1.一种大尺寸导光板缺陷视觉检测方法，其特征在于包括：导光板生产线末端采用高分辨率线扫相机采集图像，然后将获得导光板图像输入到上位机中截取成一组分辨率为416×416的小图像，并输入到大尺寸导光板缺陷检测模型，获得带有缺陷标记及置信度得分的导光板图像；

所述大尺寸导光板缺陷检测模型包括依次连接的主干网络、特征金字塔、改进的RFB模块、第一预测头Y1、第二预测头Y2和第三预测头Y3，主干网络通过下采样提取并输出(13，13)、(26，26)和(52，52)特征层，然后通过特征金字塔对主干网络所提取特征层加强特征提取，特征金字塔得到的52×52尺度特征图通过改进后的RFB模块进一步加强特征提取后输入第三预测头Y3进行预测，特征金字塔得到的26×26尺度特征图通过改进后的RFB模块进一步加强特征提取后输入第二预测头Y2进行预测，特征金字塔得到的13×13尺度特征图输入第一预测头Y1进行预测，从而获得预测结果；利用改进K-means算法线性缩放后的锚框，进行预测结果的解码，最后经过非极大值筛选出得分最高的锚框；

所述改进后的RFB模块包括首先通过1×1的卷积降维，其次分别进行1×1、3×3和5×5卷积，不同大小的卷积核对应串联连接膨胀率为1、3、5的空洞卷积，最后，把各个分支的输出进行拼接Concat；在RFB模块中还采用了ResNet网络中的shortcut连接方式，采用两个级联的3×3卷积代替5×5卷积；

所述改进K-means算法聚类出与大尺寸导光板缺陷相符的锚框尺寸，第一预测头Y1上使用的锚框是(56，46)、(78，95)、(89，49)，在第二预测头Y2使用的锚框是(40，55)、(52，31)、(53，66)，在第三预测头Y3上使用的锚框是(27，29)、(31，52)、(36，37)；

对第二预测头Y2和第三预测头Y3上使用的锚框进行如下式进行线性缩放：

x1'＝αx1 x'6＝βx6

其中，xi、yi是原始锚框的宽和高数值，xi'、yi'是锚框进行线性缩放后的宽和高数值，α的值为0.9，β的值为1.2，x1的值是27，x1'是经过线性缩放后的最小的锚框宽数值，x6的值是89，x'6是经过线性缩放后的最大的锚框宽数值。

2.根据权利要求1所述的一种大尺寸导光板缺陷视觉检测方法，其特征在于：

所述主干网络为Darknet-53网络，包括1、2、8、8、4个残差模块，提取并输出所述(13，13)、(26，26)和(52，52)特征层；

所述特征金字塔包括对所述(13，13)特征层进行卷积，得到的13×13尺度特征图通过卷积、上采样与所述(26，26)特征层拼接得到26×26尺度特征图，26×26尺度特征图再通过卷积、上采样与所述(52,52)特征层拼接得到52×52尺度特征图。

3.根据权利要求2所述的一种大尺寸导光板缺陷视觉检测方法，其特征在于：

所述大尺寸导光板缺陷检测模型的训练和测试过程为：采用高分辨率线扫相机进行对大尺寸导光板进行图像采集，然后对所采集的图像随机角度截取包含点、线两类缺陷图像，对截取后的缺陷图像进行缺陷类别、区域标注预处理，然后针对预处理后的图像中的每个缺陷类型，按照7:1:2的比例将预处理后的图像划分训练集、验证集及测试集；在训练阶段，采用随机梯度下降优化算法，设置训练参数包括初始学习率、最终学习率、动量大小、权重衰减系数、批量大小，经过100次训练迭代后，获得训练好的大尺寸导光板缺陷检测模型，再经过测试集的验证获得所述大尺寸导光板缺陷检测模型。