1.一种基于机器视觉的电池极板缺陷检测方法，其特征在于，包括如下步骤：步骤1：对生产线中极板进行拍摄，并对所拍摄的图片进行图像处理，通过一阶导数锐化处理提取图片的特征得到特征提取图片，并对极板进行编号；

步骤2：将所述特征提取图片分为多组，多通道输入极限学习机‑自动编码器中进行编码，并输入编码后的图片；

所述极限学习机‑自动编码器是由卷积层和池化层构成，其卷积层和池化层是由输入层、输出层和隐藏层组成，输入层和输出层神经元的数量相同，网络层次为前向传播无环结构，其输入层到隐藏层为数据的编码过程，从隐藏层到输出层为数据的解码过程，其运算过程满足：v u

其中，x为输入，σa、σ为激活函数，Wa、Ws为权重，ba、bs为偏置，R 、R分别为输入集和输出集，*为卷积运算；

将极限学习机结合到自编码器中，所述极限学习机与自编码器结构完全相同，隐藏层输入权值与偏置需要进行正交化即：T T

WW＝I,bb＝I

极限学习机‑自编码器的结合后隐藏层输出H与重构样本 的关系为：极限学习机‑自编码器输出权值β的求解方法与网络节点数有关，当输入节点数N与隐藏层节点数L不同时，β计算公式为：‑1

当节点数相同时，β计算公式为：β＝H X；

步骤3：将多通道编码后的图片输入至全连接层，在全连接层利用激活函数进行激活后汇总成为图集输入至模糊支持向量机中；

步骤4：用模糊支持向量机进行分类，并由若干隶属度决定分类情况，将图片分为若干不同类别，取得多组图片；

步骤4.1：引入样本的特征、通用标识符以及每个样本的隶属度，设置每个样本的训练集为：{(x1,y1,μ1(x1)),(x2,y2,μ2(x2)),…,(xn,yn,μn(xn))}，其中每个训练特征表示为xi∈nR，归属类标识符为yi∈(‑1,1)，ξi为支持向量机目标函数的分类误差项，μ(xi)ξi为加权误差项；

步骤4.2：确定模糊支持向量机的目标函数为：s.t.yi(ωxi+b)‑1+ξi≥0,

ξi≥0,i＝1,2,...,n

其中，ω为线性分段函数，C为惩罚因子，则其对应的判别函数为：步骤4.3：根据样本到类中心的距离计算隶属度函数为：其中，为类中心，xi为样本，r为类半径，ε为很小的正数预置；

所述模糊支持向量机选择三个隶属度决定分类情况，将图片分为3组不同类别，取得多组图片，3组所述类别分别为：无缺陷图像、不确定图像、存在缺陷图像；

步骤5：将多组图片分别上传总图片库，并保留，形成极限学习机‑自编码卷积神经网络，并应用于校验训练正确性。

2.根据权利要求1所述的基于机器视觉的电池极板缺陷检测方法，其特征在于，所述步骤1中多图片进行一阶导数锐化处理的具体操作为：步骤1.1：将图像f在坐标(x,y)处的梯度定义为二维向量：该向量表示在位置(x,y)处的重要几何性质为该像素点指向f的最大变化率方向；

步骤1.2：建立梯度图形，用向量▽f的幅度表示为M(x,y)：其中，||f||为范数，表示了梯度向量方向上的变化率在(x,y)的值，M(x,y)的大小与原图像大小相同；

步骤1.3：使用绝对值运算来代替平方和运算：M(x,y)≈|gx|+|gy|。

3.根据权利要求1所述的基于机器视觉的电池极板缺陷检测方法，其特征在于，所述步骤3中的全连接层包含权重向量以及激活函数，所述权重向量为多路特征加权残差的所占比例，所述激活函数为f(x)＝max(0:x)。