1.一种基于目标检测算法的钢绳表面缺陷识别方法，其特征在于，按照以下步骤具体实施：

步骤1、实时图像采集；

步骤2、DeblurGAN钢绳去运动模糊模型，

将实时采集的钢绳模糊图片Im，利用DeblurGAN去运动模糊网络得到去运动模糊后的钢绳生成图片Om；

步骤3、构建钢绳表面缺陷目标检测模型，

钢绳表面缺陷目标监测模型采用Mobilenet+FPN轻量级目标检测网络结构，去运动模糊处理后的钢绳生成图片Om，通过钢绳表面缺陷目标检测模型，实现对钢绳表面缺陷的目标检测，输出为检测到的钢绳表面缺陷。

2.根据权利要求1所述的基于目标检测算法的钢绳表面缺陷识别方法，其特征在于：所述的步骤1中，在钢绳应用现场，利用高速摄像头，得到采样区段钢绳状态的实时视频图像流，对图像流每5帧进行一次帧提取，得到一张钢绳模糊图片Im。

3.根据权利要求2所述的基于目标检测算法的钢绳表面缺陷识别方法，其特征在于：所述的步骤2中，所述的DeblurGAN去运动模糊网络由生成器G和判别器D组成，具体结构是：

2.1)生成器G的网络结构为：钢绳模糊图片Im经过1层卷积、实例归一化层和激活层后，保持输入数据的尺寸不变；然后，进行2次上采样，将图像特征层增至256个；再经过9层残差卷积，每个残差卷积包含一个3*3卷积层3*3conv、实例归一化层InstanceNorm和ReLU激活层；随后，进行2次下采样、1层卷积以及激活函数后输出；

2.2)判别器D的网络结构是：由1个卷积、4个下采样、1个卷积以及激活函数组成；判别器网络D的输入为：与钢绳模糊图片Im相对应的钢绳清晰图片Iq以及钢绳模糊图片Im经过生成器G后得到钢绳生成图片Om；判别器网络D对输入的两种图片进行相似程度判断；

DeblurGAN去运动模糊网络需要用一组钢绳图片样本集(RW-Im，RW-Iq)对DeblurGAN去运动模糊网络的生成器G和判别器D进行对抗训练，其中，RW-Im为钢绳模糊图片的样本集，RW-Iq为相应的钢绳清晰图片的样本集；经过大量钢绳图片样本训练，直到钢绳模糊图片样本集RW-Im经过生成器G后的生成图片样本集RW-Om与相应的钢绳清晰图片样本集RW-Iq相似度最好。最终将训练好的DeblurGAN去运动模糊网络的结构和参数设置在网络中，得到DeblurGAN钢绳去运动模糊模型。

4.根据权利要求3所述的基于目标检测算法的钢绳表面缺陷识别方法，其特征在于：所述的步骤3中，所述的Mobilenet+FPN轻量级目标检测网络结构是：

3.1)轻量级Mobilenet特征提取网络，由1个传统的卷积层加13个深度可分离卷积模块组成，每个模块采用了逐通道卷积+逐点卷积组合的结构，因此，轻量级Mobilenet特征提取网络总共有1+2*13＝27层可分离卷积结构；

3.2)多尺度信息融合FPN检测网络，首先，将轻量级Mobilenet特征提取网络的第27层输出的13*13特征图，进行1*1和3*3的卷积操作，得到13*13的检测特征图；其次，将13*13的检测特征图进行双线性插值上采样得到26*26的上采样特征图，将26*26的上采样特征图与轻量级Mobilenet特征提取网络的第23层输出的26*26特征图进行融合，再进行一组卷积操作，得到26*26的检测特征图；再次，将26*26的检测特征图进行双线性插值上采样得到52*

52的上采样特征图，将52*52的上采样特征图和轻量级Mobilenet特征提取网络的第11层输出的52*52特征图进行信息融合，以及卷积操作，得到52*52的检测特征图；最后，将上述的

13*13的检测特征图、26*26的检测特征图以及52*52的检测特征图进行级联，最终形成钢绳缺陷检测的多尺度信息融合FNP检测结构。

5.根据权利要求4所述的基于目标检测算法的钢绳表面缺陷识别方法，其特征在于：所述的步骤3中，所述的Mobilenet+FPN轻量级目标检测网络在用于钢绳表面缺陷的在线智能检测前，需要利用钢绳各种缺陷的大量样本对目标检测网络模型进行训练，直到收敛，具体步骤如下：a)样本图片采集，在钢绳使用现场或缺陷钢绳回收处，收集不同光照条件下及不同损伤状态的钢绳缺陷图片；

b)进行钢绳的缺陷标注，利用labelImg软件对收集到的不同缺陷的钢绳缺陷图片进行缺陷标注，从而得到钢绳缺陷样本；

c)建立钢绳缺陷样本数据集，重复步骤2)的钢绳缺陷标注过程，对钢绳缺陷图片中不同的缺陷进行标注，得到不同缺陷以及不同缺陷状态的样本集；

d)Mobilenet+FPN轻量级目标检测网络训练，利用标注好的钢绳不同缺陷样本集对Mobilenet+FPN轻量级目标检测网络进行训练，直至模型收敛。