1.基于联合孪生神经网络的机舱微小划痕检测方法，其特征在于：包括以下步骤：S1、数据预处理；

S2、构建联合孪生神经网络；

S3、利用预处理得到的数据训练得到性能良好的神经网络模型；

所述步骤S2中神经网络的整体结构是针对机舱微小划痕检测的联合孪生神经网络，其具体包括残差结构模块RM、联合孪生注意力模块和多视图自注意力机制模块；所述残差结构模块和联合孪生注意力模块均是多个堆叠在一起的模块，形成不同层次的特征提取器和分类器，每个残差结构模块中含有多个相同残差单元，所述残差单元通过堆叠卷积层和激活函数组成，用于提取并强化特征，每个残差单元都与前一个残差单元相连，以形成深度学习中的残差连接；联合孪生注意力模块包含了两个残差结构模块输入，其利用注意力机制用于精细地聚焦图像的关键区域；

所述残差结构模块RM，包括采集局部特征并转化通道的输入层、多尺度编码分析的U型结构层和融合输出层；所述U型结构层左半部分为编码结构，通过卷积处理得到多尺度的特征，并利用下采样方法增大感受野，其右半部分为解码结构，通过上采样将特征进行编码为高分辨率的特征图，其中间部分通过跳跃结构将编码结构与解码结构进行级联；

所述联合孪生注意力模块在解码阶段的残差结构模块RM上，进行上采样时引入的通道空间注意力机制，进而增强模型对感兴趣特征的处理能力；所述多视图自注意力机制模块在输出时对于不同尺度的特征采取的自注意力，将多个视图层面的特征进行融合，以更充分地利用提取得到的特征；

所述步骤S3具体包括以下步骤：

S31、从预处理后的数据集中选取N＝32个样本作为一个batch；

S32、将步骤S31的每个batch中数据进行裁剪、缩放和拼接，以构建出适用于神经网络训练的batch数据；

‑4

S33、设置自监督学习中训练的学习率为5×10 ，神经网络参数更新算法为Adam；

S34、训练过程中目标函数的损失包括像素值损失和权重交叉熵损失，其目标函数损失的计算公式为：其中， 表示模型的目标函数损失， 表示权重交叉熵函数损失， 表示像素值函数损失，α表示超参数，其超参数α设置为1.5；

所述像素值函数损失的计算公式为：

其中，F(x)表示联合孪生神经网络的输入，xGT表示经过精心标注的二值化的微小划痕掩膜；

所述权重交叉熵函数损失的计算公式为：

其中，N表示样本总数，C表示类别数，wc表示第c个类别的权重因子，yi，c表示第i个样本属于第c个类别的标签，pi，c表示第i个样本属于第c个类别的概率；

S35、在训练过程中对神经网络的参数进行L1正则化方式处理，其计算公式为：其中，λ表示L1正则化项占总损失的比重，其值设置为0.15，θi表示神经网络中不断优化的参数；

S36、神经网络共经过多轮的训练，最终的算法性能以检测微小划痕的准确率和召回率作为评价指标。

2.如权利要求1所述的基于联合孪生神经网络的机舱微小划痕检测方法，其特征在于：所述步骤S1数据预处理具体包括以下步骤：

S11、通过光学显微镜在实际场景中采集得到数据集，为了保证数据端正负样本的平衡，对于采集的数据集样本以人为的方式增加微小划痕所占比例；

S12、以Lanczos插值的方式将步骤S11中采集得到的数据集图像大小调整为512×512；

S13、将以扩充方式获取得到的数据集进行旋转、平移、缩放和加噪，增加样本数量和多样性，提高模型的泛化能力。