1.基于YOLO的电力电子器件生产工艺目标识别与缺陷检测方法，其特征在于，包括以下步骤：步骤一：图像采集模块采集若干个无缺陷的电力电子器件的照片，并去除无缺陷的电力电子器件的照片中非电力电子器件的轮廓部分，将保留的电力电子器件的轮廓照片标记为标准照片，将标准照片发送至YOLO学习模型；

步骤二：YOLO学习模型收集标准照片基于YOLOv4网络构建标准深度学习网络模型，并将构建的标准深度学习网络模型发送至缺陷检测平台；

步骤三：图像采集模块依次采集位于皮带输送机上输送的若干个的电力电子器件的照片，将电力电子器件的照片中电力电子器件的轮廓照片标记为检测对象；

步骤四：图像采集模块将检测对象发送至缺陷检测平台；

步骤五：缺陷检测平台将标准照片和检测对象均形成像素格照片，且像素格照片的数量、面积均相同，并将标准照片和检测对象的像素格照片分别标记为标准像素照片和检测像素照片，并将位于第一个的标准像素照片和检测像素照片的位置设置为原点，建立坐标系，其余标准像素照片和检测像素照片相应获得坐标系坐标；

步骤六：缺陷检测平台利用标准深度学习网络模型将检测像素照片按照坐标系坐标一一与标准像素照片进行比对：若检测像素照片与标准像素照片相同，则将检测像素照片标记为同相片；

若检测像素照片与标准像素照片不相同，则将检测像素照片标记为非相片；

步骤七：缺陷检测平台获取同相片和非相片的数量，获得非相片数量与同相片数量的比值，并将其标记为缺陷比；

步骤八：缺陷检测平台将缺陷比与预设缺陷阈值进行比较：若缺陷比＞预设缺陷阈值，则将缺陷比所对应的检测对象标记为缺陷对象；

步骤九：缺陷检测平台获取所有的非相片，按照坐标系坐标将非相片进行分类，若非相片的坐标系坐标为相邻坐标，则将相对应的非照片归为同一类，相邻坐标表示同X轴或者同Y轴，将同一类的非照片按照坐标系坐标拼接，形成组合照片，并将组合照片发送至器件标记模块；

步骤十：管理人员通过器件标记模块将组合照片进行缺陷类型标记，并将标记后的组合照片标记为缺陷照片，并将缺陷照片发送至YOLO学习模型；

步骤十一：YOLO学习模型收集缺陷照片基于YOLOv4网络构建缺陷深度学习网络模型，并将构建的缺陷深度学习网络模型发送至缺陷检测平台；

步骤十二：缺陷检测平台将组合照片发送至缺陷深度学习网络模型中，获取组合照片所对应的检测对象的缺陷类型，并对检测对象进行缺陷类型标记；

步骤十五：缺陷检测平台获取组合照片的数量，并将其标记为缺陷数；

步骤十六：缺陷检测平台将缺陷比和缺陷数发送至数据分析模块；

步骤十七：数据分析模块将缺陷比和缺陷数经过分析得到缺陷系数；

步骤十八：数据分析模块将缺陷系数与预设缺陷系数进行比较：若缺陷系数＞预设缺陷系数，则将缺陷系数所对应的检测对象为选中对象；

步骤十九：数据分析模块将选中对象后若干位的检测对象标记为预选对象；

步骤二十：数据分析模块将预选对象的缺陷系数求和并求取平均值，并将其标记为预选系数；

步骤二十一：数据分析模块获取缺陷系数、预选系数之间的差值，若差值为负数，则产生缺陷预警信号，并将缺陷预警信号发送至缺陷预警模块；

步骤二十二：缺陷预警模块接收到缺陷预警信号后对电力电子器件生产工艺进行检查，并对电力电子器件生产工艺进行改善。

2.根据权利要求1所述的基于YOLO的电力电子器件生产工艺目标识别与缺陷检测方法，其特征在于：图像采集模块，用于采集电力电子器件的照片，并将其标记为检测对象，并将检测对象发送至YOLO学习模型、缺陷检测平台；

