1.一种焊接缺陷识别模型训练方法，其特征在于，包括：获取初始焊接样本图像，并将所述初始焊接样本图像划分为训练集和样本集；

对所述初始焊接样本图像进行图像处理，以获得焊接缺陷图像样本特征数据；

对所述焊接缺陷图像样本特征数据进行模糊C均值聚类，以获得特征聚集度；

根据所述特征聚集度和所述训练集构建支持向量机的分类模型；

通过所述样本集对所述支持向量机的分类模型进行验证，以得到训练好的焊接缺陷识别模型；

其中，对所述初始焊接样本图像进行图像处理，以获得焊接缺陷图像样本特征数据的步骤具体包括：

通过均值滤波、sin增强、ostu分割和边缘检测检测出所述初始焊接样本图像中的焊接边缘，并通过Hough变换计算出焊接边界直线的表达式，以确定出焊接区域；

通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割，以去除噪声干扰点；

对去除噪声干扰点后的图像进行灰度化处理，以得到灰度图；

对所述灰度图进行形状特征提取，以获得焊接缺陷图像样本特征数据；

对所述灰度图进行形状特征提取，以获得焊接缺陷图像样本特征数据的方法包括如下步骤：

将所述灰度图投射于虚拟坐标系中的平面中，通过标准网格对所述灰度图进行划分以得到多个灰度单元格图块；

对每个所述灰度单元格图块进行特征扫描以得到对应的单元格图块特征，并将每个所述单元格图块特征发送至预设标准图像特征数据集中进行缺陷分析，以确定是否返回对应的节点标识符，其中每个所述灰度单元格图块对应有四个所述节点标识符，所述节点标识符包括空白标识符以及缺陷标识符；

当判断到所述灰度单元格图块对应的节点标识符中至少有一个为所述缺陷标识符，则将与所述灰度单元格图块对应的所述单元格图块特征发送至焊接缺陷图块数据集中；

在所述焊接缺陷图块数据集中，根据每个所述单元格图块特征的属性信息进行图块排列与数据整合以得到所述焊接缺陷图像样本特征数据，其中所述属性信息包括节点位置坐标、缺陷类别、缺陷特征点位置坐标以及缺陷权重值。

2.根据权利要求1所述的焊接缺陷识别模型训练方法，其特征在于，在所述焊接缺陷图块数据集中，根据每个所述单元格图块特征的属性信息进行图块排列与数据整合以得到所述焊接缺陷图像样本特征数据的方法对应的公式表示为：其中， 表示所述焊接缺陷图像样本特征数据，n表示所述焊接缺陷图像样本特征数据中缺陷类别种类的总数，表示缺陷类别种类，表示当前缺陷类别对应的分类编号， 表示缺陷特征点的类别序号， 表示缺陷特征点的总数量， 表示标准图像特征系数， 表示缺陷权重值， 表示节点横坐标， 表示节点纵坐标， 表示缺陷特征点横坐标， 表示缺陷特征点纵坐标。

3.根据权利要求2所述的焊接缺陷识别模型训练方法，其特征在于，对所述焊接缺陷图像样本特征数据进行模糊C均值聚类，以获得特征聚集度的步骤具体包括：获取所述焊接缺陷图像样本特征数据中样本的数量；

设定聚类参数，所述聚类参数至少包括聚类中心点总数、模糊加权指数、初始聚类中心矩阵以及迭代次数；

计算所述焊接缺陷图像样本特征数据中任一样本与任一聚类中心点之间的欧式距离；

计算所述焊接缺陷图像样本特征数据中任一样本到任一聚类中心点的隶属度；

根据所述隶属度和所述欧式距离计算所述特征聚集度。

4.根据权利要求3所述的焊接缺陷识别模型训练方法，其特征在于，计算所述焊接缺陷图像样本特征数据中任一样本到任一聚类中心点的隶属度的步骤中采用下式计算隶属度：其中，c表示所述聚类中心点总数，i表示第i个聚类中心，j表示第j个样本， 表示第j个样本与第i个聚类中心点之间的欧式距离， 表示第j个样本与第k个聚类中心点之间的欧式距离，m表示所述模糊加权指数， 表示第j个样本到第i个聚类中心点的隶属度。

