1.一种基于残差网络和知识编码的锯链缺陷检测方法，其特征在于，具体步骤如下：步骤1、图像分割：将采集到的高分辨率锯链图像通过自适应图像分割算法提取零件关键区域，获得实时锯链零件的分割图和位置信息，位置信息以位置矩阵的形式存储；

步骤2、特征提取：将分割图传入基于残差网络ResNet34的深度学习模型中，并采用迁移学习的方式提高训练效率，分类网络提取零件类别特征和颜色特征，完成零件分割图的分类工作；标准锯链则基于自身的装配关系和零件尺寸提取其零件的类别和颜色特征；

步骤3、缺陷检测和定位：通过知识编码的方式将分割图提取的特征以实时矩阵的形式表示，标准锯链的特征以标准矩阵的形式表示，实时矩阵与标准矩阵通过矩阵运算的方式判断缺陷，并结合位置矩阵完成缺陷定位；

在步骤1中，图像分割算法的具体步骤如下：

步骤1.1、首先将输入的实时图像进行高斯滤波平滑处理，并根据锯链的像素位置提取锯链主体区域；

步骤1.2、然后通过霍夫变换算法定位出铆钉的位置，并根据固有的装配关系定位出其他零件位置；

步骤1.3、最后将零件的最小外接矩形框大小定为分割图大小，通过仿射变换算法得到零件分割图，并将分割图的几何中心点定为零件的位置坐标存储至位置矩阵中；

在步骤2中，分割图传入基于残差网络ResNet34的深度学习模型的具体步骤如下：步骤2.1、采用在ImageNet数据集上训练的ResNet34模型作为预训练模型，冻结模型的浅层结构和参数，全连接层更换为锯链零件的类别数；

步骤2.2、通过softmax激活函数得到分类结果，使每个分割图都获得类别标签，同时完成零件个体缺陷的检测工作；

在步骤3中，具体步骤如下：

步骤3.1、建立知识矩阵：锯链知识矩阵表示零件类型、零件颜色、装配关系，特征通过标签编码以一维状态向量的方式表示；状态向量共有三种类别：第1类是功能件类型，包括正常情况与缺陷情况；第2类是铆钉的类型信息，包括铆裂、漏铆和铆钉正常三种状态；第3Y类是功能件的颜色信息，用向量F、G、H反映上述类别；实时锯链的特征信息通过矩阵X表示，Y Y Y Y YX＝[F ，G ，H ]T，标准锯链的特征信息则由 表示；其中，X 表示实时矩Y Y Y阵，F ，G，H 三个状态向量分别表示实时锯链的功能件类型、铆钉的类型信息、功能件的颜Z色信息，X表示标准矩阵， 表示零件k的信息；

步骤3.2、检测缺陷：首先基于知识编码判断锯链零件间的装配缺陷，将不同状态类型Y Y* Y Y*的同一零件，使用相同的代码进行编译，使F更新为F ，更新实时矩阵X为X ；然后通过p范Y* ZJ ZJ Y* Y* Z数匹配出与X 相似度最高的标准矩阵X ，以X 为模板判断X 中是否发生装配缺陷，X 与X集合中的矩阵依次相减，将差集取p范数，如公式(1)所示：Y* ZJ

其中，lp表示p范数的值，X 表示更新完状态向量的实时矩阵，X 表示与实时矩阵相匹Y配的标准矩阵，x为实时矩阵的元素， 为与实时矩阵相匹配的标准矩阵中的元素；

ZJ

将lp最小值相对应的标准矩阵定为X ，并记录差集矩阵中非零元素的行、列位置和数值，最后结合位置矩阵L定位。

2.根据权利要求1所述的一种基于残差网络和知识编码的锯链缺陷检测方法，其特征Y Y在于，为进一步定位个体缺陷，将X中装配缺陷编码纠正，将非零元素的位置信息传入X中，ZJ Y Y用标准矩阵X 中相应位置的元素替换X 中的元素，确保实时矩阵X中无错位类型，重新得* * ZJ *到矩阵X；通过稀疏矩阵得出X‑X 的非零元素在的坐标；对X中此位置的编码反编译，即可确定零件个体缺陷类型；非零元素的坐标信息传入位置矩阵L中，即可定位零件个体缺陷。