1.一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，包括以下步骤：S1、将焊盘CAD文件和焊锡膏CAD文件导入LIF模块的学习系统中学习检测特征；

S2、分别提取检测基准点、检测焊盘和检测焊锡膏的位置、大小和形状作为检测模板；

S3、进一步提取检测焊锡膏占焊盘的比重值完善所述检测模板；

S4、通过高分辨率2D传感器将待检测PCB图像传入OLI模块的监测系统中；

S5、监测系统自动定位所述待检测PCB图像上的基准点；

S6、对待检测PCB图像进行自动二值化操作；

S7、根据LIF模块中学习系统中的检测模板将元件映射到待检测PCB图像；

S8、检测待检测PCB图像中每个元件上焊锡膏的比重值；

S9、输出PCB图像检测是否合格。

2.根据权利要求1所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，所述步骤S3还包括焊锡膏和焊盘的边界框面积计算，具体包括：提取焊盘和焊锡膏的边界框并计算边界框的面积，其面积计算公式如下所示：其中，焊盘和焊锡膏的边界框由许多封闭的闭合路径组成，定义R是N个矩形的数组、An是R[1]、R[2]…R[n]、Bn是R[n+1]的面积减去它前n个矩形重叠的部分，A1是R[1]的面积。

3.根据权利要求1所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，所述步骤S5具体包括：所述检测系统内设置有搜索区域，在每个搜索区域中应用最小二乘拟合法来计算圆形基准点的中心，拟合的公式如下：其中权重ρ(xi,yi)是原始图像(xi,yi)的强度值。

4.根据权利要求3所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，为了避免使用非线性优化方法来求解等式(2)，定义了另一个目标函数，所述目标函数如下：或：

5.根据权利要求4所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，等式(3)等于等式(2)乘以比例值k，且k的计算公式如下：若k为常数，则等式(2)和等式(3)的解相同；

若k为非常数，则将等式(3)更改为：

其中，x0，y0和r0的原始值通过等式(3)获得，之后通过等式(6)计算xc，yc和r，并在下一步的计算中作为新的x0，y0和r0继续计算，通过迭代算法得到xc，yc、r的最终值。

6.根据权利要求1所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，所述步骤S7具体包括：S71、采用最小二乘法测算待检测PCB图像的倾斜角，公式如下：其中，n为基准点数目，(Xi，Yi)为基准点在所述检测模板中的位置，(xi，yi)为基准点在待检测PCB图像中的位置，a为待检测PCB图像相对于检测模板的倾斜角度，k为缩放比例，(x0，y0)为偏移量；

则通过最小化目标函数确定α，k和(c0，y0)，具体是：通过让 得到公式如下：

其中 是平均值；

S72、根据倾斜角度a重新计算计算图像中基准点的位置。

7.根据权利要求1所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，所述步骤S8具体包括：计算待检测PCB图像上每个焊盘上的焊锡膏的比重值，若元件的比重值高于测试阈值，则表示焊膏丢失或损坏，所述待检测PCB图像检测结果为不合格，反之为合格。