1.一种基于深度学习的自适应齿轮缺陷检测方法，其特征在于，包括如下步骤：S1、图像增强处理：使用对比度限制的自适应直方图均衡化技术对待检测的齿轮表面图像进行图像增强处理；

S2、图像预处理：对增强后的齿轮表面图像进行预处理，得到齿轮区域图像；

S3、特征提取：使用卷积神经网络对齿轮区域图像进行特征提取，从中提取齿轮边缘、齿轮中心点以及各个角点的特征；

S4、角点分析：使用卷积神经网络与长短期记忆网络结合的分割算法确定疑似角点和伪角点；

S5、距离缺陷指标计算：通过角点间距离的标准差σ和平均距离μ的差异，计算距离缺陷指标值D；

S6、面积缺陷指标计算：通过三维建模分析，确定齿轮的面积缺陷指标值A；

S7、角度缺陷指标计算：使用支持向量机对齿轮的角度缺陷进行分析，确定齿轮的角度缺陷指标值Θ；

S8、综合缺陷指标计算：综合距离缺陷指标值D、面积缺陷指标值A和角度缺陷指标值Θ，计算齿轮的综合缺陷指标值C；

S9、缺陷等级判定：根据齿轮的综合缺陷指标值C确定齿轮的缺陷等级。

2.根据权利要求1所述的一种基于深度学习的自适应齿轮缺陷检测方法，其特征在于，所述步骤S1具体包括：S11、将齿轮表面图像按照齿轮齿面和齿底区域分割为多个小块，针对每个小块根据其所在区域的特点独立进行直方图均衡化；

S12、对每个小块实施对比度限制，在齿轮的齿面反射区和齿底阴影区进行对比度调整；

S13、使用双线性插值融合处理均衡化后的各个小块；

S14、对增强后的齿轮表面图像质量进行量化评估：其中， 表示增强后的齿轮表面图像中第i行第j列的像素值， 表示增强后的齿轮表面图像的平均像素值，M和N分别表示图像的行数和列数。

3.根据权利要求2所述的一种基于深度学习的自适应齿轮缺陷检测方法，其特征在于，所述S2具体包括：S21、应用自动阈值分割技术来区分齿轮表面和背景，参考到齿轮表面的独特反光特性和背景的差异，使用公式确定最佳阈值T：其中，Igear表示增强后的齿轮表面图像，min(Igear)和max(Igear)分别表示图像中像素值的最小值和最大值；

S22、对分割后的图像应用形态学操作，根据阈值分割结果确定的最佳阈值T对图像应用腐蚀操作：其中，Egear表示腐蚀后的图像，I是原始图像，S是针对齿轮设计的结构元素，结构元素S从阈值分割T中获得的齿轮表面特性；

根据阈值分割结果确定的最佳阈值T对腐蚀后的图像应用膨胀操作：其中，Dgear表示膨胀后的图像；

S23、应用高斯模糊对增强后的齿轮表面图像进行预处理，高斯模糊的标准差σG与量化图像质量Qgar相关联：其中，k是根据齿轮图像特性调整的系数；

通过改进的Canny边缘检测算法对边缘进行非极大值抑制处理，在设置阈值时依赖于齿轮图像的平均像素值 和标准差其中，λ是根据齿轮图像特性调整的系数。

4.根据权利要求2所述的一种基于深度学习的自适应齿轮缺陷检测方法，其特征在于，所述S3具体包括：S31、使用经过预训练的卷积神经网络模型对预处理后的齿轮图像进行深度特征提取，识别出齿轮边缘、齿轮中心点和角点的关键特征，所述关键特征的提取基于卷积层和池化层叠加，其中每一层卷积层的输出Ol：Ol＝f(Wl*I+bl)；

其中，Wl和bl分别是第l层的卷积核权重和偏置项，l是输入图像，*表示卷积操作，f是激活函数；

S32、在深度特征提取后，应用角点检测算法识别齿轮的角点；

S33、计算每个检测到的角点与齿轮中心点之间的距离di：其中，(xi,yi)是第i个角点的坐标，(xc,yc)是齿轮中心点的坐标。

5.根据权利要求4所述的一种基于深度学习的自适应齿轮缺陷检测方法，其特征在于，所述S4具体包括：S41、将齿轮边缘和角点特征转化为时间序列数据，输入到长短期记忆网络中，所述长短期记忆网络处理齿轮旋转时的连续图像帧，识别在旋转过程中持续出现的疑似角点：Ot＝LSTM(Ft,Ht‑1)；

其中，Ft是在时刻t的输入特征，代表齿轮的角点特征，Ht‑1是前一时刻的隐藏状，长短期记忆网络单元的输出Ot与输入特征Ft相关；

S42、通过分析长短期记忆网络的输出对于每个疑似角点，通过计算连续齿轮旋转过程中角点出现的一致性计算每个角点的稳定性指标Si：其中，Pit表示在时刻t角点i的出现概率，T是考虑的时间帧数；

