1.一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，包括以下步骤：
步骤1：获取匣钵表面灰度图像，包括有缺陷和没有缺陷的匣钵的4个侧面图像和底面图像；
步骤2：对采集的匣钵图像进行预处理获得有缺陷和没有缺陷的匣钵图像样本，然后对匣钵图像样本进行扩充，获得若干匣钵图像的训练集和若干匣钵图像的测试集；
步骤3：预处理后的训练集和测试集输入到卷积神经网络模型googlenet中，调整卷积神经网络模型googlenet的参数，得到优化的卷积神经网络模型googlenet，构建googlenet网络；
步骤4：获取待识别的匣钵图像并进行步骤2所述的预处理，并输入步骤3构建的googlenet网络中进行，计算图像存在某个缺陷的概率，判断属于某类缺陷，完成匣钵缺陷检测。
2.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述步骤2对采集的匣钵图像进行预处理，具体过程包括如下步骤：
步骤2-1：获取匣钵图像，对采集的匣钵图像进行裁剪，以提取有效区域，所述有效区域为匣钵测试图像中非边界区域；
步骤2-2：对步骤2-1处理后的匣钵图像进行亮度和对比度的调整；
步骤2-3：对步骤2-2处理后的匣钵图像进行缺陷标记，对有缺陷图像以缺陷为中心对有效区域内进行分割；
步骤2-4；对步骤2-3处理后的匣钵图像，进行样本扩充，获得若干匣钵图像的训练集和若干匣钵图像的测试集。
3.根据权利要求2所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，
所述步骤2-2对亮度和对比度进行调整的具体过程为：
设f(c,v)表示调整前的图像像素，g(c,v)表示调整后的图像像素，a为用于控制图像对比度的增益，b为用于控制图像亮度的偏置，a,b在每次调整中随机取值，采用函数g(c,v)对匣钵图像的亮度和对比度进行调整：g(c,v)=a*f(c,v)+b，其中c,v表示像素点的坐标位置；
所述步骤2-3中所述缺陷标记分为正常、缺角、裂缝和龟裂，其中分割后图片的像素为512*512；
所述步骤2-4对样本扩充后，根据缺陷类型，进行分类，获取包括有缺陷与无缺陷若干张匣钵图像的训练集和若干匣钵图像的测试集。
4.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述卷积神经网络模型googlenet的训练采用9个inception模块，所述inception模块包括多个卷积层和最大池化层。
5.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述卷积神经网络模型googlenet采用relu激活函数加速网络训练，所述relu激活函数为relu(q)＝max(0,q)，其中q为单个神经元的加权求和值；
所述卷积神经网络googlenet采用sgd算法对卷积神经网络训练进行最优化求解。
6.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述卷积神经网络模型googlenet的初始学习率为0.001，所述卷积神经网络模型googlenet的迭代次数间隔为2000。
7.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述卷积神经网络模型googlenet使用的池化方式为：均值池化和最大池化。
8.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述步骤1和步骤4中均采用工业相机对匣钵图像进行采集。