1.一种基于卷积注意力神经网络的缺陷工件图像识别方法，其特征在于，包括以下步骤：步骤1、对卷积神经网络进行预训练权重形成特征提取网络，将输入图像输入到所述特征提取网络中，得到对应的深度特征；

步骤2、对所述深度特征构成的深度特征图像进行卷积操作，得到注意力图并进行归一化；

步骤3、对所述归一化的注意力图中的注意力区域裁剪，并放大至与所述输入图像同等大小重新作为所述卷积神经网络的新的输入仅用于分类任务进行训练；丢弃所述注意力图中的部分注意力区域后得到新图像作为所述卷积神经网络的新的输入仅用于分类任务进行训练；

步骤4、将待识别的缺陷工件图像输入训练好的所述卷积神经网络得到的特征图与通过所述步骤1和步骤2得到的注意力图进行点积操作，获得新的部位特征图；对所述部位特征图再进行最大值池化操作获得注意力特征，将所有的所述注意力特征进行堆叠，获得部位特征矩阵，完成缺陷图像的分类识别。

2.根据权利要求1所述的基于卷积注意力神经网络的缺陷工件图像识别方法，其特征在于，对所述卷积神经网络进行训练时，使用中心损失函数与交叉熵损失函数加权融合作为模型优化损失函数。

3.根据权利要求2所述的基于卷积注意力神经网络的缺陷工件图像识别方法，其特征在于，所述使用中心损失函数与交叉熵损失函数加权融合作为模型优化损失函数对所述卷积神经网络进行训练时，利用梯度下降法对所述卷积神经网络进行训练。

4.根据权利要求1所述的基于卷积注意力神经网络的缺陷工件图像识别方法，其特征在于，所述卷积神经网络为VGG或ResNet网络。

5.根据权利要求1所述的基于卷积注意力神经网络的缺陷工件图像识别方法，其特征在于，所述步骤1的输入图像为带有缺陷类别标签的工件数据集。