1.一种基于深度学习的IC引脚焊点质量检测方法，其特征在于，包括：确定包含待检测的IC引脚焊点的目标图片；

将所述目标图片输入到基于深度学习预先训练的第一卷积神经网络中，进行前向传播，获得所述IC引脚焊点的第一合格概率；

确定所述目标图片的关键区域；

将所述关键区域输入到基于深度学习预先训练的第二卷积神经网络中，进行前向传播，获得所述IC引脚焊点的第二合格概率；

根据所述第一合格概率和所述第二合格概率，确定所述IC引脚焊点是否合格。

2.根据权利要求1所述的基于深度学习的IC引脚焊点质量检测方法，其特征在于，所述确定所述目标图片的关键区域，包括：对所述目标图片进行切割操作，获得多个切片；

分别将每个切片输入到基于深度学习预先训练的第三卷积神经网络中，进行前向传播，获得每个切片属于关键区域的概率；

将概率最高的切片确定为所述目标图片的关键区域。

3.根据权利要求2所述的基于深度学习的IC引脚焊点质量检测方法，其特征在于，所述对所述目标图片进行切割操作，获得多个切片，包括：通过预设的滑动窗口对所述目标图片进行切割操作，获得多个切片。

4.根据权利要求3所述的基于深度学习的IC引脚焊点质量检测方法，其特征在于，所述滑动窗口的宽度与所述目标图片的宽度相同。

5.根据权利要求1至4任一项所述的基于深度学习的IC引脚焊点质量检测方法，其特征在于，所述根据所述第一合格概率和所述第二合格概率，确定所述IC引脚焊点是否合格，包括：根据所述第一合格概率、所述第二合格概率及以下公式确定所述IC引脚焊点的合格概率；

根据所述合格概率与预设阈值的大小关系，确定所述IC引脚焊点是否合格；

所述公式为：

out＝(1-ρ)P1+ρP2；

其中，P1为第一合格概率，P2为第二合格概率，ρ为影响因子：σcnn-1为第一卷积神经网络的影响因子，σcnn-2为第二卷积神经网络的影响因子；

N为训练样本数量，p1(i)为第一卷积神经网络预测训练样本i为合格样本的概率，p2(i)为第二卷积神经网络预测训练样本i为合格样本的概率。

6.根据权利要求2至4任一项所述的基于深度学习的IC引脚焊点质量检测方法，其特征在于，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络均包含三个卷积层、一个池化层和两个全连接层。

7.一种基于深度学习的IC引脚焊点质量检测装置，其特征在于，包括：目标图片确定模块，用于确定包含待检测的IC引脚焊点的目标图片；

第一合格概率获得模块，用于将所述目标图片输入到基于深度学习预先训练的第一卷积神经网络中，进行前向传播，获得所述IC引脚焊点的第一合格概率；

关键区域确定模块，用于确定所述目标图片的关键区域；

第二合格概率获得模块，用于将所述关键区域输入到基于深度学习预先训练的第二卷积神经网络中，进行前向传播，获得所述IC引脚焊点的第二合格概率；

IC引脚焊点合格确定模块，用于根据所述第一合格概率和所述第二合格概率，确定所述IC引脚焊点是否合格。

8.根据权利要求7所述的基于深度学习的IC引脚焊点质量检测装置，其特征在于，所述关键区域确定模块，包括：切片获得子模块，用于对所述目标图片进行切割操作，获得多个切片；

概率获得子模块，用于分别将每个切片输入到基于深度学习预先训练的第三卷积神经网络中，进行前向传播，获得每个切片属于关键区域的概率；

关键区域确定子模块，用于将概率最高的切片确定为所述目标图片的关键区域。

9.根据权利要求8所述的基于深度学习的IC引脚焊点质量检测装置，其特征在于，所述切片获得子模块，具体用于：通过预设的滑动窗口对所述目标图片进行切割操作，获得多个切片。

10.根据权利要求7至9任一项所述的基于深度学习的IC引脚焊点质量检测装置，其特征在于，所述IC引脚焊点合格确定模块，具体用于：根据所述第一合格概率、所述第二合格概率及以下公式确定所述IC引脚焊点的合格概率；

根据所述合格概率与预设阈值的大小关系，确定所述IC引脚焊点是否合格；

所述公式为：

out＝(1-ρ)P1+ρP2；

其中，P1为第一合格概率，P2为第二合格概率，ρ为影响因子：σcnn-1为第一卷积神经网络的影响因子，σcnn-2为第二卷积神经网络的影响因子；

N为训练样本数量，p1(i)为第一卷积神经网络预测训练样本i为合格样本的概率，p2(i)为第二卷积神经网络预测训练样本i为合格样本的概率。