1.一种包装检测方法，其特征在于，包括：

获得第一包装图像和第二包装图像，所述第一包装图像和所述第二包装图像均是采集目标产品的包装获得的，所述第一包装图像是指所述目标产品的包装的透射光视图图像，所述第二包装图像是指所述目标产品的包装的彩色图像或者黑白图像；

使用机器视觉模型预测所述第一包装图像中是否有缺陷，获得第一预测结果；

使用神经网络模型预测所述第二包装图像中是否有候选边框，获得第二预测结果，所述候选边框表征所述第二包装图像中存在缺陷的位置范围；

根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，所述检测结果表征目标产品是否合格；

其中，所述根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，包括：若所述第一预测结果为有缺陷，则确定所述目标产品的检测结果为不合格；

若所述第一预测结果为无缺陷，则根据所述第二预测结果确定所述目标产品的检测结果；

其中，所述根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，包括：若所述第一预测结果为无缺陷，且所述第二预测结果为有边框，则确定所述目标产品的检测结果为不合格；

若所述第一预测结果为无缺陷，且所述第二预测结果为无边框，则确定所述目标产品的检测结果为合格。

2.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括：目标检测模型；在所述使用神经网络模型预测所述第二包装图像中是否有候选边框，获得第二预测结果之前，还包括：获得多个包装图像和多个图像标签，所述包装图像为产品包装的图像，所述图像标签为所述产品包装的分类标签；

以所述多个包装图像为训练数据，以所述多个图像标签为训练标签，对目标检测网络进行训练，获得所述目标检测模型。

3.根据权利要求2所述的方法，其特征在于，在所述对目标检测网络进行训练之前，还包括：获得目标检测神经网络，所述目标检测神经网络包括：定位分支和分类分支；

将所述分类分支从所述目标检测神经网络中删除，获得所述目标检测网络。

4.根据权利要求2‑3任一所述的方法，其特征在于，所述目标检测模型包括：YOLO模型、RCNN模型、fast RCNN模型或者faster RCNN模型。

5.一种包装检测装置，其特征在于，包括：

图像获得模块，用于获得第一包装图像和第二包装图像，所述第一包装图像和所述第二包装图像均是采集目标产品的包装获得的，所述第一包装图像是指所述目标产品的包装的透射光视图图像，所述第二包装图像是指所述目标产品的包装的彩色图像或者黑白图像；

第一预测模块，用于使用机器视觉模型预测所述第一包装图像中是否有缺陷，获得第一预测结果；

第二预测模块，用于使用神经网络模型预测所述第二包装图像中是否有候选边框，获得第二预测结果，所述候选边框表征所述第二包装图像中存在缺陷的位置范围；

结果确定模块，用于根据所述第一预测结果和所述第二预测结果确定所述目标产品的检测结果，所述检测结果表征目标产品是否合格；

其中，所述结果确定模块，具体用于若所述第一预测结果为有缺陷，则确定所述目标产品的检测结果为不合格；若所述第一预测结果为无缺陷，则根据所述第二预测结果确定所述目标产品的检测结果；

其中，所述结果确定模块，具体用于若所述第一预测结果为无缺陷，且所述第二预测结果为有边框，则确定所述目标产品的检测结果为不合格；所述第一预测结果为无缺陷，且所述第二预测结果为无边框，则确定所述目标产品的检测结果为合格。

6.一种电子设备，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4任一所述的方法。

7.一种存储介质，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4任一所述的方法。