1.一种彩钢瓦表面缺陷的CNN语义分割自学习检测方法，其特征在于，该方法包括：步骤一，使用相机采集彩钢瓦原始灰度图像，对彩钢瓦原始灰度图像进行二维离散傅里叶变换，得到彩钢瓦频谱图像；

步骤二，计算彩钢瓦频谱图像对应的功率谱图像，使用最大类间方差法，对彩钢瓦功率谱图像进行二值化；

步骤三，构建形态学结构元素，对二值化的彩钢瓦功率谱图像进行形态学膨胀操作；

步骤四，将膨胀的彩钢瓦功率谱图像的亮部区域设为1，其余区域设为0，作为遮罩数据，将遮罩数据与彩钢瓦频谱图像点对点相乘，得到滤波后的彩钢瓦频谱图像；

步骤五，对滤波后的彩钢瓦频谱图像进行二维离散傅里叶逆变换，得到重构彩钢瓦背景图像；

步骤六，根据彩钢瓦原始灰度图像与重构彩钢瓦背景图像，基于背景差分法，得到彩钢瓦缺陷图像；

步骤七，对彩钢瓦缺陷图像进行阈值化处理，对阈值化处理结果进行连通域筛选，筛选结果作为标注图像；

步骤八，对多个彩钢瓦进行彩钢瓦原始灰度图像采集，并根据步骤一至七获取标注图像，将彩钢瓦原始灰度图像与标注图像作为样本数据集，基于交叉熵损失函数训练预设语义分割深度卷积神经网络；

步骤九，将待检测彩钢瓦原始灰度图像输入训练好的语义分割深度卷积神经网络，得到彩钢瓦缺陷检测结果；

步骤十，根据连通域面积筛选规则，对彩钢瓦缺陷检测结果进行筛选。

2.如权利要求1所述的彩钢瓦表面缺陷的CNN语义分割自学习检测方法，其特征在于，所述步骤一中的二维离散傅里叶变换计算公式如下：其中，f(x，y)代表大小为M*N的矩阵，其中,x的取值区间[0,1,…，M‑1]和y的取值区间[0,1,…，N‑1],x、y均为整数，F(u,v)为f(x，y)的傅里叶变换频谱成分，是两个实频率变量u和v的复值函数，频率u对应于x轴，频率v对应于y轴，e为自然常数，i为虚数单位，π为圆周率。

3.如权利要求1所述的彩钢瓦表面缺陷的CNN语义分割自学习检测方法，其特征在于，所述步骤三中的形态学结构元素为：

4.如权利要求1所述的彩钢瓦表面缺陷的CNN语义分割自学习检测方法，其特征在于，所述步骤五中的二维离散傅里叶逆变换计算公式如下：其中，f(x，y)代表大小为M*N的矩阵，其中,u的取值区间[0,1,…，M‑1]和v的取值区间[0,1,…，N‑1],u、v均为整数，F(u,v)为f(x，y)的傅里叶变换频谱成分，是两个实频率变量u和v的复值函数，频率u对应于x轴，频率v对应于y轴，e为自然常数，i为虚数单位，π为圆周率。

5.如权利要求1所述的彩钢瓦表面缺陷的CNN语义分割自学习检测方法，其特征在于，所述步骤六包括：根据彩钢瓦原始灰度图像，基于背景差分法，将彩钢瓦纹理、光照信息从原始灰度图像中剔除，得到彩钢瓦缺陷图像，计算公式如下：RES＝G‑BASE

其中，RES为彩钢瓦缺陷图像，G为彩钢瓦原始灰度图像，BASE为重构彩钢瓦背景图像。

6.如权利要求1所述的彩钢瓦表面缺陷的CNN语义分割自学习检测方法，其特征在于，所述步骤十中的连通域面积筛选规则包括：计算连通域面积评分系数：

其中，c为评分系数，d为彩钢瓦两凸起之间的距离，A为彩钢瓦缺陷检测结果中的连通域面积，B为当前检测区域彩钢瓦的面积；

设置阈值，如果连通域面积评分系数大于阈值则将该连通域计入缺陷，否则，将该连通域过滤。