1.一种产品表面裂缝快速检测方法，其特征在于：所述产品表面裂缝快速检测方法包括：

步骤S1、对采集到的原始图像进行分类，并对所采集到的原始图像进行裁剪处理后使用改进滑动窗口进行人工扩增数据集；

步骤S2、采用Mask R-CNN网络，其中所述Mask R-CNN网络包括共享卷积层Backbone、候选区生成网络RPN及Network Head，所述候选区生成网络RPN在共享卷积层输出的特征图上用3*3的卷积核进行卷积运算，每个卷积窗口有9个不同尺度的anchors，对于大小为m*n的特征图生成的anchor的数量为9*m*n，再把anchor输入到两个不同的分支，其中第一个分支是1*1的卷积层，用于识别anchor覆盖区域的类别是前景区还是背景区，第二个分支是1*1的卷积层，用于把覆盖在前景区的anchor的坐标进行修正，其中，该网络的损失函数采用以下公式： 其中，K为常数，h、w分别为图像的高度和宽度，b为训练批大小，e为常数，Z为神经元函数，当Y(i，j)＝d时，1{Y(i，j)＝d}为1，否则为0；

步骤S3、构建产品表面裂缝数据集，再构建数据集训练Mask R-CNN模型，使该模型能识别产品表面裂缝，其中网络的识别精度评价函数如下：其中， TP为true positive，FP为false positive，Nclasses、Nc为图像数量：

步骤S4、使用阈值化算法求解出产品表面裂缝图像全局分割阈值，准确地提取出裂缝面元中的裂缝特征，所有基于裂缝面元提取出的裂缝特征最终组成整幅图像的裂缝图像：

2 2 2

ω0(μ0-μt) +ω1(μ1-μt) ＝ω0(t)ω1(f)(μ0(t)-μt(t)) ，其中，ω0(t)和ω1(t)分别表示物体属于前景和背景区域的概率，μ为对应的数学期望；以及步骤S5、对裂缝中的像素点进行排列，分为左上角和右下角坐标并标记出两个坐标点确定的矩形区域作为包围盒，标记产品表面裂缝位置。

2.如权利要求1所述的产品表面裂缝快速检测方法，其特征在于：所述卷积层Backbone用于提取特征；所述候选区生成网络RPN用于从特征图中选出需要被识别的候选区；所述Network Head用于识别出候选区的包围盒坐标和对象掩模mask。

3.一种产品表面裂缝快速检测系统，其特征在于：所述产品表面裂缝快速检测系统包括原始图像处理单元、Mask R-CNN网络单元、产品表面裂缝识别单元、裂缝特征提取单元及裂缝位置标记单元；所述原始图像处理单元用于对采集到的高分辨率图像进行简单分类，并对所采集到的原始图像进行裁剪处理后使用改进滑动窗口进行人工扩增数据集；所述Mask R-CNN网络单元包含共享卷积层Backbone、候选区生成网络RPN及Network Head，其中，所述候选区生成网络RPN用于在共享卷积层输出的特征图上用3*3的卷积核进行卷积运算，每个卷积窗口有9个不同尺度的anchors，对于大小为m*n的特征图生成的anchor的数量为9*m*n，再把anchor输入到两个不同的分支，其中第一个分支是1*1的卷积层，用于识别anchor覆盖区域的类别是前景区还是背景区，第二个分支是1*1的卷积层，用于把覆盖在前景区的anchor的坐标进行修正；其中，该网络的损失函数采用以下公式：其中，K为常数，h、w分别为图像的高度和

宽度，b为训练批大小，当Y(i，j)＝d时，1{Y(i，j)＝d}为1，否则为0；所述产品表面裂缝识别单元用于识别产品表面裂缝；所述裂缝特征提取单元用于使用阈值化算法求解出产品表面裂缝图像全局分割阈值，准确地提取出裂缝面元中的裂缝特征；所述裂缝位置标记单元用于对裂缝中的像素点进行排列，分为左上角和右下角坐标并标记出两个坐标点确定的矩形区域作为包围盒，标记产品表面裂缝位置。

4.如权利要求3所述的产品表面裂缝快速检测系统，其特征在于：所述卷积层Backbone用于提取特征；所述候选区生成网络RPN用于从特征图中选出需要被识别的候选区；所述Network Head用于识别出候选区的包围盒坐标和对象掩模mask。

5.如权利要求3所述的产品表面裂缝快速检测系统，其特征在于：所述产品表面裂缝识别单元用于首先构建产品表面裂缝数据集，再构建数据集训练Mask R-CNN模型，使该模型能识别产品表面裂缝，其中网络的识别精度评价函数如下：其中， TP为true positive，FP为false positive。

6.如权利要求3所述的产品表面裂缝快速检测系统，其特征在于：所述裂缝特征提取单元提取裂缝面元中的裂缝特征时，所有基于裂缝面元提取出的裂缝特征最终组成整幅图像的裂缝图像：ω0(μ0-μt)2+ω1(μ1-μt)2＝ω0(t)ω1(t)(μ0(t)-μt(t))2，ω0(t)和ω1(t)分别表示物体属于前景和背景区域的概率，μ为对应的数学期望。