S43、结合卷积神经网络与长短期记忆网络的结果，对每个疑似角点进行进一步的分析，区分真实的齿轮角点和伪角点：if Si<δor di>η·Qedge,wxclude corners i；

其中，δ和η是根据齿轮特性调整的阈值参数。

6.根据权利要求3所述的一种基于深度学习的自适应齿轮缺陷检测方法，其特征在于，所述S5具体包括：S51、基于卷积神经网络与长短期记忆网络识别的齿轮真实角点，计算齿轮上相邻的每对角点i和j之间的角点距离dij：其中，(xi，yi)和(xj，yj)分别是相邻角点的坐标；

S52、将角点间距离dij与边缘清晰度指标Qedge结合评估齿轮齿面的均匀性和对称性，计算所有角点间距离的标准差σd和平均距离μd：其中，N是角点的总数；

S53、结合标准差σd和平均距离μd差异，得出齿轮的距离缺陷指标值D：D＝θ·σd+(1‑θ)·|μd‑μideal|；

其中，μideal是理想齿轮的平均角点间距，θ是权衡标准差和平均距离差异重要性的系数。

7.根据权利要求6所述的一种基于深度学习的自适应齿轮缺陷检测方法，其特征在于，所述S6具体包括：S61、利用齿轮边缘、齿轮中心点和角点的齿轮表面特征以及特征在连续帧中的变化，结合三维建模技术创建齿轮的三维模型，所述三维模型映射了齿轮表面的实际几何形状，包括由磨损和制造缺陷导致的不规则性：M3D＝f3D(Fcnn,Flstm)；

其中，M3D代表齿轮三维模型，Fcnn和Flstm分别代表卷积神经网络和长短期记忆网络的输出特征；

通过卷积神经网络和长短期记忆网络识别的角点和齿轮边缘定义齿轮齿面和齿底的实际形状，将二维图像特征转换为三维空间中的坐标点，重构齿轮的几何结构：P3D(i)＝fCT(Fcnn(i),Flstm(i))；

其中，P3D(i)是三维模型中第i个点的坐标，Fcnn(i)和Flstm(i)是第i个特征点的卷积神经网络和长短期记忆网络输出，fCT表示坐标转换函数；

S62、使用三维模型结合边缘清晰度Qedge和距离缺陷指标D，计算齿轮的实际表面面积Aactual：其中，(xi，yi)是三维模型中第i个顶点的坐标，N是模型顶点的总数；

S63、将实际面积Aactual与理想齿轮模型的预期面积Aideal进行对比，得出面积缺陷指标值A：其中，Aideal是理想状态下的齿轮预期面积。

8.根据权利要求1所述的一种基于深度学习的自适应齿轮缺陷检测方法，其特征在于，所述S7具体包括：S71、使用齿轮三维模型M3D通过比较相邻齿面的相对方向计算得出每个齿面的角度信息，对于每个齿面的角度：其中，P3D(i)和P3D(i+1)是三维模型中相邻齿面的向量表示；

S72、利用支持向量机对提取的角度数据进行分析，识别出与理想齿轮模型相比的角度偏差：Θdefect＝SVM({θi‑θideal})；

其中，Θdefect表示由支持向量机识别的角度缺陷值，支持向量机模型训练齿轮的理想角度θideal和实际测量的角度θi之间的差异。

9.根据权利要求8所述的一种基于深度学习的自适应齿轮缺陷检测方法，其特征在于，所述S8具体包括将角度缺陷值Θdefect与面积缺陷指标A和距离缺陷指标D结合形成齿轮的综合缺陷评估：Ctotal＝ωA·A+ωωD·D+ωωΘ·Θdefect；

其中，Ctotal是齿轮的综合缺陷指标值，ωA、ωD和ωΘ分别是面积、距离和角度缺陷的权重系数。

10.根据权利要求1所述的一种基于深度学习的自适应齿轮缺陷检测方法，其特征在于，所述S9具体包括：S91、将齿轮根据其应用类型分为i不同的类别，每个类别有其特定的性能要求和安全标准；

S92、对于每个类别定义一组不同的阈值，阈值参考该类别的特定要求，包括角度缺陷、面积和距离缺陷；

S93、利用加权评分系统，根据齿轮的类别调整Ctotal中各个指标的权重：Cweighted，i＝ωD，i·D+ωA，i·A+ωΘ，i·Θdefect(1≤i)；

其中，ωD，i、ωA，i和ωΘ，i分别是类别i中距离、面积和角度缺陷的权重系数；

S94、根据加权综合缺陷指标值Cweighted，i和对应i类别的阈值标准，将齿轮分为不同的质量等级：其中，T1，i、T2，i和T3，i是类别i的阈值。