1.一種基于深度學習的曳引式電梯鋼絲繩缺陷檢測方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于深度學習的曳引式電梯鋼絲繩缺陷檢測方法，其特征在于，步驟s1的內(nèi)容為：配置兩個以上的圖像采集裝置，將兩個以上的圖像采集裝置設置在電梯機房地板靠近轎廂一側(cè)的端面上，且呈周向均勻分布；兩個以上的圖像采集裝置分別對準同一鋼絲繩的不同位置的表面取景，得到電梯鋼絲繩的真實缺陷圖像。
3.根據(jù)權(quán)利要求2所述的一種基于深度學習的曳引式電梯鋼絲繩缺陷檢測方法，其特征在于，所述改進的ucg-gan模型的生成器g包括五個順次設置的編碼器塊、一個中間塊和五個解碼器塊，令五個編碼器塊的編號依次為4、3、2、1、0；五個解碼器的編號依次為1、2、3、4、5；編碼器塊和解碼器塊之間順次設置有四個跳躍連接，令r∈{1，2，3，4}，各跳躍連接的一端與編號r的編碼器塊的輸出端連接，各跳躍連接的另一端與編號r的解碼器塊輸出端連接；各跳躍連接中插入一個ca注意力機制模塊，ca注意力機制模塊以編號r的編碼器和編號r的解碼器為輸入，將ca注意力機制模塊的輸出與編號r的解碼器輸出串聯(lián)，作為編號r+1的解碼器的輸入；首端的編碼器塊的輸入為真實缺陷圖像xk，最后一個解碼器塊輸出第一鋼絲繩缺陷圖像
4.根據(jù)權(quán)利要求3所述的一種基于深度學習的曳引式電梯鋼絲繩缺陷檢測方法，其特征在于，每個編碼器塊和解碼器塊均包括三個卷積層，使用leaky?relu和批歸一化，每個編碼器塊的末端設置有一個下采樣層，下采樣層的輸出端作為編碼器口的輸出端；每個解碼器塊的末端設置有一個上采樣層，上采樣層的輸出端能作為解碼器塊的輸出端。
5.根據(jù)權(quán)利要求3所述的一種基于深度學習的曳引式電梯鋼絲繩缺陷檢測方法，其特征在于，所述改進的ucg-gan模型的鑒別器d包括順次設置的一個卷積層、五個殘差塊和全連接層；通過卷積層、各殘差塊的處理后，全連接層輸出鑒別器分數(shù)。
6.根據(jù)權(quán)利要求5所述的一種基于深度學習的曳引式電梯鋼絲繩缺陷檢測方法，其特征在于，步驟s3所述的采用生成的第一鋼絲繩缺陷圖像反向傳播更新生成器g和鑒別器d的參數(shù)，并通過迭代訓練生成器g和鑒別器d，是令k個真實缺陷圖像xk的鑒別器輸出分數(shù)的平均值為d(x)，k個第一鋼絲繩缺陷圖像的鑒別器輸出分數(shù)的平均值為采用鉸鏈對抗損失，鑒別器d的迭代訓練目標是最小化鑒別器損失函數(shù)λd，生成器g的迭代訓練目標是最小化生成器損失函數(shù)λgd：其中是對真實缺陷圖像xk的期望值，是對第一鋼絲繩缺陷圖像的期望值，max(·)是使用relu激活函數(shù)，確保損失函數(shù)結(jié)果非負；通過定義損失函數(shù)λd和λgd，鑒別器d和生成器g在訓練過程中不斷相互對抗，最終達到一個納什均衡，使生成器生成最接近真實缺陷圖像的第二鋼絲繩缺陷圖像。
7.根據(jù)權(quán)利要求2所述的一種基于深度學習的曳引式電梯鋼絲繩缺陷檢測方法，其特征在于，步驟s4的內(nèi)容為：構(gòu)建的改進的efficientnet網(wǎng)絡模型包括順次設置的第一卷積模塊、七個順次設置的圖卷積層模塊atconv、第二卷積模塊、平均全局池化和全連接層；各圖卷積層模塊atconv均包括順次設置的第一普通卷積層、非對稱卷積模塊、triplet注意力機制、第二普通卷積層和dropout層，在第一普通卷積層的輸入端與dropout層的輸出端之間還設置有跳躍連接；圖卷積層模塊atconv的損失函數(shù)是由focalloss損失函數(shù)融合iouloss損失函數(shù)得到的filoss損失函數(shù)；改進的efficientnet網(wǎng)絡模型獲取樣本庫中的第二鋼絲繩缺陷圖像作為輸入，將鋼絲繩缺陷部位進行識別和標記輸出。
8.根據(jù)權(quán)利要求7所述的一種基于深度學習的曳引式電梯鋼絲繩缺陷檢測方法，其特征在于，所述非對稱卷積模塊是在標準方形卷積的基礎上添加水平非對稱卷積核和豎直非對稱卷積核，輸入圖像分別經(jīng)過三個不同的卷積核卷積處理提取不同的分支特征：其中m：，：，k∈ru×v×c表示輸入尺寸為u×v的第k通道的特征圖，k＝1，2，...，c，u≠v；表示輸入尺寸為h×w的第k通道的第j個卷積核，h≠w；o：，：，j為第j個卷積核對應的輸出特征圖，*表示點乘運算；
9.根據(jù)權(quán)利要求8所述的一種基于深度學習的曳引式電梯鋼絲繩缺陷檢測方法，其特征在于，triplet注意力機制包括如下內(nèi)容：第一個分支為通道注意力計算分支，輸入特征經(jīng)過z-pool，然后經(jīng)過7×7卷積，經(jīng)過sigmoid激活函數(shù)生成空間注意力權(quán)重；第二個分支是通道c和空間w維度交互捕獲分支，輸入特征先經(jīng)過permutation函數(shù)變換位h×c×w維度特征，接著在h維度上進行z-pool，然后經(jīng)過7×7卷積和sigmoid激活函數(shù)處理，再經(jīng)過permutation函數(shù)變?yōu)閏×h×w維度特征；第三個分支是通道c和空間h維度交互捕獲分支，輸入特征先經(jīng)過permutation函數(shù)變換為w×h×c維度特征，接著在w維度上進行z-pool，然后經(jīng)過7×7卷積和sigmoid激活函數(shù)處理，再經(jīng)過permutation函數(shù)變?yōu)閏×h×w維度特征；通過對三個分支的輸出特征相加求平均得到triplet注意力機制的輸出結(jié)果。
10.根據(jù)權(quán)利要求7所述的一種基于深度學習的曳引式電梯鋼絲繩缺陷檢測方法，其特征在于，filoss損失函數(shù)的表達式為：filoss＝α×focalloss+(1-α)×iouloss，α為權(quán)重；focalloss損失函數(shù)定義為：focalloss＝-αt(1-pt)γlog(pt)，其中pt是模型預測的概率值；αt是調(diào)節(jié)因子；γ是超參數(shù)；iouloss損失函數(shù)定義如下：其中a為預測框與真實框的交集，b為預測框與真實框的并集。