1.一种冷轧铜带表面缺陷识别模型训练方法，其特征在于，所述训练方法包括：建立冷轧铜带的表面缺陷数据集；所述表面缺陷数据集包括多种表面缺陷类别各自对应的多张训练用图像；

构建初始识别模型；所述初始识别模型为深度卷积神经网络模型；

利用所述表面缺陷数据集对所述初始识别模型进行训练，得到识别模型；

所述利用所述表面缺陷数据集对所述初始识别模型进行训练，得到识别模型具体包括：将所述表面缺陷数据集划分为训练集、验证集和测试集，并设定模型参数；

利用通用数据集对所述初始识别模型中除输入层外的前N层进行预训练，得到预训练识别模型；

利用所述训练集和所述验证集对所述预训练识别模型中除输出层外的倒数若干层进行再训练，得到训练后模型；所述前N层和所述倒数若干层包括所述预训练识别模型中除所述输入层和所述输出层之外的其余所有层；

以所述训练集和所述验证集作为输入，根据所述训练后模型计算平均损失误差和平均精度，并判断所述平均损失误差是否小于预设损失误差且所述平均精度是否大于预设精度，得到第一判断结果；

以所述测试集作为输入，根据所述训练后模型计算正确率，并判断所述正确率是否大于预设正确率，得到第二判断结果；

当所述第一判断结果为是且所述第二判断结果为是时，以所述训练后模型作为识别模型；

否则，则对所述训练后模型进行优化调整，返回“利用所述训练集和所述验证集对所述预训练识别模型中除输出层外的倒数若干层进行再训练”的步骤，继续训练；

所述对所述训练后模型进行优化调整具体包括：调整所述模型参数、调整训练策略、对所述表面缺陷数据集的表面缺陷类别进行进一步划分和更改所述初始识别模型的网络结构；所述调整训练策略为从后向前依次放开模型的再训练层数。

2.根据权利要求1所述的训练方法，其特征在于，在建立冷轧铜带的表面缺陷数据集之前，所述训练方法包括：根据实际需要，选取线条、黑点、凹凸包、边裂、孔洞、虫斑、起皮和脏污作为表面缺陷数据集所包括的表面缺陷类别。

3.根据权利要求1所述的训练方法，其特征在于，所述建立冷轧铜带的表面缺陷数据集具体包括：对于每一所述表面缺陷类别，对冷轧铜带表面进行连续拍摄，得到多张初始图像；

利用图像增广方法对所述初始图像进行扩充，得到每一所述初始图像对应的多张扩充图像；

在所有所述扩充图像中，随机选取若干张所述扩充图像作为选取图像；

以所有所述初始图像和所有所述选取图像作为所述表面缺陷类别对应的多张训练用图像；所有所述表面缺陷类别对应的多张训练用图像组合得到表面缺陷数据集；所有所述表面缺陷类别对应的训练用图像的数量相同。

4.根据权利要求3所述的训练方法，其特征在于，所述利用图像增广方法对所述初始图像进行扩充，得到每一所述初始图像对应的多张扩充图像具体包括：采用多种变换方式分别对所述初始图像进行变换，得到每一所述初始图像对应的多张扩充图像；每一所述变换方式对应一所述扩充图像；所述变换方式包括添加高斯噪声、添加椒盐噪声、旋转、亮度减弱和亮度增强。

5.根据权利要求4所述的训练方法，其特征在于，所述采用多种变换方式分别对所述初始图像进行变换具体包括：对于每一所述变换方式，在所述变换方式所对应变换参数的设定范围内随机产生一变换参数，利用所述变换参数对所述初始图像进行变换。

6.根据权利要求1所述的训练方法，其特征在于，所述初始识别模型包括依次连接的输入层、第一卷积层、若干个移动逆瓶颈卷积模块层、第二卷积层、池化层、多个全连接隐含层和输出层。

7.一种冷轧铜带表面缺陷识别方法，其特征在于，所述识别方法包括：获取冷轧铜带对应的待识别图像；

以所述待识别图像作为输入，利用权利要求1训练得到的识别模型对所述待识别图像进行实时识别，得到所述待识别图像对应的表面缺陷类别。

8.一种冷轧铜带表面缺陷识别系统，其特征在于，所述识别系统包括：获取模块，用于获取冷轧铜带对应的待识别图像；

识别模块，用于以所述待识别图像作为输入，利用权利要求1训练得到的识别模型对所述待识别图像进行实时识别，得到所述待识别图像对应的表面缺陷类别。