1.一种压铸件缺陷检测方法，包括：获取实际生产中压铸件的缺陷图像数据；

提取所述缺陷图像中的缺陷特征；

对所述缺陷特征进行分类；

对各种所述缺陷特征的分类建立对应的语义标签；

将所述缺陷特征以及对应的语义标签存入特征数据库；

拍摄压铸件表面的视频图像，并转化为图片数据；

利用核相关滤波器跟踪算法对所述图片数据进行跟踪，以所述特征数据库中的缺陷特征为标准缺陷特征，记录跟踪到的所述图片数据中具有的标准缺陷特征；所述利用核相关滤波器跟踪算法对所述图片数据进行跟踪的步骤包括：通过对压铸件缺陷跟踪目标区域进行循环移位，构造密集样本训练分类器，计算候选区域与跟踪目标的相似程度，选取相似度最大的候选区域为新的跟踪目标，利用离散傅里叶变换降低分类器训练和检测过程中的运算量；

统计所述图片数据的标准缺陷特征数据及不同的标准缺陷特征所占的比例。

2.根据权利要求1所述的一种压铸件缺陷检测方法，其特征在于：以所述特征数据库中的缺陷特征为标准缺陷特征的步骤包括：输入需要检测的压铸件缺陷名称，在特征数据库中搜索与之匹配的缺陷特征，将搜索到的缺陷特征作为所述标准缺陷特征。

3.根据权利要求1所述的一种压铸件缺陷检测方法，其特征在于：在对所述缺陷特征进行分类前，使用小波去噪算法和图像增强技术处理缺陷图像中的缺陷特征；其中，所述小波去噪算法包括用非线性小波变换阈值法对压铸件的缺陷图像进行去噪处理，用伸缩和平移运算操作对压铸件图像进行多尺度细化分析，自动适应处于不同类型压铸件及光照环境的要求，显示压铸件的局部特征；所述图像增强技术包括用对数图像增强算法，区分压铸件图像的缺陷和背景。

4.根据权利要求3所述的一种压铸件缺陷检测方法，其特征在于：所述用非线性小波变换阈值法对压铸件的缺陷图像进行去噪处理的步骤包括：选择小波基和小波分解层数对压铸件的缺陷图像进行小波变换，得到相应的小波分解系数，对于每个小波分解层，自适应的选择一个阈值，将分解得到的高频系数进行阈值量化，根据小波分解后的低频系数和阈值量化处理后的高频系数进行小波逆变换，利用重构算法进行小波重构，得到去噪信号。

5.根据权利要求1所述的一种压铸件缺陷检测方法，其特征在于：对所述缺陷特征进行分类，对各种所述缺陷特征的分类建立对应的语义标签的步骤包括：将所述缺陷图像输入Alexnet卷积神经网络中进行训练，采用反向传播算法求得损失函数f(χ,b)的最小值，其中χ为权重值，b为偏置，采用sigmoid函数 作为激活函数，通过多梯度下降迭代法更新权重值求得最优权重值，根据不同的缺陷特征输入相对应的权重值{χ1,χ2,…χn}，浅层提取压铸件缺陷的初步特征，深层提取压铸件缺陷的细节特征，训练卷积网络模型后，对压铸件缺陷特征分类，在深度卷积网络的末端用softmax分类器标记各类压铸件缺陷特征，建立对应的语义标签。

6.根据权利要求1所述的一种压铸件缺陷检测方法，其特征在于：所述核相关滤波器跟踪算法为基于自适应的核相关滤波器跟踪算法，其步骤包括：通过对分类器进行更新来调整当前帧的权重值，将目标进行分块，计算每个分块的PSR值，自适应改变每个局部块对目标位置的权重。

7.一种可读储存介质，其上储存有控制程序，其特征在于：该控制程序被处理器执行时实现如权利要求1至6任意一项所述的压铸件缺陷检测方法。

8.一种计算机控制系统，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序，其特征在于：所述处理器执行所述控制程序时实现如权利要求1至6任意一项所述的压铸件缺陷检测方法。