1.一种基于图像处理与深度学习相结合的大丝束碳纤维缺陷检测方法，其特征在于，包括：采集大丝束碳纤维图像并进行预处理；

基于预处理后的图像对大丝束碳纤维中断丝和纬线缺陷进行检测，包括：提取筛选后的各连通域区域宽度，如果存在连通域区域宽度大于整个图像宽度的一半则判断为纬线缺陷，否则不是纬线缺陷；

对筛选后的连通域区域取最小内接矩形；

对得到的最小内接矩形进行宽度延长，将筛选后的连通域区域与宽度延长后的区域进行相交得到交集区域；

将筛选后的连通域区域与所得到的交集区域做差，得到差值区域；

对所述差值区域进行打散，并计算打散后的连通域个数，若打散后的连通域个数大于等于2则判断为断丝缺陷，否则不为断丝缺陷；

对于不存在断丝和纬线缺陷的图像，判断缺陷区域，包括：对预处理筛选后的各个连通域区域进行矩形度计算；

对于矩形度大于0.8的连通域区域，基于灰度均值判断缺陷区域，包括：对于矩形度大于0.8的连通域区域，计算连通域区域的灰度均值；若灰度均值大于50，则判断为缺陷区域，否则不是缺陷区域；

对于矩形度小于0.8的连通域区域，基于边缘提取及轮廓分割判断缺陷区域，包括：对于矩形度小于0.8的连通域区域，对连通域区域进行亚像素边缘提取；

采用直线对提取的边缘轮廓进行分割；

将分割后的亚像素边缘轮廓转化为区域，并对区域的特征坐标、角度和宽度进行范围限定，若存在符合限定范围的区域则是缺陷区域，反之不是缺陷区域；

以及，

对于矩形度小于0.8的连通域区域进行灰度均值计算，对该连通域区域未进行预处理的图像进行全局阈值分割，灰度阈值范围为[0，M0+15]，其中M0为原图像的灰度均值；

对全局阈值分割后的区域进行打散得到连通域，并对打散后的连通域进行面积范围、宽度范围、高度范围以及连通域中点坐标范围限定，若存在符合限定范围的连通域区域，则判断为缺陷区域；反之不是缺陷区域；

基于缺陷区域的中心点从大丝束碳纤维原图中裁剪出缺陷图像；

对裁剪的缺陷图像基于深度学习检测毛团缺陷和打结缺陷。

2.根据权利要求1所述的一种基于图像处理与深度学习相结合的大丝束碳纤维缺陷检测方法，其特征在于，所述采集大丝束碳纤维图像并进行预处理，包括：对采集的大丝束碳纤维图像进行中值滤波；

对中值滤波后的图像进行灰度加强；

对灰度加强后的图像进行全局阈值分割，并将分割后的区域进行打散得到单独的连通域，筛选灰度值满足预设要求的连通域区域并去除面积不符合预设要求的杂质区域。

3.根据权利要求2所述的一种基于图像处理与深度学习相结合的大丝束碳纤维缺陷检测方法，其特征在于，所述基于缺陷区域的中心点从大丝束碳纤维原图中裁剪出缺陷图像，包括：以缺陷区域中点横坐标和原图像宽度的一半为纵坐标作为中心点，生成800×500像素值的区域，从大丝束碳纤维原图中裁剪出该生成的800×500像素值区域作为缺陷图像。

4.根据权利要求3所述的一种基于图像处理与深度学习相结合的大丝束碳纤维缺陷检测方法，其特征在于，若裁剪后宽度不满足800则采用灰度值为255在右侧填充不满足的图像区域，保证裁剪后的图像尺寸满足统一数值。

5.根据权利要求3所述的一种基于图像处理与深度学习相结合的大丝束碳纤维缺陷检测方法，其特征在于，所述对裁剪的缺陷图像基于深度学习检测毛团缺陷和打结缺陷，包括：采集大量含缺陷的大丝束碳纤维图像并进行人工标记缺陷种类标签，构建数据集；所述标签分为两类：毛团、打结；

将所述数据集划分为训练集、验证集和测试集；

将训练集导入ResNet50网络中进行训练，得到训练好的基于ResNet50网络的缺陷检测模型；

将裁剪的缺陷图像输入到训练好的缺陷检测模型中，输出所属的缺陷类别及缺陷区域中点坐标，并对缺陷区域进行加框显示。

6.一种基于图像处理与深度学习相结合的大丝束碳纤维缺陷检测系统，其特征在于，用于实现权利要求1至5任意一项所述的基于图像处理与深度学习相结合的大丝束碳纤维缺陷检测方法，所述系统包括：预处理模块，用于采集大丝束碳纤维图像并进行预处理；

第一检测模块，用于基于预处理后的图像对大丝束碳纤维中断丝和纬线缺陷进行检测；

判断模块，用于对于不存在断丝和纬线缺陷的图像，判断缺陷区域，并基于缺陷区域的中心点从大丝束碳纤维原图中裁剪出缺陷图像；

第二检测模块，用于对裁剪的缺陷图像基于深度学习检测毛团缺陷和打结缺陷。