1.一种基于神经网络架构搜索的表面缺陷分类方法，其特征在于，包括以下步骤：S1：构建堆叠候选cell的网络架构NAS‑SDC，所述网络架构NAS‑SDC基于神经网络架构搜索构建；

S2：通过NEU‑CLS缺陷数据集搜索cell，利用搜索到的最佳cell构建缺陷分类CNN；

S3：利用S2得到的缺陷分类CNN对表面缺陷进行分类；

所述网络架构NAS‑SDC为以下两种结构中的任意一种：所述网络架构NAS‑SDC包括N个Normal cell相邻，共堆叠4组，其中，前3组Normal cell后均添加一个Maxpooling cell，所述Maxpooling cell将其两个输入进行Add操作，然后进行2×2的最大池化操作后输出，最后采用全局平均池化GAP+全连接层FC+Sofxmax的结构作为分类层；

所述网络架构NAS‑SDC包括N个Normal cell相邻，共堆叠4组，其中，前2组Normal cell后均添加一个Maxpooling cell，所述Maxpooling cell将其两个输入进行Add操作，然后进行2×2的最大池化操作后输出，在第3组Normal cell后则添加了一个Normal cell+Maxpooling cell+Normal cell组合，最后采用全局平均池化GAP+全连接层FC+Sofxmax的结构作为分类层；

步骤S2中搜索cell，利用搜索到的最佳cell构建缺陷分类CNN，具体包括以下步骤：S2.1：利用NASNet进行搜索cell；

S2.2：对NASNet搜索空间进行精简；

S2.3：通过控制器网络进行搜索，通过采样操作构建候选cell；

S2.4：堆叠候选cell并产生网络，利用验证集对验证网络是否收敛，若是，则所述候选cell为最佳cell，进入步骤S2.5，若不收敛，则进行梯度下降更新，返回步骤S2.3；

S2.5：堆叠最佳cell并利用测试集进行测试；

步骤S2.2中对NASNet搜索空间进行精简包括优化cell结构，具体为：构建一个固定的无参数的Maxpooling cell，将所述Maxpooling cell与Normal cell组合，所述Maxpooling cell将两个输入H[i]和H[i‑1]进行Add操作，然后进行2×2的最大池化操作；

当输入H[i]和H[i‑1]的特征通道数和尺寸不相同时，进行尺度规划化操作，所述尺度规划化操作通过1个Relu激活层、一个kernek数量为K的1×1卷积层和1个Batch Normalization层组成，所述尺度规划化操作具体为：当输入H[i]和H[i‑1]的尺寸不同时，需要对H[i‑1]进行尺度规范化，设置其尺度规划化操作中的1×1卷积层的步长为2；

当输入H[i]和H[i‑1]的尺寸相同但特征通道数不同时，对H[i]和H[i‑1]中特征通道数较大的进行尺度规范化操作，设置其尺度规范化操作中1×1卷积层的步长为1，K设为H[i]和H[i‑1]特征通道数的最小值。

2.根据权利要求1所述的基于神经网络架构搜索的表面缺陷分类方法，其特征在于，所述网络架构NAS‑SDC在第一组Normal cell前设置一个3×3的卷积层，所述卷积层的核心数为60，所述卷积层用于提取输入图像特征。

3.根据权利要求2所述的基于神经网络架构搜索的表面缺陷分类方法，其特征在于，步骤S2中NEU‑CLS缺陷数据集包括六种缺陷，分别为rolled‑in scale、patches、crazing、pitted surface、inclusion和scratches，每种缺陷类型有300张灰度图像，图像分辨率为

64×64。

4.根据权利要求3所述的基于神经网络架构搜索的表面缺陷分类方法，其特征在于，步骤S2中将NEU‑CLS缺陷数据集根据6:1:3的比例1分为训练集、验证集和测试集。

5.根据权利要求4所述的基于神经网络架构搜索的表面缺陷分类方法，其特征在于，步骤S2.2中对NASNet搜索空间进行精简包括精简候选操作，具体为：将NASNet的搜索空间中的操作数量由13个精简到6个，包括：Identity操作，代码为0；3×3dw conv操作，代码为1；5×5dw conv操作，代码为2；7×7dw conv操作，代码为3；3×

3max pooling操作，代码为4；3×3average pooling操作，代码为5。