5.根据权利要求4所述的焊接缺陷识别模型训练方法，其特征在于，根据所述隶属度和所述欧式距离计算所述特征聚集度的步骤中，采用下式计算特征聚集度：其中，S表示所述特征聚集度。

6.根据权利要求1所述的焊接缺陷识别模型训练方法，其特征在于，根据所述特征聚集度和所述训练集构建支持向量机的分类模型的步骤具体包括：将所述特征聚集度作为支持向量机的分类模型的约束条件，以所述训练集为基础构建支持向量机的分类模型。

7.根据权利要求1所述的焊接缺陷识别模型训练方法，其特征在于，通过所述样本集对所述支持向量机的分类模型进行验证，以得到训练好的焊接缺陷识别模型的方法包括如下步骤：

获取所述样本集中的所有样本类型，其中每个样本类型对应有样本类型编号；

获取所述支持向量机的分类模型中的多个分类子通道，其中，多个分类子通道的一端连接有通道输入端口，另一端连接有通道输出端口，每个所述分类子通道对应有一分类子通道编号；

判断每个所述样本类型编号对应的样本，是否能通过对应的所述分类子通道编号的分类子通道，且每个所述样本类型编号对应的样本是否能从所述通道输入端口输入并从所述通道输出端口输出；

若是，则确定所述支持向量机的分类模型验证成功，并将多个验证成功后的支持向量机的分类模型作为训练好的焊接缺陷识别模型。

8.一种焊接缺陷识别模型训练装置，其特征在于，包括：获取模块，用于获取初始焊接样本图像，并将所述初始焊接样本图像划分为训练集和样本集；

处理模块，用于对所述初始焊接样本图像进行图像处理，以获得焊接缺陷图像样本特征数据；

聚类模块，用于对所述焊接缺陷图像样本特征数据进行模糊C均值聚类，以获得特征聚集度；

构建模块，用于根据所述特征聚集度和所述训练集构建支持向量机的分类模型；

验证模块，用于通过所述样本集对所述支持向量机的分类模型进行验证，以得到训练好的焊接缺陷识别模型；

其中，所述处理模块具体用于：

通过均值滤波、sin增强、ostu分割和边缘检测检测出所述初始焊接样本图像中的焊接边缘，并通过Hough变换计算出焊接边界直线的表达式，以确定出焊接区域；

通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割，以去除噪声干扰点；

对去除噪声干扰点后的图像进行灰度化处理，以得到灰度图；

对所述灰度图进行形状特征提取，以获得焊接缺陷图像样本特征数据；

其中，对所述灰度图进行形状特征提取，以获得焊接缺陷图像样本特征数据的方法包括如下步骤：

将所述灰度图投射于虚拟坐标系中的平面中，通过标准网格对所述灰度图进行划分以得到多个灰度单元格图块；

对每个所述灰度单元格图块进行特征扫描以得到对应的单元格图块特征，并将每个所述单元格图块特征发送至预设标准图像特征数据集中进行缺陷分析，以确定是否返回对应的节点标识符，其中每个所述灰度单元格图块对应有四个所述节点标识符，所述节点标识符包括空白标识符以及缺陷标识符；

当判断到所述灰度单元格图块对应的节点标识符中至少有一个为所述缺陷标识符，则将与所述灰度单元格图块对应的所述单元格图块特征发送至焊接缺陷图块数据集中；

在所述焊接缺陷图块数据集中，根据每个所述单元格图块特征的属性信息进行图块排列与数据整合以得到所述焊接缺陷图像样本特征数据，其中所述属性信息包括节点位置坐标、缺陷类别、缺陷特征点位置坐标以及缺陷权重值。

9.一种计算机终端，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。