1.基于机器视觉的焊缝质量检测方法，其特征在于，包括以下步骤：通过可见光相机获取焊缝的表面图像，并将所述焊缝的表面图像分为多个段；

根据每个段的表面图像，通过预设的加热参数时序生成模型生成每个段的热激励参数时序变化序列；

按照每个段的热激励参数时序变化序列对每个段的焊缝区域进行热激励加热；

在热激励加热的过程中，通过红外相机获取每个段沿时序上的多个红外图像，以得到每个段的红外图像时序变化序列；

根据每个段的红外图像时序变化序列通过预设的焊缝质量检测模型对每个段的焊缝质量进行检测。

2.根据权利要求1所述的基于机器视觉的焊缝质量检测方法，其特征在于，所述基于机器视觉的焊缝质量检测方法还包括以下步骤：通过相机获取焊缝的表面图像之前设置有焊缝热处理步骤；

在焊缝热处理之后且在通过可见光相机获取焊缝的表面图像之前，通过红外相机获取每个段的红外预获取图像；

还根据每个段的红外预获取图像，通过预设的加热参数时序生成模型生成每个段的热激励参数时序变化序列。

3.根据权利要求2所述的基于机器视觉的焊缝质量检测方法，其特征在于，将所述焊缝的表面图像分为多个段，包括以下步骤：通过红外预获取图像获取红外预获取图像中的温度异常于其他区域的温度异常区域；

以温度异常区域的中心点为中心种子点，划分出预设大小的表面图像段；

循环执行以下步骤直到焊缝的表面图像被全部划分为多个段：在表面图像的未划分剩余区域随机设置中心种子点，并向未划分剩余区域继续划分直到达到每个段限定的形状大小。

4.根据权利要求2所述的基于机器视觉的焊缝质量检测方法，其特征在于，所述加热参数时序生成模型通过以下步骤训练得到：构建所述加热参数时序生成模型，所述加热参数时序生成模型包括时序生成模型输入层、特征提取层、特征解耦器层、时序编码器层、时序注意力机制融合层、加热参数序列生成模块层和时序生成模型输出层；

时序生成模型输入层用于接收每个段的红外预获取图像和表面图像；

特征提取层连接至时序生成模型输入层以获取每个段的红外预获取图像和表面图像，所述特征提取层包括红外预获取图像特征提取器和表面缺陷特征提取器，所述红外预获取图像特征提取器为第一深度卷积模块，所述第一深度卷积模块由多个卷积模块和池化模块构成，以通过多层的卷积获取红外预获取图像的特征表示Fheat，所述表面缺陷特征提取器为第二深度卷积模块，所述第二深度卷积模块由多个卷积模块和池化模块构成，以通过多层的卷积获取表面图像的表面特征表示Fsurface；

特征解耦器层连接至特征提取层以获取红外预获取图像的特征表示Fheat和表面特征表示Fsurface，特征解耦器层包括特征解耦器输入层、解耦卷积神经网络和特征解耦器输出层，所述特征解耦器输入层获取表面特征表示Fsurface并将其输入解耦卷积神经网络，以此得到与红外预获取图像的特征表示Fheat维度一致的表面缺陷影响特征表示Fsurface‑heat，特征解耦器输出层获取红外预获取图像的特征表示Fheat并将特征表示Fheat减去表面缺陷影响特征Fsurface‑heat以此得到内部特征表示Finternal；

时序编码器层，根据预设的加热总时间T和预设的时间步长t，对每个时间步长进行编码以此得到时间编码向量Et；

时序注意力机制融合层，所述时序注意力机制融合层包括权重计算模块以及特征融合模块，所述权重计算模块为第一多层感知机，所述第一多层感知机用于根据时间编码向量Et生成每个时间步长对应的表面特征权重αt和内部特征权重βt；

所述特征融合模块用于根据表面特征权重αt和内部特征权重βt将表面特征表示Fsurface和内部特征表示Finternal进行融合得到时间步长t的融合特征Ffused，t；

加热参数序列生成模块层，所述加热参数序列生成模块层包括序列输入层、第一Transformer解码器，所述序列输入层用于接收融合特征序列（Ffused，1，Ffused，2，Ffused，3，……，Ffused，）T 以及时间编码向量序列（E1，E2，E3，……，ET），第一Transformer解码器通过序列输入层接收融合特征序列和时间编码向量序列以生成热激励参数时序变化序列；

时序生成模型输出层，所述时序生成模型输出层接收加热参数序列生成模块层的输出以向外输出热激励参数时序变化序列；

收集多个热激励参数时序变化序列和对应的表面图像以及红外预获取图像作为训练集，以表面图像以及红外预获取图像作为加热参数时序生成模型的输入，对应的热激励参数时序变化序列作为训练标签以此训练得到所述加热参数时序生成模型。

5.根据权利要求4所述的基于机器视觉的焊缝质量检测方法，其特征在于，所述解耦卷积神经网络通过以下步骤获得：收集多个仅有表面缺陷的表面图像和对应的红外预获取图像；

将表面图像通过与第二深度卷积模块相同的模型结构处理成红外预获取图像的特征表示Fheat；

将红外预获取图像通过与第一深度卷积模块相同的模型结构处理成表面特征表示Fsurface；

将卷积神经网络作为解耦卷积神经网络的网络框架，以表面特征表示Fsurface作为卷积神经网络的输入，红外预获取图像的特征表示Fheat作为标签，第一损失函数作为损失函数，以此训练得到解耦卷积神经网络；

所述第一损失函数为：

其中，表面缺陷影响特征Fsurface‑heat为解耦卷积神经网络的预测输出。

6.根据权利要求1所述的基于机器视觉的焊缝质量检测方法，其特征在于，所述焊缝质量检测模型通过以下步骤训练得到：以长短时记忆网络作为焊缝质量检测模型的网络框架；

收集多个红外图像时序变化序列以及对应的质量评分作为焊缝质量检测模型的训练集，以红外图像时序变化序列作为长短时记忆网络的输入，对应的质量评分作为长短时记忆网络的标签，以此训练得到焊缝质量检测模型。