1.一种计算机图像智能化识别方法，其特征在于，包括：

获取目标灰度图像，并对该目标灰度图像进行旋转，得到多张旋转后的目标灰度图像，利用多张旋转后的目标灰度图像得到目标高维灰度图像；所述目标高维灰度图像为：采集目标旋转一周的多张灰度图像，将多张目标灰度图中对应同一个位置像素点灰度值组成的序列作为目标高维灰度图像中每个像素点的灰度；

将目标高维灰度图像中所有像素点到高维灰度图像中心像素点的距离相同的像素点划分为一组，得到多组像素点；

获取每组像素点的高斯分布形状特征；当一个组内存在缺陷时，缺陷的灰度会影响该组的灰度高斯分布形状，使得存在缺陷的组的灰度高斯分布较不存在缺陷的灰度高斯分布更宽，表现在数值上为存在缺陷的组的灰度高斯分布函数的标准差参数更大；

根据每组像素点的高斯分布函数计算每组像素点与其他组像素点两两之间的高斯分布差异；计算每组像素点与其他组像素点两两之间的高斯分布差异的方法为：获取每组像素点的高斯分布函数，根据每组像素点高斯分布函数中的均值参数以及标准差参数计算每组像素点与其他组像素点两两之间的高斯分布差异，表达式为：其中，bj,n表示第j组像素点与第n组像素点两两之间的高斯分布差异， 为第j组像素点高斯分布函数的均值参数， 为第n组像素点高斯分布函数的均值参数，β为标准差差异的权重系数，1‑β为均值差异的权重系数， 为第j个组像素点高斯分布的标准差均值参数，为第n组像素点高斯分布的标准差均值参数；

根据每组像素点与其相邻组像素点之间的高斯分布差异计算每组像素点与其相邻组像素点的一致性，表达式为：dj＝exp(‑min(bj,j+1,bj,j‑1))

其中，dj表示第j组像素点与其相邻组像素点的一致性，bj,j+1表示第j组像素点与第j+1组像素点的高斯分布差异，bj,j‑1表示第j组像素点与第j‑1组像素点的高斯分布差异；

根据所述每组像素点的高斯分布形状特征、每组像素点与其他组像素点两两之间的高斯分布差异以及每组像素点与其相邻组像素点的一致性计算每组像素点的缺陷概率；

根据每组像素点的缺陷概率判断目标是否存在缺陷。

2.根据权利要求1所述的一种计算机图像智能化识别方法，其特征在于，将目标高维灰度图像中所有像素点到高维灰度图像中心像素点的距离相同的像素点划分为一组后：计算每组像素点内每个像素点的背景概率，将每组像素点内背景概率大于阈值的像素点去除，得到多组像素点；

计算每组像素点内每个像素点的背景概率的表达式为：

其中，pjk表示第j组像素点的第k个像素点的背景概率，μjk为第j个组内第k个像素点位置处灰度序列的均值，μjl为第j个组内第l个像素点位置处灰度分布的均值，L(j)为第j个组内的像素点个数，σjk为第j个组内第k个像素点位置处灰度序列的标准差，σjl为第j个组内第l个像素点灰度分布的标准差，β、1‑β为权重系数。

3.根据权利要求1所述的一种计算机图像智能化识别方法，其特征在于，计算每组像素点的缺陷概率的方法为：其中，qj为第j组像素点的缺陷概率，aj表示第j组像素点的高斯分布形状特征，bj,n表示第j组像素点和第n组像素点两两之间的高斯分布差异，m表示共有m组像素点，dj表示第j组像素点与其相邻组像素点之间的一致性。

4.根据权利要求1所述的一种计算机图像智能化识别方法，其特征在于，判断目标是否存在缺陷的方法还包括：根据每组像素点的缺陷概率获取缺陷组像素点和无缺陷组像素点；

当目标高维灰度图像的中心像素点相邻的多组像素点均为缺陷组像素点时，该中心像素点存在缺陷；

当目标高维灰度图像的中心像素点相邻的多组像素点均为无缺陷组像素点时，该中心像素点为背景杂质。

5.根据权利要求1所述的一种计算机图像智能化识别方法，其特征在于，获得每组像素点的缺陷概率之后，还包括：根据非缺陷组像素点的高斯分布函数以及缺陷组像素点的高斯分布函数获取缺陷灰度区间，利用该区间对每个缺陷组像素点进行阈值分割，得到缺陷的具体位置。