1.一种光伏电池视觉分拣的深度学习识别与控制方法，其特征在于，该方法包括：以下步骤：
s1：图像采集
s1-1采集图像
s1-2判定采集到的图像是否超过500张，如果超过继续下面步骤，如果没超过，则再次进入到s1-1步骤中；
s1-3停止采集图像，将采集到的图像保存至相应的缺陷文件夹，按训练集与验证集进行人工分选与标签制作；
s2：深度学校训练
s2-1加载预训练模型；
s2-2对fasterr-cnn模型参数进行初始化，初始化参数内容包括所有的权重值、偏置值、批量归一化尺度因子值，设置网络的初始学习率；
s2-3将所述步骤s1-3得到的训练集和验证集根据其标签内容输入到s2-2初始化的模型中进行训练，得到表面缺陷深度学习模型；
s3：深度学习执行
s3-1实时采集测试图像；
s3-2调用所述步骤s2-3得到的表面缺陷深度学习模型，对所述步骤s3-1的图片进行测试；
s3-3得到实时检测结果：包括缺陷类别以及定位缺陷的精确位置及其置信度；
s4：机器人分拣
s4-1将所述步骤s3-3得到的实时检测结果反馈给机器人，由机器人执行分拣。
2.根据权利要求1所述的一种光伏电池视觉分拣的深度学习识别与控制方法，其特征在于：所述步骤s1-3中，所述训练集与所述验证集的比例为4:1。
3.根据权利要求1所述的一种光伏电池视觉分拣的深度学习识别与控制方法，其特征在于：所述步骤s3-1中采集图像的模式可以为连续采集或者单张采集。
4.根据权利要求1-3任一项所述的一种光伏电池视觉分拣的深度学习识别与控制方法，其特征在于：所述缺陷文件夹为el缺陷文件夹或者外观缺陷文件夹。
5.一种采用光伏电池视觉分拣的深度学习识别与控制方法的装置，其特征在于：所述装置包括图像采集模块、深度学习训练模块、深度学习执行模块以及机器人通讯模块。