1.一种建筑木料的自动化分级检测方法，其特征在于，所述方法包括：

获取木料表面灰度图像；根据木料表面灰度图像中每个像素点在不同预设方向下灰度值的连续变化程度，获得每个像素点的连续分布指标；

根据木料表面灰度图像中每个像素点的灰度分布频次、灰度值和连续分布指标对像素点进行聚类获得聚类簇；根据聚类簇中的灰度分布筛选出正常区域聚类簇和毛刺疑似区域聚类簇；根据每个毛刺疑似区域聚类簇中每个像素点在预设邻域范围内的灰度变化复杂情况，获得毛刺疑似区域聚类簇中每个像素点的纤维置信度；根据纤维置信度对所有毛刺疑似区域聚类簇进行更新合并，获得毛刺区域聚类簇；

获取毛刺区域聚类簇和正常区域聚类簇中的特征像素点；根据毛刺区域聚类簇和正常区域聚类簇中特征像素点在所处聚类簇的位置分布情况，以及特征像素点的灰度值，获得初始分割阈值；通过初始分割阈值进行迭代阈值分割获得木料表面灰度图像中的毛刺区域；

其中，初始分割阈值的获取方法包括：获取正常区域聚类簇的质心和平均半径，将正常区域聚类簇中像素点间的平均距离作为正常区域聚类簇的分布距离；依次将正常区域聚类簇中的特征像素点作为目标像素点，计算目标像素点到质心的距离，作为目标像素点的偏离距离；将目标像素点的偏离距离与正常区域聚类簇的平均半径的比值，作为目标像素点的偏离指标；计算正常区域聚类簇中每个其他像素点与目标像素点的距离，并根据距离从小到大的顺序将其他像素点排列获得距离序列；将距离序列中前预设数量个像素点作为目标像素点的局部像素点；将目标像素点与每个局部像素点之间的距离作为近邻距离，计算目标像素点与所有局部像素点之间的近邻距离的平均值，获得目标像素点的近邻平均值；

将目标像素点的近邻平均值与分布距离的差异作为目标像素点的分布指标；将目标像素点的分布指标与偏离指标的乘积进行归一化处理，获得目标像素点的局部调整权重；将局部调整权重与目标像素点的灰度值的乘积作为目标像素点对应的局部调整值；将正常区域聚类簇中所有特征像素点的局部调整值的平均值，作为正常区域聚类簇的调整值；根据正常区域聚类簇的调整值的获取过程，获得毛刺区域聚类簇的调整值；将正常区域聚类簇对应的特征像素点的灰度值与调整值相加，获得正常区域聚类簇的特征灰度值；将毛刺区域聚类簇对应的特征像素点的灰度值与调整值的差值，作为毛刺区域聚类簇的特征灰度值；计算毛刺区域聚类簇和正常区域聚类簇对应的特征灰度值的平均值，获得初始分割阈值；

通过木料表面灰度图像中的毛刺区域进行质量评估。

2.根据权利要求1所述一种建筑木料的自动化分级检测方法，其特征在于，所述连续分布指标的获取方法包括：对于木料表面灰度图像中任意一个像素点，依次将每个预设方向作为检测方向，将该像素点在检测方向对应直线上连续相邻的预设检测数量个像素点，作为该像素点在检测方向上的检测像素点；

计算该像素点在检测方向上所有检测像素点的灰度值的平均值，获得该像素点在检测方向上的平均灰度值；将该像素点的灰度值与平均灰度值的差异，作为该像素点在检测方向上的差异程度值；

计算该像素点与每个检测像素点之间的灰度差异，作为该像素点在检测方向上的灰度差异值；将该像素点在检测方向上所有灰度差异值的和值，作为该像素点在检测方向上的灰度变化值；

将该像素点在检测方向上的差异程度值和灰度变化值的乘积进行负相关映射并归一化处理，获得该像素点在检测方向上的变化连续性；

将该像素点在每个预设方向上的变化连续性进行累乘并归一化处理，获得该像素点的连续变化度；计算该像素点的连续变化度与预设范围调整值的乘积，获得该像素点的连续分布指标；预设范围调整值为正数。

3.根据权利要求1所述一种建筑木料的自动化分级检测方法，其特征在于，所述聚类簇的获取方法包括：将每个像素点对应灰度值在木料表面灰度图像中所有像素点的出现概率，作为每个像素点的灰度分布频次；

将像素点的灰度分布频次、灰度值和连续分布指标映射到三维空间坐标系中，获得每个像素点的分布坐标；采用基于划分的聚类算法根据分布坐标对像素点进行聚类，获得聚类簇。

4.根据权利要求1所述一种建筑木料的自动化分级检测方法，其特征在于，所述根据聚类簇中的灰度分布筛选出正常区域聚类簇和毛刺疑似区域聚类簇，包括：计算像素点数量最多的两个聚类簇中灰度值的平均值，作为聚类簇灰度平均值；将两个聚类簇中聚类簇灰度平均值最大的聚类簇作为正常区域聚类簇；

将除像素点数量最多的两个聚类簇外的其他聚类簇作为待确定聚类簇；获取每个待确定聚类簇的聚类簇灰度平均值；

当聚类簇灰度平均值大于正常区域聚类簇的聚类簇灰度平均值时，将对应的聚类簇作为毛刺疑似区域聚类簇。

5.根据权利要求1所述一种建筑木料的自动化分级检测方法，其特征在于，所述纤维置信度的获取方法包括：对于任意毛刺疑似区域聚类簇中任意一个像素点，计算该像素点与对应预设邻域范围内每个其他像素点之间梯度方向值的差异，获得该像素点与对应其他像素点之间的梯度差异值；将该像素点与对应预设邻域范围内所有其他像素点之间的梯度差异值的累加值，作为该像素点的梯度特征值；

计算该像素点对应预设邻域范围内所有其他像素点的灰度值的平均值，获得该像素点对应的局部平均值；将该像素点的灰度值与局部平均值之间的差异，作为该像素点的灰度变化特征值；

将该像素点的梯度特征值与灰度变化特征值的乘积进行负相关映射并归一化处理，获得该像素点的纤维置信度。

6.根据权利要求1所述一种建筑木料的自动化分级检测方法，其特征在于，所述毛刺区域聚类簇的获取方法包括：当毛刺疑似区域聚类簇中像素点的纤维置信度大于预设纤维阈值时，将对应像素点作为纤维像素点；

将每个毛刺疑似区域聚类簇中的纤维像素点进行筛除，获得新的毛刺疑似区域聚类簇，将所有新的毛刺疑似区域聚类簇合并作为毛刺区域聚类簇。

7.根据权利要求1所述一种建筑木料的自动化分级检测方法，其特征在于，所述获取毛刺区域聚类簇和正常区域聚类簇中的特征像素点，包括：将正常区域聚类簇中灰度值最小的像素点，作为正常区域聚类簇对应的特征像素点；

将毛刺区域聚类簇中灰度值最大的像素点，作为毛刺区域聚类簇对应的特征像素点。

8.根据权利要求1所述一种建筑木料的自动化分级检测方法，其特征在于，所述通过木料表面灰度图像中的毛刺区域进行质量评估，包括：将毛刺区域中像素点总数量与木料表面灰度图像中像素点总数量的比值，作为质量等级指标；

当质量等级指标大于或等于预设质量阈值时，将对应木料切削表面的质量记为不合格，当质量等级指标小于预设质量阈值时，将对应木料切削表面的质量记为合格。

9.一种建筑木料的自动化分级检测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算程序，以实现如权利要求1‑8任一项所述一种建筑木料的自动化分级检测方法。