1.一种面向工业缺陷检测的随机区域马赛克数据增强方法，其特征在于，所述方法包括以下步骤：

步骤1：读取训练集中的缺陷图像及其对应的类别与位置的标签信息；

步骤2：设定Patch‑List参数列表，该列表存储若干预先定义的数值，用于控制所生成的马赛克块的大小 ；

步骤3：在模型的训练过程中会根据步骤2中设定的Patch‑List参数列表进行随机选取，并根据所选取到的 值将图像进行平均划分为若干网格，划分完成后遍历每个图像网格，并设定概率参数 来对每个网格进行判断是否执行马赛克模糊处理，得到马赛克后的图像；

步骤4：在步骤3的基础上设定阈值参数 与 ，并对马赛克所覆盖到的待检测目标区域进行分析，当待检测目标区域被马赛克块覆盖范围IoA大于 且所使用的马赛克块大小 大于 时，将该目标的标签信息进行删除；

步骤5：在模型的训练过程中以设定的概率开启该数据增强，开启后按照上述步骤2‑步骤4进行训练，直至模型完全收敛。

2.如权利要求1所述的面向工业缺陷检测的随机区域马赛克数据增强方法，其特征在于，所述步骤2中，所述的Patch‑List参数列表具体为包含了多个整数(INT)类型的列表，所包含的整数个数默认在3‑6个之间。

3.如权利要求1或2所述的面向工业缺陷检测的随机区域马赛克数据增强方法，其特征在于，所述步骤3中，对Patch‑List参数列表进行随机选取的方法，采用random.choice(Patch‑List)函数实现，其次将图像进行平均划分为若干网格的操作如公式（1）所示；

  ,                 (1)；

其中， 与 分别为沿图像宽度方向划分的网格个数与沿图像高度方向划分的网格个数， 与 分别为图片的宽度与高度。

4.如权利要求1或2所述的面向工业缺陷检测的随机区域马赛克数据增强方法，其特征在于，所述步骤3中，所述的执行马赛克模糊处理，首先使用np.mean()方法计算提取区域的平均颜色，并使用当前网格内的平均颜色填充当前网格单元，实现马赛克效果。

5.如权利要求1或2所述的面向工业缺陷检测的随机区域马赛克数据增强方法，其特征在于，所述步骤4中，所述的对马赛克所覆盖到的待检测目标区域进行分析具体为：当所使用的马赛克块大小 大于 时，对当前所划分的网格单元定义为一个边界框，其坐标形式为[Xb1,Yb1, Xb2, Yb 2]，此外，再将标签坐标格式转换为与网格单元边界框的相同形式[Xl1, Yl1, Xl2, Yl2]，计算网格单元与每个标签之间的 IoA值，并通过累加每个标签自身的IoA值得到属于该目标的总体IoA值，保留累计IoA小于等于 的标签，而当所使用的马赛克块大小 小于 时，对图中的所有目标标签均保留。

6.如权利要求1或2所述的面向工业缺陷检测的随机区域马赛克数据增强方法，其特征在于，所述步骤5中，训练过程中以一定的条件及概率开启该数据增强具体为：设定概率参数 ，在模型的每轮训练中使用random.random()函数进行随机数生成并与 进行比较，当所生成的随机数大于 时，则该轮训练开启马赛克数据增强，反之本轮训练则不启用马赛克数据增强，所述设定的 值为10‑50%之间。

7.一种如权利要求1所述的面向工业缺陷检测的随机区域马赛克数据增强方法实现的系统，其特征在于，所述系统包括：数据读取模块，用于从本地的存储系统中加载并预处理待检测的工业图像与对应的标签信息，同时进行预处理操作，包括图像去噪、尺寸调整、归一化以及图像增强初步处理，以改善图像质量并促进后续分析；

马赛克增强模块，用于将图像数据集进行马赛克数据增强处理，模拟实际检测场景中遇到的图像质量问题，来增加数据集的多样性和复杂性，从而提高模型对工业缺陷检测的鲁棒性和泛化能力；

标签后处理模块，用于剔除部分目标标签被粗粒度的马赛克块严重遮挡的情况，马赛克块的判断条件是 大于 ，严重遮挡的判断条件是IoA大于 ，避免模型学习到无用的特征信息；

模型训练模块，用于将由图像采集模块中获取的测试图像集数输入算法中进行训练，训练采用前向传播和反向传播的方式对模型进行迭代训练；

模型测试模块，用于将由图像采集模块中获取的测试图像集数输入算法中进行检测以及信息计算精度测试，用于评估训练好的模型在未知数据上的性能表现，确保模型在实际应用中具有可靠的准确性和泛化能力。