39×R+0.5×G+0.11×B进行灰度化处理，然后利用自适应中值滤波即空间域除去噪声的方法对图片进行降噪处理，中值滤波就是按9个点像素取平均放入中心像素中，以消除孤立噪声污染点。

3.根据权利要求1所述的一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法，其特征在于：步骤1中SIFT特征匹配步骤如下：步骤1‑1，尺度空间上进行极值检测，即搜索所有尺度上的图像位置；

通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点；在尺度空间中通过不同参数的高斯函数对图像进行处理，用L(x,y,σ)表示图像尺度空间，I(x,y)表示待处理图像，G(x,y,σ)表示高斯函数，即L(x,y,σ)＝G(x,y,σ)*I(x,y),步骤1‑2，图像上关键点定位，即在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度；

关键点的选择依据于它们的稳定程度，其中关键点定位理论公式如下：

T

其中X＝(x,y,σ) ；求导并让方程等于零，得到极值点的

偏移量为: 对应的极值点，方程的值为： 当任何大

小的偏移量等于0.5时，表示插值的中心已偏移到其相邻位置，因此必须更改当前键的位置；同时，在新位置重复插值，直到它收敛，超过设定的迭代次数或图像边界，并且应删除这些点；

步骤1‑3，梯度方向确定，即基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向；然后对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性，利用与 来计算出(x,y)点处的梯度值和方向；关键点的主方

向用梯度直方图的峰值来确定，以使关键点匹配更加稳定；

步骤1‑4，图像上关键点描述，即在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度；这些梯度被变换成一种表示，这种表示允许大的局部形状的变形和光照变化。

4.根据权利要求1所述的一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法，其特征在于：步骤2中，FSSD模型训练的步骤为：步骤A：用工业CCD相机采集缺陷图片，将图片进行预处理缩放后，对数据的每一个维度的值进行重新调节，使得最终的数据向量落在[0,1]或[‑1,1]的区间内；如果数据采集少，采用水平翻转的数据增强方法来验证FSSD模型的泛化能力；

步骤B：数据集制作过程中使用LabelImg来标注图片，每张图片标注完成后会生成.xml文件，生成的文件中包含标注框中四个角的真实坐标位置；将图片分成互斥的训练集、测试集和验证集三部分来标注；

步骤C：利用.xml文件训练FSSD网络，经过多层的卷积语义表达之后得到印刷缺陷的目标区域。

5.根据权利要求1所述的一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法，其特征在于：如图像存在少量的标注错误或者漏标现象，则将图片收集起来，人工标注后送入训练好的FSSD网络中再训练，这样提高网络的检测精度和泛化性。

6.根据权利要求1所述的一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法，其特征在于：当印刷图像与标准图像一致或者缺陷位置标注完成则表示卷料印刷缺陷检测完成。