1.一种基于改进retinanet算法的带钢表面缺陷检测方法，其特征在于，包括：获得缺陷图像并对其进行加载以形成缺陷样本，通过数据增方法对所述缺陷样本进行扩充以增加数据集样本，所述数据集样本包括训练集样本、验证集样本和测试集样本；

根据retinanet模型搭建表面缺陷检测网络，通过对所述表面缺陷检测网络依次进行参数初始化、设置超参、加载训练集样本以及设置迭代次数的方式，实现模型训练以获得最优检测模型；

将所述测试集样本导入所述检测模型中进行测试，并对测试集样本进行类别分类和位置回归，得到最终检测结果；

所述表面缺陷检测网络包括特征提取网络、特征增加网络、特征融合网络以及优化损失函数，所述特征增加网络包括上下文聚合模块以及多尺度感受视野模块，所述表面缺陷检测网络的具体检测方法为：S1、获取有效特征图 ，其中 为浅层特征图、 为中高层特征图、 为深层特征图，具体操作步骤为选取由5个提取阶段的resnet50作为模型的特征提取网络，resnet50的每个阶段均通过卷积步长生成分辨率大小不同的特征图，选取最后三个阶段的特征图作为有效特征图得到有效特征图 ；

S2、引入上下文聚合模块并通过上下文聚合模块对 进行处理，获取小目标信息丰富的 ；

S3、引入含有四个分支多尺度感受视野模块并通过多尺度感受视野模块对 进行特征增强，其中多尺度感受视野模块的前三个分支中将原始的特征输入特征和前一个分支的输出特征拼接作为后一个分支的输入；

S4、使用可变形卷积以及3×3卷积对特征增强后的 进行下采样并生成更深层特征以及 ，将 作为有效特征图送入到特征融合网络进行多尺度特征融合；

S5、利用双向加权融合网络BiFPN，即特征融合网络，对五个有效特征图进行多尺度特征融合；

S6、优化定位损失，将retinanet模型中的L1loss替换成SmoothL1损失函数进行优化定位损失，所述SmoothL1损失函数的表达式为：具体为，使用SGD作为模型优化器优化定位损失。

2.根据权利要求1所述的基于改进retinanet算法的带钢表面缺陷检测方法，其特征在于，所述S2的具体操作步骤为：S201、将 以及 通过1×1卷积、BN、LeakyReLU处理后进行两倍、四倍上采样；

S202、使用3×3深度可分离卷积和1×1卷积细化浅层特征 ，细化小缺陷特征边缘信息；

S203、使用加权和操作，在每个特征图前乘上学习参数 ，进一步得到特征图并进行逐元素相加；

S204、加权和后加上CA注意力机制，削弱背景信息，加强通道之间的融合；

S205、将S204获得的特征图与浅层特征图 进行逐元素相加，得到小目标信息丰富的。

3.根据权利要求1所述的基于改进retinanet算法的带钢表面缺陷检测方法，其特征在于，所述多尺度感受视野模块对 进行特征增强的步骤为：S301、多尺度感受野增强模块的第一个分支使用非对称卷积核1×3、3×1提取特征，再使用空洞率为3的3×3卷积对特征进行卷积并输出；

S302、多尺度感受野增强模块的第二个分支使用非对称卷积核1×5、5×1提取特征，再使用空洞率为5的5×5卷积对特征进行卷积并输出；

S303、多尺度感受野增强模块的第三个分支使用操作为将1×3、3×1、3×3三个卷积核进行并行逐元素相加，接着再使用空洞率6的3×3卷积对特征进行卷积并输出；

S304、多尺度感受野增强模块的第四个分支使用全局平均池化后上采样并输出；

S305、将四个分支的输出进行拼接操作在进行降维得到最终特征增强后 。

4.根据权利要求1所述的基于改进retinanet算法的带钢表面缺陷检测方法，其特征在于，所述S5的具体操作步骤为：S501、对输入特征 进行特征引导上采样操作，接着与 进行加权后相加生成 ，重复特征引导上采样操作直至生成 ；

S502、将S501获得的 作为浅层输出 ，其他层的输出操作为：将 经过下采样操作后与 、 进行加权和融合后作为输出 ，其中 ， 由 经过下采样后与 通过加权和获得；

S503、增加自顶向下的融合路径，进一步加强信息之间的融合，用Ghost模块进行降维。

5.根据权利要求4所述的基于改进retinanet算法的带钢表面缺陷检测方法，其特征在于，所述S501中特征引导上采样的具体步骤为：S5011、使用双线性插值将 进行上采样，再与 进行逐元素相加操作并使用3*3卷积将通道数变为1来获得空间权重；

S5012、通过softmax函数对S5011中获得的空间权重进行归一化并将归一化后的空间权重 与 在通道维度上相乘，获得更加具有细节语义的特征图 ，其中 ；

S5013、重复S5011以及S5012的步骤，将 进行特征引导上采样操作，并将 、 进行加权和后生成 ，其中 。

6.根据权利要求4所述的基于改进retinanet算法的带钢表面缺陷检测方法，其特征在于，用公式表示S501的具体过程为：其中， ， 表示卷积核为3的卷积操作， 、 是通过快速归一化得到的学习权重，是一个固定值且为0.0001。

7.根据权利要求4所述的基于改进retinanet算法的带钢表面缺陷检测方法，其特征在于，用公式表示S502的过程为：其中， ， 、 、 是通过快速归一化得到的学习权重， 是一个固定值为

0.0001。

8.根据权利要求4所述的基于改进retinanet算法的带钢表面缺陷检测方法，其特征在于，所述S503的具体操作用公式表示为：其中， 。