1.一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法，其特征在于，包括如下步骤：

(1)获取船舶X射线焊缝图像集；

(2)基于距离最值M‑SMOTE算法处理不平衡数据集；

(3)构建面向船舶焊缝缺陷检测的深度卷积神经网络模型；

所述面向船舶焊缝缺陷检测的深度卷积神经网络包括13层，分别为一个输入层、三次卷积与池化层、五个全连接层和一个输出层，所述输入层的输入是来自对船舶X射线焊缝图像集的特征数据进行改进近邻传播聚类的结果，所述深度卷积神经网络中间各层的输入数据采用自适应PCA降维；

(4)训练用于船舶焊缝缺陷检测的深度卷积神经网络模型；

(5)基于深度卷积神经网络模型进行焊缝缺陷检测。

2.根据权利要求1所述的一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法，其特征在于，步骤(2)所述基于距离最值M‑SMOTE算法处理不平衡数据集的流程采用如下步骤：

(1) 对于少数类焊缝样本集中每一个体xi，计算它到少数类样本集中所有样本的欧式距离di，设dx为少数类样本集类间平均欧氏距离，其计算如下：(2)计算样本xi与多数类K个邻近样本的最大欧氏距离dmax和最小欧氏距离dmin；

(3)在合成样本之时，针对每个少数样本，计算该样本与同类K个邻近样本的平均欧氏距离davg1，以及该少数样本与多数类K个邻近样本的平均欧氏距离davg2；

(4)定义μ为相对距离比，且计算如下：(5)定义λ为距离系数，其主要针对新样本合成时，考虑周围多数类样本造成影响而设定，且计算如下：

式中，rand(0,1)表示区间(0,1)内的随机数；

(6)借鉴SMOTE算法，新少数类样本生成方式如下：xnew＝xi+λ(xi‑xj)；

xi为选取进行过采样处理的任一个少数类样本，xj为xi的同类K个邻近样本之一，xnew为使用M‑SMOTE算法要生成的新少数类样本；当μ小于等于1，少数类样本xi与同类K个近邻的平均欧氏距离较小，说明该样本周围少数类分布较密集，合成的新样本xnew在xi与xj之间随机生成；当μ大于等于1，少数类样本xi与同类K个近邻的平均欧氏距离较远，合成新样本应该与少数类密集区域距离远，使xnew远离xi。

3.根据权利要求1所述的一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法，其特征在于，所述深度卷积神经网络模型的输入层的船舶X射线焊缝图像集的特征数据包括基于几何、强度和背景对比反差三个角度的5类焊接缺陷特征，其中所述几何角度的缺陷特征，包括长度W和纵横比Ar，前者是指缺陷边缘两点间的最大距离，后者是指缺陷的宽度与长度之比；所述强度角度缺陷特征，包括缺陷区粗糙度Rr，是指缺陷内部像素的强度变化；所述背景对比反差角度缺陷特征，包括直方图对比Hc和纵横比对比Kc，前者是指缺陷区域与背景灰度直方图的卡方距离；纵横比对比Kc为缺陷区与背景的纵横比之比。

4.根据权利要求1所述的一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法，其特征在于:所述深度卷积神经网络模型的输入层的改进近邻传播聚类的方法，采用如下步骤：

(1)设吸引信息矩阵R，矩阵R中元素r(u,v)为两个数据点u和v的吸引信息，即u成为v聚类质心的适合度；设归属信息矩阵A，矩阵A中元素a(u,v)为u和v两个点之间的归属信息，即u有意向选v作为u的质心的认可程度；

(2)设相似度矩阵S，在相似度矩阵中两个数据点的相似度使用马氏距离的负值表示，对于欧式距离均值θ，协方差矩阵为V，马氏距离相似度矩阵S中每一个元素s(u,v)的表示方式如下：

(3)使用迭代法更新矩阵，吸引信息rt+1(u,v)的迭代方式如下：归属信息at+1(u,v)的迭代方式如下：式中u′表示除当前u以外的其他点，v′表示除当前v以外的其他点；

(4)引入了衰减系数ψ，设定如下更新方式：rt+1(u,v)←(1‑ψ)rt+1(u,v)+ψrt(u,v)at+1(u,v)←(1‑ψ)at+1(u,v)+ψat(u,v)(5)设定最大迭代次数，将吸引度信息矩阵R与归属度信息矩阵A相加，取对角线的值大于0的点为聚类质心，得到z个聚类质心。

5.根据权利要求1所述的一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法，其特征在于:所述深度卷积神经网络模型的中间各层输入数据的自适应PCA降维的方法，采用如下步骤：

(1)对于传统的PCA降维方法，首先在所有线性组合中选取方差最大的组合F1，称为第一主成分；如果待降维原数据量F0不足以被第一主成分完全表示，再考虑选取第二个线性组合F2；为能有效地反映原数据量信息，F1已有信息就不需要再出现在F2中；用协方差方式来使F2中不再包含F1中的信息；

协方差的数学表达式如下，

Cov(F1，F2)＝E[(F1‑E(F1))][(F2‑E(F2))]＝E[F1F2]‑E[F1]E[F2]式中E[·]表示各样本的期望值；

依此类推可以构造出第三、第四、……，第p个主成分，使得原数据量F0能够用各个主成分表达，关系式如下：

F0＝α1F1+α2F2+α3F3+…+αpFp式中αl(1≤l≤p)表示第l个主成分Fl的权值；

(2)PCA降维法需要确定出p个主成分，才能完全表示出原始数据量F0，因此降维过程较为繁琐，且需要对降维对象有一定认知，才方便找出各个主成分；鉴于船舶焊缝缺陷种类繁杂，使用传统PCA法降维效率低下，预期效果差，无法在保存有效特征的基础上高效降维，为此基于误差控制原理，利用参数化方式提出了自适应PCA算法；当第k个主成分的权值小于

1e‑5时，就停止寻找下一个主成分，即把后面成分忽略；

(3)得到关于原始数据量F0的近似表达式：F0＝α1F1+α2F2+α3F3+…+αkFk(4)引入调节因子c，构造中间变量fq(1≤q≤k‑1)：fq＝Fq‑c·Fq+1

(5)确定第l个主成分fl的权值βl(1≤l≤p)使得满足下式：F0＝β1f1+β2f2+β3f3+…+βk‑1fk‑1对于不同k值，该算法能自动地去确定c取值；舍弃可忽略成分，可以避免传统PCA算法需要繁琐地确定p个主成分的缺点。