1.一种基于边缘检测和语义分割的企业产品缺陷智能检测方法，其特征在于，包括如下步骤：步骤1：获取企业产品图像，对初始图像进行预处理，得到原始数据集；

步骤1.1：收集企业产品图像，包括正常产品和带有缺陷的产品，且同一件产品的图像包括产品的正反面以及侧面；

步骤1.2：对收集来的图像使用翻转变换、旋转变换、裁剪变换技术进行数据增强；

步骤1.3：对图像中缺陷区域进行标注，得到处理后的产品图像数据集；

步骤2：使用GCN对DeeplabV3+的语义分割结果进行边缘优化，得到边缘优化后的语义分割结果；

步骤2.1：构建用于产品分割的DeepLabV3+模型，包括一个编码器Encoder和一个解码器Decoder；

步骤2.2：将步骤1处理后的企业产品图像作为DeepLabV3+模型的输入，得到初步的语义分割结果，并得到DeepLabV3+中ASPP模块提取出的多尺度特征矩阵A以及解码器生成的与输入图像具有相同维度的分割掩码集合，掩码包含每个像素的类别标签，表示图像中的不同区域或对象；

步骤2.3：将步骤2.2中的初始分割结果进行遍历，如果一个像素在不同分割区域的边界上，则将该像素标记为True否则标记为False，得到一个Boolean掩码集合；

步骤2.4构建GCN的图结构；将每一个像素作为图的一个节点，根据步骤2.3中的Boolean掩码集合连接边缘节点；每个节点由N个相邻节点的坐标(x步骤2.5：使用在步骤2.4中构建的图结构来搭建GCN模型的网络架构，网络架构由三个图卷积网络层构成，分别有64、128、64个通道，并在每个图卷积层之间插入一个dropout层，最后使用Softmax层作为输出层；

步骤2.6：利用步骤2.3中生成的Boolean掩码集合，对每个像素点进行距离变换，计算其到最近边界的欧氏距离；采用指数衰减函数，为每个像素点分配一个权重值，使得距离边界越近的像素获得更高的权重，形成边界权重矩阵B；

步骤2.7：使用加权交叉熵损失函数与步骤2.6中的边界权重矩阵B构建边界感知损失函数，公式如下：其中，y是真实的标签，

步骤2.8：将步骤2.6中的加权交叉熵损失函数作为GCN的损失函数，使用步骤2.1中多尺度特征矩阵A以及图像的邻接矩阵作为GCN模型的输入，进行训练，得到精炼的边缘像素；

步骤2.9：对于每个像素点，如果其在Boolean掩码中被标记为True，则使用GCN给出的预测结果，如果被标记为False，则使用DeeplabV3+的原始预测结果，得到边缘优化后的语义分割结果；

步骤3：利用边缘检测算法提取产品的边缘信息，得到货物的边缘检测结果；

步骤3.1：构建Transformer模型，用于边缘检测的Transformer模型包含两个阶段，分别是第一阶段的全局上下文信息提取和第二阶段的局部优化，挖掘局部区域的细粒度线索；

步骤3.2：构建Transformer的第一阶段，采用ViT的方式，将整张图像分为16*16的patch，经过24个Transformer block进行编码，用步骤3.3：构建Transformer的第二阶段，将步骤3.2中的步骤3.4：将步骤3.3中的

步骤3.5：第二阶段将图像分为X

步骤3.6：与全局解码器BiMLA相似，从4个

步骤3.7：通过FFM层将粗粒度特征与细粒度特征进行融合，得到边缘检测结果；

步骤4：分析语义分割和边缘检测的结果，以判断货物是否有缺陷，并使用逐像素融合的方法，将语义分割和边缘检测的结果相结合，获取缺陷区域图像和形状；

步骤4.1：遍历语义分割结果，根据步骤2.2中的分割掩码集合来确定像素类别是属于缺陷区域还是非缺陷区域，若像素的类别概率值高于所设定的缺陷阈值，则标记该像素为缺陷区域像素，最终获取到产品的所有缺陷区域；

步骤4.2：使用逐像素融合的方式融合语义分割与边缘检测的结果，遍历所有像素，在语义分割结果中像素被标记为缺陷像素且在边缘检测中标记为边缘像素，则将该像素标记为缺陷区域的边缘像素，最终获得缺陷区域的形状；

步骤4.3：将处理后的融合结果叠加到原始图像上，以可视化哪些区域被模型标记为缺陷。