1.一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，包括以下步骤：

(1)数据集收集与标记；

(2)对数据集的样本图像进行数据扩展；

(3)构建卷积神经网络模型；

(4)将样本图像输入到上述卷积神经网络模型中进行迭代训练；

(5)将待检测铜箔基板图像输入到上述检测模型中进行图像类别的识别并实现在线的自动检测。

2.根据权利要求1所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(2)通过将数据集中所有样本图像按翻转、降噪的方式扩展样本数量，按9:1的比例划分出训练集和验证集。

3.根据权利要求1所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型包括十四层，第一层为卷积层；第二层为重叠的最大池化层；第三层、第四层、第五层和第七层为并联结构的卷积模块DepthwiseFire深度可分离模块；第六层和第八层为最大池化层；第九层、第十层、第十一层和第十二层为卷积模块DepthwiseResidual深度可分离残差模块；第十三层为平均池化层，第十四层为softmax分类层。

4.根据权利要求3所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第一层为卷积层，包括32个感受野大小为3×3的卷积核，步长为2，输出为32通道、尺寸为48×48的特征图。

5.根据权利要求3所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第二层为重叠的最大池化层，是感受野大小为3×3的卷积核，步长为2，输出为32通道，尺寸为24×24的特征图。

6.根据权利要求3所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第三层、第四层、第五层和第七层为并联结构的卷积模块DepthwiseFire深度可分离模块，第三层依次是8个感受野大小为1×1的卷积核和并联的左分支、右分支，所述卷积核步长1，输出为8通道、尺寸为24×24的特征图，所述左分支的卷积层是32个感受野大小1×1的卷积核，步长为1，所述右分支包含两个级联的卷积层，其中上级卷积层是32个受野大小为3×3的深度可分离卷积核，步长为1，下级卷积层是32个受野大小为1×1的卷积核，步长为1，将左分支和右分支的输出进行拼接，第三层最终输出为

64个通道，尺寸为24×24的特征图；第四层依次是12个感受野大小为1×1的卷积核和并联的左分支、右分支，所述卷积核步长1，输出为12通道、尺寸为24×24的特征图，所述左分支的卷积层是48个感受野大小1×1的卷积核，步长为1，所述右分支包含两个级联的卷积层，其中上级卷积层是48个受野大小为3×3的深度可分离卷积核，步长为1，下级卷积层是48个受野大小为1×1的卷积核，步长为1，将左分支和右分支的输出进行拼接，第四层最终输出为96个通道，尺寸为24×24的特征图；第五层依次是16个感受野大小为1×1的卷积核和并联的左分支、右分支，所述卷积核步长1，输出为16通道、尺寸为24×24的特征图，所述左分支的卷积层是64个感受野大小1×1的卷积核，步长为1，所述右分支包含两个级联的卷积层，其中上级卷积层是64个受野大小为3×3的深度可分离卷积核，步长为1，下级卷积层是

64个受野大小为1×1的卷积核，步长为1，将左分支和右分支的输出进行拼接，第五层最终输出为128个通道，尺寸为24×24的特征图；第七层依次是24个感受野大小为1×1的卷积核和并联的左分支、右分支，所述卷积核步长1，输出为24通道、尺寸为12×12的特征图，所述左分支的卷积层是96个感受野大小1×1的卷积核，步长为1，所述右分支包含两个级联的卷积层，其中上级卷积层是96个受野大小为3×3的深度可分离卷积核，步长为1，下级卷积层是96个受野大小为1×1的卷积核，步长为1，将左分支和右分支的输出进行拼接，第七层最终输出为192个通道，尺寸为12×12的特征图。

7.根据权利要求3所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第六层和第八层为最大池化层，其中第六层是感受野大小为3×3的卷积层，步长为2，该层输出为128通道，尺寸为12×12的特征图；第八层是感受野大小为3×3的卷积层，步长为2，该层输出为192通道，尺寸为6×6的特征图。

8.根据权利要求3所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第九层、第十层、第十一层和第十二层为卷积模块DepthwiseResidual深度可分离残差模块，其中第九层和第十层由两个上级卷积层加下级卷积层构成。上级卷积层是256个受野大小为3×3的深度可分离卷积核，步长为1；下级卷积层是256个受野大小为1×1的卷积核，步长为1，输出为256个通道，尺寸为6×6的特征图；其中第十一层和第十二层由两个上级卷积层加下级卷积层构成。上级卷积层是512个受野大小为3×3的深度可分离卷积核，步长为1；下级卷积层是512个受野大小为1×1的卷积核，步长为1，输出为512个通道，尺寸为6×6的特征图。

9.根据权利要求3所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第十三层为平均池化层，是感受野大小为6×6的卷积层，步长为1，该层输出为512通道，尺寸为1×1的特征图。

10.根据权利要求1所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(4)设置迭代周期数为400，每迭代一个周期，输出一次验证集准确率。