1.一种基于改进MASK RCNN的FPC缺陷检测方法，其特征在于，包括如下步骤：S1. ROI处理和图像裁剪，采集现场的目标检测图像，对FPC原始图像数据进行预处理，预处理包括ROI处理和图像裁剪；

S2.对预处理后的图像进行数据增强处理；

S3.人工标注，对增强处理后的图像数据进行人工标注，再划分数据集；

S4.确定特征图block横向堆叠次数N，其中针对要识别的FPC缺陷种类和数量，确定特征图block横向堆叠次数N；

S5.模型训练，将标注好的图像数据送入改进MASK RCNN网络模型训练，训练出FPC缺陷检测模型；

S6.对训练好的FPC缺陷检测模型进行性能评估；

S7.参数优化微调，结合S6的评估结果，对FPC缺陷检测模型进一步的优化微调。

2.根据权利要求1所述的一种基于改进MASK RCNN的FPC缺陷检测方法，其特征在于：所述ROI处理的具体方法是将原始高分辨率的FPC图像裁剪出需要检测的部分，即ROI图像，再将ROI图像裁剪成K份，K份裁剪后的图像最大分辨率为1024*1024，最小分辨率为256*256，K在自然数集合{2，3，4}中根据原始高分辨率的FPC图像选择一个数值。

3.根据权利要求1所述的一种基于改进MASK RCNN的FPC缺陷检测方法，其特征在于：所述数据增强处理方法采用图像旋转、图像镜像、图像对比度调整、图像平移以及随机缺失，以增大训练的数据集。

4.根据权利要求1所述的一种基于改进MASK RCNN的FPC缺陷检测方法，其特征在于：所述人工标注采用Labelme标注工具，在数据集上标注出缺陷的真实位置，并将标注好的数据集按照4比1的比例划分为训练集和验证集。

5.根据权利要求1所述的一种基于改进MASK RCNN的FPC缺陷检测方法，其特征在于：特征图block横向堆叠的次数为N次，N在自然数集合{3，4，5，6}中根据FPC缺陷种类选择一个数值，FPC缺陷种类数量n在1≤n≤9个时，N取3；缺陷种类数量n在10≤n≤14个时，N取4；缺陷种类数量n在15≤n≤20个时，N取5；缺陷种类数量n超过20时，N取6。

6.根据权利要求1所述的一种基于改进MASK RCNN的FPC缺陷检测方法，其特征在于，S5具体包括如下步骤：

2 2 2 2 2

S51：将RPN网络anchor的像素面积设置为{8 ，16，32 ，64 ，256}，anchor的宽高比设置为{3:4，1:1，3:1}，anchor的步长设置为4；

S52：使用EfficientNet作为主干特征提取网络提取特征；

S53：将底层特征图和高层特征图语义信息结合起来，创建自下而上，自左而右的特征图block；

S54：模型判断缺陷的阈值设定为G，如果模型输出得分小于阈值G，则判定为无缺陷，如果得分大于阈值G，则判定存在缺陷。

7.根据权利要求6所述的一种基于改进MASK RCNN的FPC缺陷检测方法，其特征在于：所述S53具体方法为：对主干特征提取网络生成的5张特征图C1、C2、C3、C4、C5进行1*1卷积运算生成C1_0、C2_0、C3_0、C4_0、C5_0，再对后四张特征图C2_0、C3_0、C4_0、C5_0进行上采样生成C2_1、C3_1、C4_1、C5_1，通过逐元素相加与前一级特征图融合生成C1_2、C2_2、C3_2、C4_2，再将C2_2、C3_2、C4_2与主干特征提取网络生成的C2、C3、C4特征图进行逐元素相加，上述步骤即为特征图block，重复堆叠N次后；最后由底往高，C1_2进行3*3卷积生成有效特征图P1；对P1最大池化操作后与C2_2逐元素相加，再进行3*3卷积生成有效特征图P2；对有效特征图P2进行3*3卷积和最大池化操作后与C3_2逐元素相加，再进行3*3卷积生成有效特征图P3；对有效特征图P3进行3*3卷积和最大池化操作后与C4_2逐元素相加，再进行3*3卷积生成有效特征图P4；C5_2与P4进行3*3卷积和最大池化操作后逐像素相加，再进行3*3卷积生成有效特征图P5。

8.根据权利要求1所述的一种基于改进MASK RCNN的FPC缺陷检测方法，其特征在于：所述对训练好的FPC缺陷检测模型进行性能评估主要分为缺陷定位、缺陷分类和缺陷分割三类；对于缺陷定位和缺陷分类，计算平均精度mAP作为评估指标；对于缺陷分割，计算缺陷分割像素与缺陷实际像素的比值作为评估指标；若模型的mAP≥90%且正确分割像素的比值≥

60%，则认定模型能够对FPC缺陷进行精确检测及分割，否则需要对模型进行优化微调。

9.根据权利要求1所述的一种基于改进MASK RCNN的FPC缺陷检测方法，其特征在于：对FPC缺陷检测模型进一步的优化微调主要通过增加训练样本数量、调整特征图block横向堆叠次数N、修改学习率、迭代次数来实现。