1.一种基于证据深度学习的无锚框表面缺陷可信检测方法，其特征在于：所述无锚框表面缺陷可信检测方法用于基于计算机视觉的工业产品表面缺陷检测，该方法包括以下步骤：步骤1、获取缺陷样本训练数据集；

步骤2、构建不确定性感知缺陷检测模型：基于证据深度学习构建无锚框表面缺陷可信检测模型，包括构建特征提取网络、构建缺陷中心证据热力图预测头、构建缺陷尺寸预测头和构建离散化误差预测头；

步骤3、提出一种不确定性自适应加权的中心证据热力图损失，并结合尺寸损失和离散化误差损失，训练所述不确定性感知缺陷检测模型；

步骤4、获取缺陷样本测试数据集；

步骤5、将测试图像输入训练好的不确定性感知缺陷检测模型中，分别预测缺陷中心证据热力图、缺陷尺寸热力图以及离散化误差热力图；

步骤6，基于DS证据融合的识别推理：根据主观逻辑理论以及DS证据理论进行缺陷中心证据热力图局部峰值点可信融合，再结合缺陷尺寸热力图和离散化误差热力图得到最终预测框。

2.根据权利要求1所述的一种基于证据深度学习的无锚框表面缺陷可信检测方法，其特征在于：所述步骤2具体包括以下步骤：步骤2.1、构建特征提取网络：设输入特征提取网络的图像为 ，所述图像通道数为1，宽、高分别为 和 ，将图像 输入到特征提取网络中，特征提取网络是一个深度卷积网络记为 ，则图像 对应的特征图为 ， 是特征通道数， 和 是特征图的宽和高；

步骤2.2、构建缺陷中心证据热力图预测头：将步骤2.1输出的特征图输入到缺陷中心证据热力图预测头中，将缺陷中心证据热力图预测头记为 ，得到输出热力图，是样本 编号，表示数据集中缺陷的总类别数，所述热力图 共有 个通道，宽、高分别为 和 ，热力图 上每一点都是一个 维的向量，代表整个网络在这一点收集到的 类缺陷以及背景的证据量；

步骤2.3、构建缺陷尺寸预测头：将步骤2.1输出的特征图 输入到缺陷尺寸预测头，得到缺陷尺寸预测头输出的热力图 ；

步骤2.4、构建离散化误差预测头：将步骤2.1输出的特征图输入到离散化误差预测头，得到离散化误差预测头输出的热力图 。

3.根据权利要求2所述的一种基于证据深度学习的无锚框表面缺陷可信检测方法，其特征在于：步骤3包括以下步骤：步骤3.1、缺陷中心证据热力图预测头的不确定性自适应加权损失；

步骤3.2、缺陷尺寸预测头和离散化误差预测头损失：缺陷尺寸预测头输出热力图和离散化误差预测头输出热力图 分别代表整个网络预测的每一缺陷中心对应的缺陷的尺寸和离散化误差，在缺陷中心对 和 进行 损失监督，损失函数记为和 ，其中 代表整个网络中可学习的参数；

步骤3.3、计算单样本的总损失，并且训练：缺陷图片样本 的总损失为：，

其中 和 分别为宽高预测损失和离散化误差损失的权重超参数。

4.根据权利要求3所述的一种基于证据深度学习的无锚框表面缺陷可信检测方法，其特征在于：所述步骤3.1具体包括以下步骤：步骤3.1.1、缺陷中心证据热力图预测头输出的热力图 为网络预测的证据量，通过证据量热力图，结合主观逻辑理论，将证据热力图转换成缺陷中心概率热力图 ，缺陷中心概率热力图 上任意一点 都代表这个点是某一类缺陷中心或者是背景的概率向量，计算方法为：，

其中 ，为第 个样本，为热力图 上每一点所对应的向量的某一维度， ；根据主观逻辑理论，计算得到在任意一点 的模型不确定性： ，以及任意一点 每一维度的信念值： ，且两者满足；

步骤3.1.2、设缺陷中心热力图的真实标签为 ，其中缺陷中心概率热力图 上任意一点 的值为：

，

根据上述公式得到在中心热力图上的每个像素点上的对应交叉熵损失的贝叶斯风险损失函数： ，

其中 是 函数， 是缺陷中心概率热力图上第 位置的向量的第 维，是陷中心证据热力图上一点， 是陷中心证据热力图上第 位置的向量的第 维，是 函数，满足 ， 为 函数；

步骤3.1.3、使用模型不确定性 替代Focal loss中的 ，实现了不确定性自适应加权的证据热力图预测头损失，表示为：，

其中 是控制不确定性权重的超参数；

步骤3.1.4、令 ， 代表两个向量中逐元素相乘，表示预测错误的类别的证据量，错误分类正则项 计算方式为：，

其中 为 函数， 是 函数；

步骤3.1.5、增加一个正确类别正则化项：，

其中 ，表示任意一点 的模型不确定性，不确定性越小，正则化项带来的惩罚越小，反之亦然， 为网络预测的标签类别的证据，标签类别证据越接近于0，正则化项带来的惩罚越大；

步骤3.1.6、缺陷中心证据热力图预测头损失表示：，

其中 为退火系数， ，为当前训练的轮次，为缺陷中心的数量。

5.根据权利要求4所述的一种基于证据深度学习的无锚框表面缺陷可信检测方法，其特征在于：步骤6包括以下步骤：步骤6.1、缺陷中心证据热力图峰值点可信证据融合：将证据热力图上的每个点转换成对应的信念值 和不确定性 ，获得了关于缺陷样本 的主观意见热力图，其上每个像素点 都是一个对缺陷

图像一个特定区域的“观测者”观测的结果 ，前 维代表了该“观测者”对这个区域是某类缺陷中心或是背景的信念值，最后一维代表了这个观测结果的不确定性；

定义缺陷中心的不确定性加权的置信度为： ，对主观意见热力图 上所有的 区域的加权置信度取局部峰值点，记进行局部峰值点操作后的缺陷中心热力图为 ；取峰值点操作后的缺陷中心热力图 中得分最高的 个点对应的整数值坐标 ，每一个局部峰值点 置信度及不确定性的计算方法为：

，

其中 为D‑S证据融合方法，有两个观测结果则其融合规则为：

，

其中 ，代表了两个观测的冲突程度；

步骤6.2，融合后的第 个峰值点为 ，再结合缺陷尺寸热力图 和离散化误差热力图 得出最后预测框，记第 个预测框为， 分别是所述预测框的位

置和尺寸， 为所述预测框缺陷的类别标签， 所述预测框的缺陷类别置信度，为模型对所述预测框的不确定性估计。