1.一种缺陷检测方法，其特征在于，所述方法包括：获取待检测图像；

将所述待检测图像输入预先训练的主深度学习网络，得到所述待检测图像的检测结果图；其中，所述主深度学习网络基于标定样本训练得到；所述标定样本包括，根据将未标定样本输入预先训练的辅助深度学习网络得到的样本概率，对所述未标定样本进行标定得到的标定样本；所述辅助深度学习网络基于主深度学习网络反馈的测试性能训练得到；样本概率反映了未标定样本对于提高主深度学习网络性能有效性的概率；

对所述检测结果图进行后处理，确定所述待检测图像中的缺陷区域及缺陷类型；

所述辅助深度学习网络的训练方式，包括：

获取训练集、测试集以及验证集，其中，所述训练集、所述测试集以及所述验证集中分别包括多个预先标定的标定样本，所述训练集中的标定样本用于训练所述主深度学习网络，所述测试集中的标定样本用于在添加至所述训练集中后对所述主深度学习网络进行重新训练，所述验证集中的标定样本用于在被所述主深度学习网络测试时得到测试性能；

从所述测试集中，获取正样本集以及负样本集；其中，所述正样本集中的标定样本在添加至所述训练集后，使得基于添加所述标定样本后的训练集训练得到的主深度学习网络对所述验证集的测试性能得到提升；所述负样本集中的标定样本在添加至所述训练集后，使得基于添加所述标定样本后的训练集训练得到的主深度学习网络对所述验证集的测试性能未得到提升；

基于所述正样本集以及所述负样本集，对辅助深度学习网络进行训练。

2.根据权利要求1所述的方法，其特征在于，所述从所述测试集中，获取正样本集以及负样本集，包括：基于所述训练集，对主深度学习网络进行训练，并利用训练后的主深度学习网络，对所述验证集进行测试，得到第一测试性能；

从所述测试集中提取至少一个标定样本，并在所述训练集中添加所提取的各所述标定样本；

基于添加各所述标定样本的训练集，对主深度学习网络进行二次训练，并利用二次训练后的主深度学习网络，对所述验证集进行测试，得到第二测试性能；

若确定所述第二测试性能大于所述第一测试性能、且所述第二测试性能与所述第一测试性能的差值大于第一预设阈值，则确定在所述训练集中添加的所述测试集中的至少一个标定样本为正样本；

若确定所述第二测试性能小于或等于所述第一测试性能，则确定在所述训练集中添加的所述测试集中的至少一个标定样本为负样本；

返回执行所述从所述测试集中提取至少一个标定样本，得到多个正样本及多个负样本；

获取所述多个正样本组成的正样本集、以及所述多个负样本组成的负样本集。

3.根据权利要求2所述的方法，其特征在于，所述从所述测试集中提取至少一个标定样本，包括：按照预设顺序，从所述测试集中提取至少一个标定样本；

或者，

从所述测试集中随机提取至少一个标定样本。

4.根据权利要求1‑3任一所述的方法，其特征在于，所述主深度学习网络的训练方式，包括：获取训练集以及待选择集，其中，所述训练集中包括多个已标定的标定样本，所述待选择集中包括多个未标定样本；

将所述待选择集中的各未标定样本分别输入预先训练的辅助深度学习网络，得到各未标定样本的样本概率；

对样本概率大于第二预设阈值的未标定样本进行标定，得到新标定样本；

将所述新标定样本添加至所述训练集，得到更新的训练集；

基于所述更新的训练集，对主深度学习网络进行训练；

判断训练后的主深度学习网络的检测性能是否达到第三预设阈值；

若否，则返回执行所述获取训练集以及待选择集；

若是，则确定完成训练的主深度学习网络。

5.一种缺陷检测装置，其特征在于，所述装置包括：获取模块，用于获取待检测图像；

检测模块，用于将所述待检测图像输入预先训练的主深度学习网络，得到所述待检测图像的检测结果图；其中，所述主深度学习网络基于标定样本训练得到；所述标定样本包括，根据将未标定样本输入预先训练的辅助深度学习网络得到的样本概率，对所述未标定样本进行标定得到的标定样本；所述辅助深度学习网络基于主深度学习网络反馈的测试性能训练得到；样本概率反映了未标定样本对于提高主深度学习网络性能有效性的概率；

后处理模块，用于对所述检测结果图进行后处理，确定所述待检测图像中的缺陷区域及缺陷类型；

所述装置还包括：第一训练模块；

所述第一训练模块，用于：获取训练集、测试集以及验证集，其中，所述训练集、所述测试集以及所述验证集中分别包括多个预先标定的标定样本，所述训练集中的标定样本用于训练所述主深度学习网络，所述测试集中的标定样本用于在添加至所述训练集中后对所述主深度学习网络进行重新训练，所述验证集中的标定样本用于在被所述主深度学习网络测试时得到测试性能；

从所述测试集中，获取正样本集以及负样本集；其中，所述正样本集中的标定样本在添加至所述训练集后，使得基于添加所述标定样本后的训练集训练得到的主深度学习网络对所述验证集的测试性能得到提升；所述负样本集中的标定样本在添加至所述训练集后，使得基于添加所述标定样本后的训练集训练得到的主深度学习网络对所述验证集的测试性能未得到提升；

基于所述正样本集以及所述负样本集，对辅助深度学习网络进行训练。

6.根据权利要求5所述的装置，其特征在于，所述第一训练模块，具体用于：基于所述训练集，对主深度学习网络进行训练，并利用训练后的主深度学习网络，对所述验证集进行测试，得到第一测试性能；

从所述测试集中提取至少一个标定样本，并在所述训练集中添加所提取的各所述标定样本；

基于添加各所述标定样本的训练集，对主深度学习网络进行二次训练，并利用二次训练后的主深度学习网络，对所述验证集进行测试，得到第二测试性能；

若确定所述第二测试性能大于所述第一测试性能、且所述第二测试性能与所述第一测试性能的差值大于第一预设阈值，则确定在所述训练集中添加的所述测试集中的至少一个标定样本为正样本；

若确定所述第二测试性能小于或等于所述第一测试性能，则确定在所述训练集中添加的所述测试集中的至少一个标定样本为负样本；

返回执行所述从所述测试集中提取至少一个标定样本，得到多个正样本及多个负样本；

获取所述多个正样本组成的正样本集、以及所述多个负样本组成的负样本集。

7.根据权利要求6所述的装置，其特征在于，所述第一训练模块，具体用于：按照预设顺序，从所述测试集中提取至少一个标定样本；

或者，

从所述测试集中随机提取至少一个标定样本。

8.根据权利要求5‑7任一所述的装置，其特征在于，所述装置还包括：第二训练模块；

所述第二训练模块，用于：

获取训练集以及待选择集，其中，所述训练集中包括多个已标定的标定样本，所述待选择集中包括多个未标定样本；

将所述待选择集中的各未标定样本分别输入预先训练的辅助深度学习网络，得到各未标定样本的样本概率；

对样本概率大于第二预设阈值的未标定样本进行标定，得到新标定样本；

将所述新标定样本添加至所述训练集，得到更新的训练集；

基于所述更新的训练集，对主深度学习网络进行训练；

判断训练后的主深度学习网络的检测性能是否达到第三预设阈值；

若否，则返回执行所述获取训练集以及待选择集；

若是，则确定完成训练的主深度学习网络。

9.一种电子设备，其特征在于，包括处理器和存储器，其中，所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的计算机程序时，实现权利要求1‑4任一所述的方法步骤。