1.基于改进yolov3的铝型材表面缺陷视觉检测方法，其特征在于，包括以下步骤：步骤1、采集铝型材表面缺陷原始图像；

步骤2、对步骤1中得到的铝型材表面缺陷原始图像进行预处理并标注，得到铝型材缺陷数据集；

步骤3、通过K‑means聚类算法对步骤2得到的铝型材缺陷数据集真实边界框进行聚类，根据聚类结果选择出具有代表性的锚框；

步骤4、构建改进的yolov3网络结构，在步骤3的锚框下基于步骤2所得铝型材缺陷数据集训练检测模型；

步骤5、利用步骤4所得检测模型对铝型材表面缺陷进行检测并输出铝型材表面缺陷的类别和位置信息。

2.如权利要求1所述的基于改进yolov3的铝型材表面缺陷视觉检测方法，其特征在于，所述步骤1中采集到的图像分辨率大小为2560×1920，采集到的图像缺陷包括不导电、擦花、角位漏底、桔皮、漏底、喷流、漆泡、起坑、杂色和脏点等十类缺陷。

3.如权利要求1所述的基于改进yolov3的铝型材表面缺陷视觉检测方法，其特征在于，所述步骤2具体包括以下步骤：

步骤2.1、从缺陷类别个数与缺陷尺度两方面对铝型材表面缺陷原始图像进行统计分析；

步骤2.2、根据分析结果对铝型材表面缺陷原始图像依次进行伽马矫正、高斯滤波以及锐化的图像增强操作；

步骤2.3、对图像增强后的铝型材表面缺陷图像依次进行水平或垂直翻转、镜像的数据增强操作；

步骤2.4、对数据增强后的铝型材表面缺陷图像进行类别与缺陷位置的标注得到数据集，再将数据集按8:2的比例划分为训练集和测试集。

4.如权利要求3所述的基于改进yolov3的铝型材表面缺陷视觉检测方法，其特征在于，所述步骤3具体包括以下步骤：

步骤3.1、获取步骤2.4中标注后的图像所有缺陷尺寸，从中随机选取k个值作为初始的锚框centroid；

步骤3.2、计算某一缺陷尺寸box与每个锚框centroid的距离，将这个缺陷尺寸box分类给距离最小的锚框centroid，对于每个缺陷尺寸box做同样的操作，记录属于每个锚框centroid的缺陷尺寸box；

步骤3.3、计算每个锚框centroid中缺陷尺寸box的宽高均值大小，将计算结果作为相应锚框centroid的新尺寸；

步骤3.4、重复步骤3.2和步骤3.3，直到所有的缺陷尺寸box的分类不再更新，采用最后得到的锚框centroid与每个缺陷尺寸box计算IOU值，对于每个缺陷尺寸box选取其最高的IOU值，求取所有缺陷尺寸box的最高IOU值平均值即AvgIOU；

步骤3.5、分别取k为1～12进行步骤3.1‑步骤3.4操作并选择k为9时所得的锚框centroid，得到的代表性锚框尺寸为(168×36)(416×72)(416×24)；(88×75)(416×164)(72×25)；(24×31)(7×7)(13×12)。

5.如权利要求4所述的基于改进yolov3的铝型材表面缺陷视觉检测方法，其特征在于，所述步骤4具体包括以下步骤：

步骤4.1、构建改进的yolov3目标检测网络结构，在多尺度融合网络部分修改yolov3网络的检测尺度模块，增加其网络在大尺度特征层的检测输出；

步骤4.2、在步骤4.1多尺度融合网络部分中的不同特征层中分别引入对应的SPP单元，并对SPP单元做出对应的调整；

步骤4.3、在步骤3.5得到的代表性锚框下基于步骤2.4所得数据集训练检测模型。

6.如权利要求5所述的基于改进yolov3的铝型材表面缺陷视觉检测方法，其特征在于，所述步骤4.1中构建的改进yolov3目标检测模型，输入图像尺寸经过整个yolov3网络结构，最终输出3个不同尺寸的特征图Y1、Y2和Y3，依次表示原图的1/32、1/16和1/8，具体步骤如下：

步骤4.1.1、在Darknet‑53的第74层之后经过Convolutional Set和两层卷积之后得到

13×13的特征图Y1；

步骤4.1.2、特征图Y1的前两层卷积层经过上采样与Darknet‑53的第61层的结果进行张量拼接，再经过Convolutional Set和两层卷积之后得到26×26的特征图Y2；

步骤4.1.3、特征图Y2的前两层卷积层经过上采样与Darknet‑53中的第11层进行张量拼接，将上采样步长大小设置为4，再经过Convolutional Set和两层卷积之后得到104×

104的特征图Y3。

7.如权利要求6所述的基于改进yolov3的铝型材表面缺陷视觉检测方法，其特征在于，所述步骤4.2具体包括以下步骤：

步骤4.2.1、在步骤4.1.1得到特征图Y1之前的Convolutional set中的第三个卷积层，分别经过步长大小5、9、13的最大池化操作，得到三个局部特征；

步骤4.2.2、将步骤4.2.1得到的三个局部特征与步骤4.2.1中的第三个卷积层进行张量拼接，得到第四个卷积层；

步骤4.2.3、在步骤4.1.2得到特征图Y2之前的Convolutional set中的第三个卷积层，分别经过步长大小5、9、13的最大池化操作，得到三个局部特征；

步骤4.2.4、将步骤4.2.3得到的三个局部特征与步骤4.2.3中的第三个卷积层进行张量拼接，得到第四个卷积层。

步骤4.2.5、在步骤4.1.3得到特征图Y3之前的Convolutional set中的第三个卷积层，分别经过步长大小5、9、13的最大池化操作，得到三个局部特征；

步骤4.2.6、将步骤4.2.5得到的三个局部特征与步骤4.2.5中的第三个卷积层进行张量拼接，得到第四个卷积层。