1.一种基于机器视觉的RFID标签产线缺陷实时检测系统，其特征在于，包括：图像采集模块：采用多光谱成像单元（101）对产线传输的RFID标签进行表面及内部结构图像采集，成像光谱范围覆盖400‑700nm的可见光与800‑1200nm的近红外，空间分辨率不低于20μm/pixel；

缺陷检测模块：搭载轻量化双分支深度学习网络（201），第一分支采用YOLOv5模型进行缺陷定位，第二分支采用ResNet‑18进行缺陷分类，输出缺陷类型及坐标信息；所述YOLOv5模型的网络结构优化包括：将主干网络中C3模块替换为Ghost模块，参数量减少40%；

添加坐标注意力机制，特征图权重计算为：

其中， 为通道特征， 为Sigmoid函数；

补偿执行模块：根据缺陷类型触发分级补偿策略，包括印刷参数动态调整单元（301）、激光修复单元（302）及机械臂剔除单元（303）；

所述分级补偿策略的触发条件为：

一级补偿：当缺陷面积占比 时，启动激光修复单元（302），修复路径规划满足：

二级补偿：当 时，调整印刷参数；

三级补偿： 时，机械臂剔除单元（303）在t≤200ms内移出缺陷标签；

其中， 为缺陷面积， 为标签面积；

反馈控制模块：通过工业物联网平台（401）将缺陷数据与补偿结果反馈至产线PLC，实时更新工艺参数库。

2.如权利要求1所述的一种基于机器视觉的RFID标签产线缺陷实时检测系统，其特征在于，所述多光谱成像单元（101）的成像参数满足：表面成像波段为450nm、630nm、850nm，用于检测印刷层缺陷；

内部成像波段为1050nm，穿透深度≥200μm，用于检测天线断裂与芯片错位；

成像帧率与产线速度同步，满足关系式：

其中，F为成像帧率，v为产线传输速度，d为标签最小缺陷尺寸，η=1.2 1.5为冗余系数。

~

3.如权利要求1所述的一种基于机器视觉的RFID标签产线缺陷实时检测系统，其特征在于，所述轻量化双分支深度学习网络（201）的损失函数定义为：其中， 为定位损失， 为分类损失， 为模型复杂度正则化项，权重系数满足α:β:γ=3:2:0.5。

4.如权利要求1所述的一种基于机器视觉的RFID标签产线缺陷实时检测系统，其特征在于，所述激光修复单元（302）的功率调节公式为：

2 2

其中， 为缺陷面积， =0.1mm，k=12W/mm，b=5W。

5.如权利要求1所述的一种基于机器视觉的RFID标签产线缺陷实时检测系统，其特征在于，所述反馈控制模块（401）通过PID算法动态优化产线参数：其中， 为缺陷率偏差, 比例系数 =0.8、积分系数 =0.2、微分系数 =0.1。

6.一种基于机器视觉的RFID标签产线缺陷补偿方法，其基于如权利要求1 5任一项所~述的一种基于机器视觉的RFID标签产线缺陷实时检测系统实现，其特征在于，包括以下步骤：步骤S1：多光谱成像单元（101）同步采集标签表面及内部图像；

步骤S2：双分支深度学习网络（201）输出缺陷类型与位置，若置信度 ≥0.9，则判定为缺陷；

步骤S3：根据缺陷等级选择补偿方式，执行后通过工业相机复检，若仍存在缺陷，则触发二次补偿或剔除。

7.如权利要求6所述的一种基于机器视觉的RFID标签产线缺陷补偿方法，其特征在于，所述步骤S2中置信度计算采用Softmax函数：其中，=0.5为温度系数，用于增强分类置信度区分度， 表示第 i 个类别原始输出值，通过温度系数 调整置信度分布的平滑度。

8.如权利要求6所述的一种基于机器视觉的RFID标签产线缺陷补偿方法，其特征在于，所述步骤S3中补偿指令的响应时间 满足：其中， 为标签长度， 为产线速度， ≤50ms为数据处理时延。