1.一种基于改进Faster RCNN算法的金属表面缺陷检测方法，其特征在于，包括以下步骤：步骤一、从东北大学采集的NEU‑DET公开数据库中获取金属表面缺陷图像样本，并对其进行预处理；

步骤二、基于Faster RCNN目标检测模型，选取参数量较少性能较好的骨干网络ResNet101作为Faster RCNN目标检测模型中的特征提取网络，ResNet101网络由100个卷积层和一个全连接层组成，通过卷积步长改变图像尺度，其网络结构分为五个阶段，每经过一个阶段图片下采样2倍；为了增强小目标的检测效果，引入特征金子塔进行特征融合；将ResNet101的后三个阶段中所有的3×3传统卷积替换为可变形卷积；

步骤三、优化损失函数，简化模型训练的复杂性，提高模型性能；模型的总损失为分类损失和回归损失两个部分的加权和，其具体改进方法为用Rank&Sort Loss代替分类损失中的交叉熵损失，回归损失采用GIOU损失，改进后模型总损失的加权参数为RS Loss除以回归损失，RS Loss的计算公式如下：式中:p为正样本的集合；lRS(i)为当前rank误差和当前sort误差的总和，即当前RS误差； 为目标rank误差和目标sort误差的总和，即目标RS误差；

步骤四、优化区域建议网络，改进锚点生成方式，使生产的锚框更加契合缺陷目标尺度；

步骤五、模型训练；

步骤六、用训练好的模型对测试样本进行预测并输出金属表面缺陷的类别和位置信息。

2.根据权利要求1所述的基于改进Faster RCNN算法的金属表面缺陷检测方法，其特征在于，所述步骤一中，首先，从东北大学采集的NEU‑DET公开数据库中获取金属表面缺陷图像样本，将数据库中的样本规格化为416×416大小，以8：2的比例划分出训练集和测试集并对训练样本进行平移、翻转、调整饱和度、对比度一系列数据增强操作。

3.根据权利要求1所述的基于改进Faster RCNN算法的金属表面缺陷检测方法，其特征在于，所述步骤四中，优化区域建议网络，根据分析得出的数据库中每张图像样本上的缺陷目标标注框的长宽比例，面积大小特征信息改进锚点生成方式中的长宽比及缩放比，使生成的锚框和瑕疵目标更加匹配。

4.根据权利要求1所述的基于改进Faster RCNN算法的金属表面缺陷检测方法，其特征在于，所述步骤五中，模型的训练包括以下步骤：

4.1网络参数初始化；

4.2设置训练参数；

4.3加载训练数据；

4.4迭代训练。

5.根据权利要求4所述的基于改进Faster RCNN算法的金属表面缺陷检测方法，其特征在于，所述步骤4.1网络参数初始化中，具体操作为：利用resnet101模型提取输入图像的特征信息。

6.根据权利要求4所述的基于改进Faster RCNN算法的金属表面缺陷检测方法，其特征在于，所述步骤4.2设置训练参数中，具体操作为：网络的初始学习率设置为0.0012，学习动量设为0.9，权重衰减系数为0.0001，采用SGD优化器。

7.根据权利要求4所述的基于改进Faster RCNN算法的金属表面缺陷检测方法，其特征在于，所述步骤4.4迭代训练中，采用随机梯度下降算法对改进的网络结构进行迭代训练，每迭代621次保存一次网络参数，经过不断迭代，取得网络最优解。