1.基于迁移学习与多注意力机制的废旧电路板缺陷分类方法，包括以下步骤：S1，构建改进ResNet50模型；

S2，对构建的改进ResNet50模型进行训练；

S3，使用训练好的改进ResNet50模型，进行废旧电路板表面缺陷分类；

其特征在于，S1中，所述改进ResNet50模型的构建方法包括：

获取ResNet50网络；将ResNet50网络的全连接层结构修改为1×5；将ResNet50网络的参数迁移为预训练模型的参数，作为初始化权重；所述预训练模型为ResNet50网络在ImageNet训练得到的；将注意力SE模块嵌入到ResNet50网络的Layer1、Layer2层中；将注意力CA模块嵌入到ResNet50网络的Layer3、Layer4层中；

S1中，将ResNet50网络的Layer1、Layer2、Layer3层参数替换为预训练模型的Layer1、Layer2、Layer3层参数；

将注意力SE模块嵌入到ResNet50网络的Layer1、Layer2层中的方法包括：选定ResNet50网络的Layer1、Layer2层中的Bottleneck残差结构层；对Layer1、Layer2层中的任一Bottleneck残差结构层的卷积输入进行全局池化，得到特征图一；对特征图一先降维得到降维图，再升维得到特征图二；对特征图二进行经过Sigmoid激活函数处理，得到特征图三；将特征图三与Layer1、Layer2层中的对应的Bottleneck残差结构层的卷积输入相乘，将乘积作为Layer1、Layer2层中的对应的Bottleneck残差结构层的输出；

将注意力CA模块嵌入到ResNet50网络的Layer3、Layer4层中的方法包括：选定ResNet50网络的Layer3、Layer4层中的Bottleneck残差结构层；

对Layer3、Layer4层中的任一Bottleneck残差结构层的卷积输入进行宽度方向和高度方向的1D池化，得到两个信息嵌入特征图；对两个信息嵌入特征图沿着空间维度拼接，再经过1×1卷积变换激活，得到信息拼接图；在空间维度对信息拼接图用Split操作得到两个信息分割特征图；对两个信息分割特征图进行1×1卷积，再经过Sigmoid激活函数处理，形成两个注意力向量；将两个注意力向量分别按高度方向和宽度方向广播，将其尺寸恢复到与Layer3、Layer4层中的对应的Bottleneck残差结构层的卷积输入尺寸相同，再与Layer3、Layer4层中的对应的Bottleneck残差结构层的卷积输入相乘，将乘积作为Layer3、Layer4层中的对应的Bottleneck残差结构层的输出。

2.根据权利要求1所述的基于迁移学习与多注意力机制的废旧电路板缺陷分类方法，其特征在于，Layer1、Layer2层中的任一Bottleneck残差结构层的卷积输入的尺寸为C×H×W；其中，C表示卷积输入通道序号，H表示卷积输入的高度方向尺寸，W表示卷积输入的宽度方向尺寸；

特征图一、特征图二、特征图三的尺寸均为C×1×1；

降维图的尺寸为C/r×1×1；其中，r表示缩减比率。

3.根据权利要求1所述的基于迁移学习与多注意力机制的废旧电路板缺陷分类方法，其特征在于，Layer3、Layer4层中的任一Bottleneck残差结构层的卷积输入的尺寸为C×H×W；其中，C表示卷积输入通道序号，H表示卷积输入的高度方向尺寸，W表示卷积输入的宽度方向尺寸；

两个信息嵌入特征图的尺寸分别为C×H×1、C×1×W；

信息拼接图的尺寸为C/r×1×(W+H)；其中，r表示缩减比率；

两个信息分割特征图的尺寸分别为C×H×1、C×1×W；

两个注意力向量恢复前的尺寸分别为C×H×1、C×1×W。

4.根据权利要求1‑3中任一项所述的基于迁移学习与多注意力机制的废旧电路板缺陷分类方法，其特征在于，S2包括：S2.1，获取电路板表面缺陷图像数据集；

S2.2，将所述电路板表面缺陷图像数据集进行数据增强处理，得到处理后的废旧电路板数据集；

S2.3，将处理后的废旧电路板数据集划分为训练集和验证集；

S2.4，使用训练集对模型参数进行训练，使用验证集对模型参数进行反馈调整，直至模型收敛得到训练好的融合网络模型。

5.根据权利要求4所述的基于迁移学习与多注意力机制的废旧电路板缺陷分类方法，其特征在于，S2.2中，数据增强处理的方法包括：对电路板表面缺陷图像数据集进行随机旋转、添加高斯噪声、添加椒盐噪声。

6.一种废旧电路板缺陷分类装置，其特征在于，使用了如权利要求1‑5中任一项所述的基于迁移学习与多注意力机制的废旧电路板缺陷分类方法；

所述废旧电路板缺陷分类装置包括：

模型构建模块，其用于构建改进ResNet50模型；

模型训练模块，其用于对构建的改进ResNet50模型进行训练；以及检测分析模块，其用于使用训练好的改进ResNet50模型，进行废旧电路板表面缺陷分类。

7.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行如权利要求1‑5中任一项所述的基于迁移学习与多注意力机制的废旧电路板缺陷分类方法。