1.一种产品合格确定方法，其特征在于，包括：

获得目标产品的包装图像；

使用预先训练的孪生网络模型对所述包装图像中的缺陷进行识别，获得缺陷信息；

根据所述缺陷信息确定所述目标产品是否合格。

2.根据权利要求1所述的方法，其特征在于，所述根据所述缺陷信息确定所述目标产品是否合格，包括：若所述缺陷信息包括候选边框，则确定所述目标产品不合格，所述候选边框表征所述包装图像中存在缺陷的位置范围。

3.根据权利要求2所述的方法，其特征在于，所述缺陷信息包括：缺陷概率，所述缺陷概率表征所述目标产品存在缺陷的概率；所述根据所述缺陷信息确定所述目标产品是否合格，还包括：若所述缺陷信息不包括候选边框，且所述缺陷概率大于预设阈值，则确定所述目标产品不合格。

4.根据权利要求3所述的方法，其特征在于，所述根据所述缺陷信息确定所述目标产品是否合格，还包括：若所述缺陷信息不包括候选边框，且所述缺陷概率小于等于所述预设阈值，则确定所述目标产品合格。

5.根据权利要求1所述的方法，其特征在于，还包括：获得多个正样本组和多个负样本组，所述正样本组包括：第一包装图像和第二包装图像，所述负样本组包括：第一包装图像和第三包装图像，所述第一包装图像和所述第二包装图像均是采集合格的第一产品包装获得的，所述第三包装图像是采集不合格的第二产品包装获得的；

使用所述多个正样本组和所述多个负样本组对孪生神经网络进行训练，获得所述孪生网络模型。

6.根据权利要求1-5任一所述的方法，其特征在于，所述孪生网络模型包括：第一目标检测模型和第二目标检测模型，所述第一目标检测模型和所述第二目标检测模型共享权值；所述使用预先训练的孪生网络模型对所述包装图像中的缺陷进行识别，获得缺陷信息，包括：使用所述第一目标检测模型识别所述包装图像中的缺陷，获得第一特征图；

使用所述第二目标检测模型识别所述包装图像中的缺陷，获得第二特征图；

对所述第一特征图和所述第二特征图进行拼接、相加或者按位相乘，获得所述缺陷信息。

7.根据权利要求6所述的方法，其特征在于，所述第一目标检测模型和所述第二目标检测模型均为YOLO模型、RCNN模型、fastRCNN模型或者fasterRCNN模型。

8.一种产品合格确定装置，其特征在于，包括：

图像获得模块，用于获得目标产品的包装图像；

信息获得模块，用于使用预先训练的孪生网络模型对所述包装图像中的缺陷进行识别，获得缺陷信息；

合格确定模块，用于根据所述缺陷信息确定所述目标产品是否合格。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。

10.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。