1.一种利用YOLOV4网络的陶瓷基板多种瑕疵智能检测方法，其特征在于，所述方法包括：制备包含若干个样本图像的陶瓷基板瑕疵训练集，样本图像是包含瑕疵目标的陶瓷基板的图像且在瑕疵目标处标注有真实框的位置尺寸信息、置信度和目标类别，所述陶瓷基板瑕疵训练集覆盖多种类别的瑕疵目标；

将样本图像输入基于YOLOV4网络构建的智能检测模型后，主干网络提取所述样本图像的多种尺寸的特征图，并依次经过颈部网络和头部网络处理后输出；对于输出的每一种尺寸的特征图，将所述特征图划分为若干个单元网格，并在每个单元网格内利用若干个先验框预测得到预测框，并计算损失函数为LOSS＝LOSSreg+LOSSGHM‑C+LOSScls，其中定位损失函数LOSSreg利用所有单元网格内的预测框与对应真实框的位置尺寸信息计算得到，置信度损失函数LOSSGHM‑C基于梯度均衡机制利用所有单元网格内的预测框与对应真实框的置信度计算得到，分类损失函数LOSScls利用所有单元网格内的预测框与对应真实框的目标类别，利用所述陶瓷基板瑕疵训练集基于所述损失函数训练所述智能检测模型；

将待检测陶瓷基板的待检测图像输入所述智能检测模型，得到对所述待检测图像中的瑕疵目标的检测结果；

其中，所述智能检测模型的主干网络中包括依次级联的CBM模块、CSP1模块、CSP2模块、第一CSP8模块、第二CSP8模块和CSP4模块，CSP2模块的输出端输出152*152的特征图，第一CSP8模块的输出端输出76*76的特征图，第二CSP8模块的输出端输出38*38的特征图，第三CSP8模块的输出端输出19*19的特征图，所述主干网络提取的152*152、76*76、38*38和19*

19的四种不同尺寸的特征图依次经过所述颈部网络和头部网络处理后分别输出；所述智能检测模型的颈部网络获取到152*152、76*76、38*38和19*19的特征图后，分别利用级联的两个CCNet网络对每个尺寸的特征图进行特征增强，再利用PANet对进行特征增强后的四个尺寸的特征图进行增强特征融合。

2.根据权利要求1所述的方法，其特征在于，置信度损失函数LOSSGHM‑C的计算方法为：其中， 是第n个预测框的置信度pn及其对应的真实框的置信度 计算得到的交叉熵损失，N是一个特征图中包含的所有预测框的总数，GD(gt)表示当前的预测框所在的以梯度模值gt为中心的预定子区间的梯度密度。

3.根据权利要求2所述的方法，其特征在于，以梯度模值gt为中心的预定区间内的梯度密度GD(gt)的计算方法为：其中， ε为预设均分

长度，gk是第k个预测框的梯度模值。

4.根据权利要求1所述的方法，其特征在于，位置尺寸信息包括坐标偏移量和长宽比，则有：2

其中，λcoord＝2‑w×h，w×h是当前的特征图的尺寸，S 是特征图包含的单元网格的数量，B是每个单元网格中预测框的数量， 表示第i个单元网格内的第j个预测框中包含瑕疵目标， 分别是第i个单元网格内的第j个预测框的横坐标偏移量、纵坐标偏移量、宽边比和高边比， 分别是第i个单元网格内的第j个预测框对应的真实框的横坐标偏移量、纵坐标偏移量、宽边比和高边比；

对于预测框和真实框中的任意一个目标框，中心点坐标为(bx,by)、宽边长为bw、高边长x y w h为bh的目标框的位置尺寸信息t 、t 、t、t的计算方法为 其中，(cx，cy)为预设的先验框的中心点坐标，cw为先验框的宽变长，ch为先验框的高边长，σ()为预设函数；

Pij(c)表示第i个单元网格内的第j个预测框中包含的瑕疵目标属于目标类别c的概率，表示Pij(c)对应的真实框中包含的瑕疵目标属于目标类别c的概率。

5.根据权利要求1‑4任一所述的方法，其特征在于，所述方法还包括：

对陶瓷基板瑕疵训练集使用预定聚类方法，以聚类框和真实框的交并比和宽长比确定的得分作为相似度标准进行聚类选取先验框。

6.根据权利要求5所述的方法，其特征在于，聚类框acl和真实框bgt的得分为：

其中，IoU(acl,bgt)是聚类框acl和真实框bgt的交并比, 是聚类框acl的宽wcl与长hcl之间的宽长比， 是真实框bgt的宽wgt与长hgt之间的宽长比。

7.根据权利要求1所述的方法，其特征在于，所述智能检测模型的颈部网络中，在利用级联的两个CCNet网络对19*19的特征图进行特征增强后，使用SPP模块进行处理，所述SPP模块分别使用13×13、9×9、5×5和1×1的池化核进行最大池化处理。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将待检测陶瓷基板的待检测图像输入所述智能检测模型后，通过非极大值抑制方法剔除所述智能检测模型输出的重复的预测框，得到对所述待检测图像中的瑕疵目标的检测结果包括预测框位置尺寸信息、置信度和目标类别。