1.一种基于Faster R‑CNN的多层金属点阵结构材料内部缺陷检测方法，其特征在于，包括以下步骤：

step1、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的三维立体结构，从得到的三维立体结构竖直方向有效区域底部到顶部等距离截取若干张样件截面图，取得的样件截面图有效区域大小为1474*1583*3，选取各样件截面图中有缺陷的部位作为训练样本图片，每张训练样本图片大小为351*351*3，训练样本图片至少选取300个，所有训练样本图片构成训练样本集；

step2、设计卷积神经网络Faster R‑CNN整体网络架构，输入图像尺寸为351*351*3，第一层卷积层包含32个大小为7*7的卷积核，以步长为2填充宽度为0对其进行卷积运算，得到大小为173*173*32卷积层，分别用Relu激活函数和LRN(Local Response Normalization)增强网络的非线性和进行归一化处理，用大小为3*3步长为2填充为0对卷积层进行最大池化，得到大小为86*86*32的池化层；第二层卷积层包含64个大小为5*5的卷积核，以步长为2填充宽度为1对第一层卷积层得到的输出层进行卷积运算，得到大小为42*42*64卷积层，同样用Relu激活函数和LRN(Local Response Normalization)增强网络的非线性和进行归一化处理，用大小为3*3步长为2填充为1对卷积层进行最大池化，得到大小为21*21*64池化层；第三层卷积层包含64大小为3*3的卷积核，以步长为1填充宽度为2对第二层卷积层的输出层进行卷积运算，得到大小为21*21*64的卷积层，用Relu激活函数增强网络的非线性；在得到第三层卷积层特征层之后，RPN和Fast R‑CNN共享其特征参数，结合Fast R‑CNN提取的特征图，经过RPN网络得到了区域建议和区域得分，其中，RPN网络是由3*3的滑动窗口在得到的特征图上进行滑动，每滑动一个位置采用三个不同面积尺寸和三种不同的长宽比例进行窗口截取，每个滑动窗口得到9个不同的建议区域，分别计算每个区域的位置坐标9*4和区域为目标或背景的得分9*2，共得到21*21*9共3969个建议窗口，选取得分最高的300个建议窗口，通过RoiPooling层得到大小统一的矩形建议框，送入全连接层判定目标的类别和最终精确位置；

step3、将训练样本集导入整个Faster R‑CNN网络进行训练，最终得到训练好的模型；

step4、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的三维立体结构，从得到的三维立体结构竖直方向有效区域底部到顶部等距离截取若干张样件截面图，将取得的样件截面图有效区域导入训练好的模型中进行检测，经过检测得到每张样件截面图中可能成为目标的位置和成为目标的概率，设定一个阈值使得所有输出目标概率大于此值即识别出样件截面图中缺陷位置。

2.根据权利要求1所述的基于Faster R‑CNN的多层金属点阵结构材料内部缺陷检测方法，其特征在于：所述step1中，为了增加训练样本图片数量，在训练样本集中随机的选取一部分训练样本图片进行水平翻转后，与原训练样本图片构成新的训练样本集。