YOLO学习模型，用于根据标准照片构建标准深度学习网络模型，根据缺陷照片构建缺陷深度学习网络模型，并将构建的标准深度学习网络模型、缺陷深度学习网络模型发送至缺陷检测平台；

缺陷检测平台，用于根据标准深度学习网络模型判断检测对象是否存在缺陷，并将存在缺陷的检测对象标记为缺陷对象，并获得缺陷对象的缺陷比和缺陷数，并将缺陷比和缺陷数发送至数据分析模块，还用于根据缺陷深度学习网络模型判断缺陷对象的缺陷类型；

数据分析模块，用于根据缺陷比和缺陷数获得缺陷预警信号，并将缺陷预警信号发送至缺陷预警模块；

缺陷预警模块，用于接收到缺陷预警信号后对电力电子器件生产工艺进行检查并改善。

3.根据权利要求2所述的基于YOLO的电力电子器件生产工艺目标识别与缺陷检测方法，其特征在于，所述图像采集模块的工作过程如下：采集若干个无缺陷的电力电子器件的照片，并去除无缺陷的电力电子器件的照片中非电力电子器件的轮廓部分，将保留的电力电子器件的轮廓照片标记为标准照片，将标准照片发送至YOLO学习模型；

依次采集位于皮带输送机上输送的若干个的电力电子器件的照片，将电力电子器件的照片中电力电子器件的轮廓照片标记为检测对象；

将检测对象发送至缺陷检测平台。

4.根据权利要求2所述的基于YOLO的电力电子器件生产工艺目标识别与缺陷检测方法，其特征在于，所述YOLO学习模型的工作过程如下：收集标准照片基于YOLOv4网络构建标准深度学习网络模型，并将构建的标准深度学习网络模型发送至缺陷检测平台；

收集缺陷照片基于YOLOv4网络构建缺陷深度学习网络模型，并将构建的缺陷深度学习网络模型发送至缺陷检测平台。

5.根据权利要求2所述的基于YOLO的电力电子器件生产工艺目标识别与缺陷检测方法，其特征在于，所述缺陷检测平台的工作过程如下：将标准照片和检测对象均形成像素格照片，且像素格照片的数量、面积均相同，并将标准照片和检测对象的像素格照片分别标记为标准像素照片和检测像素照片，并将位于第一个的标准像素照片和检测像素照片的位置设置为原点，建立坐标系，其余标准像素照片和检测像素照片相应获得坐标系坐标；

将检测像素照片按照坐标系坐标一一与标准像素照片进行比对：若检测像素照片与标准像素照片相同，则将检测像素照片标记为同相片；

若检测像素照片与标准像素照片不相同，则将检测像素照片标记为非相片；

获取同相片和非相片的数量，获得非相片数量与同相片数量的比值，并将其标记为缺陷比；

将缺陷比与预设缺陷阈值进行比较：

若缺陷比＞预设缺陷阈值，则将缺陷比所对应的检测对象标记为缺陷对象；

获取所有的非相片，按照坐标系坐标将非相片进行分类，若非相片的坐标系坐标为相邻坐标，则将相对应的非照片归为同一类，相邻坐标表示同X轴或者同Y轴，将同一类的非照片按照坐标系坐标拼接，形成组合照片，并将组合照片发送至器件标记模块；

将组合照片发送至缺陷深度学习网络模型中，获取组合照片所对应的检测对象的缺陷类型，并对检测对象进行缺陷类型标记；

获取组合照片的数量，并将其标记为缺陷数；

将缺陷比和缺陷数发送至数据分析模块。

6.根据权利要求2所述的基于YOLO的电力电子器件生产工艺目标识别与缺陷检测方法，其特征在于，所述数据分析模块的工作过程如下：将缺陷比和缺陷数经过分析得到缺陷系数；

将缺陷系数与预设缺陷系数进行比较：

若缺陷系数＞预设缺陷系数，则将缺陷系数所对应的检测对象为选中对象；

将选中对象后若干位的检测对象标记为预选对象；

将预选对象的缺陷系数求和并求取平均值，并将其标记为预选系数；

获取缺陷系数、预选系数之间的差值，若差值为负数，则产生缺陷预警信号，并将缺陷预警信号发送至缺陷预警模块。