1.一种基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，其特征在于，包括以下步骤：

(1)以Faster RCNN的残差网络ResNet为模型，构建基于主频率波数域的曲波稀疏基；

(2)构建能根据FPC图像的尺寸，自我学习调整的测量矩阵；

(3)根据所述的稀疏基和自适应随机测量矩阵对输入的FPC图像进行压缩采样；

(4)结合使用Conv、Relu及Pooling层提取压缩采样后FPC图像的特征值；

(5)构建RPN网络，利用RPN网络生成的推荐和ResNet网络最后一层得到的特征映射，计算出推荐特征映射；

(6)对特征映射进行全连接操作，并使用Softmax函数进行FPC图像缺陷分类识别。

2.根据权利要求1所述的基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，其特征在于，所述步骤(1)包括以下步骤：(11)二维FPC图像 将其一维化成一个列向量，即 然后再进行压缩采样；

(12)一维化后的FPC图像信号表示为X＝x+Γn，其中X表示一维化后的FPC图像信号，x表示不含噪声的图像信号，n表示图像中噪声信号，Γ表示混合噪声算子，分别计算出x和n：x＝X‑Γn   (1)

H H

n＝ΓX‑Γx   (2)

H

其中，Γ表示共轭混合算子；

i+1 i+1

(13)利用主频率波数域算法，计算出x 和n ：i i

其中，x 和n分别表示第一和第二序列在频率域中第i次迭代估计值， 表示沿着空间坐标轴的傅里叶变换， 表示对应的共轭算子，Tλ表示阈值算子，阈值算子有硬阈值和软H

阈值两种，C表示曲波变换，C表示对应的共轭算子。

3.根据权利要求1，所述的基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，其特征在于，所述步骤(2)包括以下步骤：(21)将二维图像一维化后，观测信号 中的每一个元素均为测量矩阵Φ每一行的每个元素与x中的每个元素的线性组合，将x重新二维化为X，而测量矩阵Φ中的第q行 二维化为一个二维的矩阵 计算出如下表达式：(q)

其中，y 表示y中的第q个元素；对于FPC图像的压缩采样运算即为卷积运算；

(q)

(22)将y 推广到测量矩阵的每一行，在FPC图像贝叶斯压缩采样的结构中：其中，W表示随机测量矩阵。

4.根据权利要求1所述的基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，其特征在于，步骤(5)所述的ResNet网络层数为101层，采用捷径连接将输入和输出进行“跳层连接”，将单元的输出和输入合并后再激活。

5.根据权利要求1所述的基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，其特征在于，步骤(6)所述Softmax函数输出为两类，一类是缺陷，另一类是无缺陷。

6.根据权利要求1所述的基于贝叶斯压缩感知和深度学习的FPC缺陷检测方法，其特征在于，步骤(6)所述的Softmax函数阈值为0.7。