1.一种基于分类优先YOLO网络的钢板表面缺陷检测方法，其特征在于，包括如下步骤：S10建立钢板表面缺陷标准图库；

S20待检测图片缺陷分类，使用迁移学习模型对所述缺陷标准图库进行训练分类，获得训练模型，使用所述训练模型对所述待检测图片进行训练分类，保留分类结果；以及S30待检测图片缺陷位置判定，使用YOLO网络确定所述分类结果中的缺陷类别所在位置，其中所述YOLO网络中的两个残差网络模块替换为两个特征复用网络模块；

所述S10步骤包括：

S11所述缺陷标准图库中每张图片中包含一种典型缺陷，使用霍夫变换对所述图片进行校正、裁剪使得所述图片大小为200*200dpi；以及S12使用labelImg软件对所述图片进行标注，使用矩形真实框标注出每张所述图片中缺陷的位置，并记录矩形框左上角(xL,yL)和右下角(xR,yR)的坐标信息，在标注过程中采用密集标注法，即对每个单独的缺陷进行标注；

所述步骤S30包括如下步骤：

S31将待检测钢板图像导入基于分类优先的YOLO网络，采用双线性插值法将所述待检测钢板图像大小尺寸统一为448×448dpi；

S32对调整大小后的所述待检测钢板图像进行归一化处理，将所述待检测钢板图像的像素值取值范围由[0,255]，转化为[0,1]，获得第一缺陷分类图；以及S33将所述第一缺陷分类图划分为S×S个网格，如果目标缺陷的中心落入网格单元，则该网格单元负责检测对象，获得目标缺陷的位置检测结果。

2.根据权利要求1所述的基于分类优先YOLO网络的钢板表面缺陷检测方法，其特征在于，训练过程中最佳学习速率Lr＝0.005。

3.根据权利要求1所述的基于分类优先YOLO网络的钢板表面缺陷检测方法，其特征在于，每个所述特征复用网络模块包含3个卷积层，每一个卷积层可以得到所有之前的卷积层的输出作为输入，相邻的卷积层之间通过卷积层和池化层相连接。

4.根据权利要求1所述的基于分类优先YOLO网络的钢板表面缺陷检测方法，其特征在于，使用k‑means聚类算法对数据集内第一缺陷分类图进行聚类分析，寻找合适尺寸的锚框Anchor，当聚类簇的个数K为5、6或7时，聚类产生的锚框形状更符合数据集中缺陷的外观，其中K为整数。

5.根据权利要求4所述的基于分类优先YOLO网络的钢板表面缺陷检测方法，其特征在于，每个所述网格预测B个预测框；所述预测框包含5个数据值(x,y,w,h,置信度)；(x,y)是所述预测框的中心相对于当前网格的偏移量，(w,h)是所述预测框的长和宽；置信度的值反映了边界框是否包含目标概率与当前边界框与真实边界框重合的情况 最终检测结果符合如下公式：其中，Pr(Object)为目标物判断参数，当所述分类结果有目标缺陷时Pr(Object)＝1，当所述分类结果没有目标缺陷时Pr(Object)＝0；Pr(Classi/Object)为某种类别的条件概率。

6.根据权利要求1所述的基于分类优先YOLO网络的钢板表面缺陷检测方法，其特征在于，所述钢板表面缺陷包括：网纹Cr、夹杂In、斑块Pa、表面麻点PS、氧化铁皮压入RS以及划伤Sc中的至少一种。