1.多层次图像处理与深度学习模型协同的电池缺陷检测方法，其特征在于，包括以下步骤：步骤1、通过图像采集系统对电池产线数据进行实时采集，对电池原始样本进行灰度处理；

步骤2、对预处理后的图片进行轮廓提取，并根据轮廓有无进行初步判断；

步骤3、若轮廓存在，则根据轮廓半径及坐标信息进行图像裁剪，去除背景信息保留电池图像区域；

步骤4、对裁剪后的图像进行变换处理进一步减少背景信息干扰；

步骤5、将剪裁后的电池图片输入至预先训练的深度学习模型，进行后续缺陷检测。

2.根据权利要求1所述的多层次图像处理与深度学习模型协同的电池缺陷检测方法，其特征在于，所述步骤2中，对预处理后的图片进行轮廓提取的具体过程如下：

1)对经过灰度处理的图片进行双边滤波处理，在保持边缘信息和图像清晰度的同时有效地去除图像中的噪声；

2)利用canny算子，基于图像梯度的变化进行边缘检测，找到边缘像素点获取电池图像的边缘轮廓；

3)对经过步骤2)处理后的图像进行Hough变换来探测图像中的圆，通过设置min_Radius和max_Radius参数过滤除电池样本轮廓外的圆，设定边缘检测阈值获取电池样本最外侧的圆轮廓，并进行初步检测，若没有检测到圆，则判定为NG样本。

3.根据权利要求2所述的多层次图像处理与深度学习模型协同的电池缺陷检测方法，其特征在于，所述步骤3中，根据轮廓半径及坐标信息进行图像裁剪的具体过程如下：

1)根据识别到的电池图像圆轮廓，利用边界矩形函数获取圆轮廓的最大外接矩形的位置和尺寸信息；

其中尺寸信息包括外界矩形的左上角X坐标，外界矩形的左上角Y坐标，矩形框的宽度W,矩形框的高度H；

2)根据原始图像和圆轮廓的外界矩形的信息，并设定尺寸包容阈值r，计算裁剪区域的坐标(Xmin,Ymin,Xmax,Ymin)；

3)从原图中裁剪出指定区域，并计算裁剪区域的新圆心位置(new_x_center,new_y_center)，用于后续操作；

4)计算裁剪区域的最大半径(max_radius)，作为圆的半径信息，用于后续操作。

4.根据权利要求3所述的多层次图像处理与深度学习模型协同的电池缺陷检测方法，其特征在于，所述步骤4中，对裁剪后的图像进行变换处理提取最大的圆形区域，减少背景信息的干扰，具体步骤包括：

1)根据剪裁之后的图像尺寸信息创建一个大小相同的掩膜(mask)；

2)根据步骤3所获取的(new_x_center,new_y_center)作为新圆心坐标，max_radius作为半径在掩膜上绘制白色(255,255,255)的圆；

3)利用包容阈值扩展掩膜的大小，同时使用掩膜对裁剪后的图像进行按位与操作，提取最大圆形区域，获取新电池图像作为后续模型输入。