1.基于人工智能的炉排异常检测方法，其特征在于，该方法包括以下步骤：在俯视视角采集炉排的表面图像，提取所述炉排的炉排边缘；

计算所述表面图像中每个像素点梯度的置信度，对置信度高于预设阈值的像素点进行霍夫直线检测，得到由多条直线映射在霍夫空间的多个坐标点；

选取长度最长的直线段作为第一炉排条，并获取对应的第一坐标点；筛选出与所述第一坐标点同一横坐标的坐标点作为疑似炉排点，以相邻的疑似炉排点之间的距离的众数作为炉排间隔；以所述第一坐标点为中心，根据所述炉排间隔进行搜索，得到所有炉排点；

获取所述表面图像的语义分割图像，在所述语义分割图像中提取所述炉排点对应的炉排条，将所述炉排条和所述炉排边缘反色，得到缺陷区域。

2.根据权利要求1所述的基于人工智能的炉排异常检测方法，其特征在于，该方法还包括以下步骤：根据所述炉排边缘获取炉排的整体特征；所述整体特征包括尺寸特征和形状特征；

获取所述缺陷区域的分布指标；以所述缺陷区域的面积、位置信息以及所述分布指标作为所述炉排的局部特征；

根据所述整体特征和所述局部特征计算所述炉排的异常程度。

3.根据权利要求2所述的基于人工智能的炉排异常检测方法，其特征在于，所述分布指标获取方法为：对所有所述缺陷区域的中心点进行聚类，得到聚类类别的数量和离散点的数量；

根据所述聚类类别的数量以及所述离散点的数量计算所述分布指标。

4.根据权利要求2所述的基于人工智能的炉排异常检测方法，其特征在于，所述分布指标获取方法为：获取每两个所述缺陷区域之间的最短距离，以所有所述最短距离之和作为所述分布指标。

5.根据权利要求2所述的基于人工智能的炉排异常检测方法，其特征在于，所述尺寸特征的获取步骤包括：根据所述炉排边缘得到所述炉排的检测半径，以所述检测半径与标准炉排的标准半径的差值作为所述尺寸特征。

6.根据权利要求2所述的基于人工智能的炉排异常检测方法，其特征在于，所述形状特征的获取步骤包括：统计所述炉排边缘内的像素点数量作为炉排面积，根据所述炉排面积和所述炉排边缘的长度计算所述炉排边缘的圆形度，以所述圆形度作为所述形状特征。

7.根据权利要求1所述的基于人工智能的炉排异常检测方法，其特征在于，所述置信度的计算过程为：利用每个像素点在水平方向和竖直方向的梯度计算每个像素的梯度幅值，根据所述梯度幅值 计算所述置信度。

8.根据权利要求5所述的基于人工智能的炉排异常检测方法，其特征在于，所述得到所有炉排点还包括以下步骤：统计所述炉排点的数量，将其与所述标准炉排的炉排条数量进行对比，判断所述炉排是否存在多余附着物或者缺失炉排条。

9.根据权利要求1所述的基于人工智能的炉排异常检测方法，其特征在于，所述炉排边缘的提取步骤还包括：去除所述表面图像的噪声，得到去噪图像，然后对所述去噪图像进行光照均衡化处理。

10.基于人工智能的炉排异常检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～9任意一项所述基于人工智能的炉排异常检测方法的步骤。