1.一种基于深度学习的虚拟装配缺陷检测方法，其特征在于：包括如下步骤：S1：通过检测装置，获取虚拟装配过程的图像信息；

S2：提取虚拟装配过程的图像信息，并对虚拟装配过程的图像信息进行预处理；

S3：以预处理信息为原始信息构建并训练深度学习网络，获得深度学习模型；

S4：将深度学习模型部署到系统中进行应用当虚拟装配缺陷存在时进行自动预警；

深度学习算法步骤如下：

S3.1：将虚拟装配过程的图像信息和图像增强后的虚拟装配过程的图像像素点通过大图像标注器标注后作为深度学习模型训练的输入；

S3.2：构造网络的输入层、隐藏层、输出层；

S3.3：将大图像标注器标注后的虚拟装配图像信息进行切割分为训练集和测试集；

S3.4：构建损失函数；

S3.5：重复隐藏层工作直至损失函数收敛输出所有参数；

所述深度学习包括卷积层、池化层、全连接层，具体如下：卷积层：

；

；

；

其中A为卷积核， 为卷积核内的数据，卷积核内存储的数据是用于特征提取的权重参数，这些参数通过训练过程学习得到，可以捕捉到输入数据中与缺陷相关的特征，X为原始输入虚拟装配过程的特征图， 为图像增强后的虚拟装配过程的图像像素点对应的像素值，B为偏置矩阵，C为计算后得到的矩阵；

池化层：

；

其中 为池化后得到的像素值，nm为池化层选取步长的大小；

全连接层：正向传播：

；

其中a为正向传播的输入， 为正向传播权重系数， 为第i个神经元的偏置值， 为激活后的向量， 为激活函数， 为池化后得到的像素值,反向传播：；

；

；

其中loss为损失函数， 为学习率， 为模型的预测值， 为真实的目标值，最后得到预测结果：；

其中 为最终预测结果， 为对应像素点（i,j）的像素值，关于R的函数进行模型封装，方便后续部署到CPU或GPU当中去。

2.根据权利要求1所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述S2中的预处理操作包括图像降噪、图像标注、图像增强。

3.根据权利要求2所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述图像降噪是通过对虚拟装配过程的信息进行中值滤波，计算公式如下：；

其中 为降噪后i行j列对应的像素值， 为降噪前k行l列对应的像素值， 为降噪邻域大小。

4.根据权利要求2所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述图像标注是通过MATLAB自带的大图像标注器对降噪后的数据进行标注。

5.根据权利要求4所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述图像增强计算公式如下：；

其中 为处理后图像对应的像素点（i,j）对应的像素值 ， 为原始的图像对应的像素点（i，j）的像素值 ， 为空间转化函数。

6.根据权利要求1所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述深度学习的虚拟装配缺陷检测识别模型是通过卷积层、池化层和全连接层训练获得。

7.根据权利要求6所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述将深度学习模型部署到系统是将虚拟装配缺陷检测识别模型部署到系统CPU或GPU中进行后续输入预测。

8.根据权利要求7所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述S4中自动预警是将训练模型部署到CPU或GPU中当运行检测到虚拟装配缺陷存在时控制计算机。