1.一种包装盒凹凸点缺陷检测的方法，其特征在于，包括：S1：获取包装盒检测图像；对检测图像进行处理获得特征图像；

S2：提取特征图像的二值图，并对二值图进行闭运算，获得图像蒙版；

S3：将图像蒙版和特征图像作乘运算，获得包装盒的区域特征图像；

S4：采集有凹凸点缺陷的包装盒样本，按照步骤S1‑S3获取包装盒的区域特征图像集合；

S5：基于FCNN框架设计轻量化的深度神经网络，构建包装盒凹凸点缺陷检测模型，并根据区域特征图像集合对检测模型进行训练；

S6：根据训练后的包装盒凹凸点缺陷检测模型对包装盒进行检测。

2.根据权利要求1所述的包装盒凹凸点缺陷检测的方法，其特征在于，所述步骤S1具体包括：

S101：获取两幅同尺寸的包装盒检测图像，所述两幅检测图像为包装盒同一包装面的高光曝光模式拍摄图像和低光曝光模式拍摄图像；

S102：分别对两幅检测图像进行同尺度最近邻插值压缩，获得两幅压缩图像；

S103：结合高通滤波分别计算两幅压缩图像的梯度，获得两幅梯度图像；

S104：利用维纳滤波对两幅梯度图像进行高光融合，得到特征图像。

3.根据权利要求2所述的包装盒凹凸点缺陷检测的方法，其特征在于，所述检测图像为灰度图像。

4.根据权利要求1所述的包装盒凹凸点缺陷检测的方法，其特征在于，所述步骤S2中所述提取特征图像的二值图具体包括：对特征图像进行中值滤波并采用canny算子提取特征，获得特征图像的二值图。

5.根据权利要求1所述的包装盒凹凸点缺陷检测的方法，其特征在于，所述步骤S5具体包括：

S501：基于FCNN框架设计轻量化的深度神经网络Model；

S502：依次标注区域特征图像集合区域特征图像的凹凸点信息，选取三分之二的区域特征图像组成模型训练集，剩余三分之一的区域特征图像组成模型测试集；

S503：基于Model设置相应的网络参数和训练参数，将模型训练集输入至Model进行训练，获得凹凸点缺陷检测模型PreModel；

S504：将模型测试集输入至凹凸点缺陷检测模型PreModel中进行检测，将检测结果与标注的凹凸点信息进行对比，计算模型误差ε；

S505：判断是否满足ε＜c，若判断结果为是，则获得高精度凹凸点缺陷检测模型Pre‑Model；若判断结果为否，则返回步骤S503；其中c表示行业标准误差。

6.根据权利要求5所述的包装盒凹凸点缺陷检测的方法，其特征在于，所述深度神经网络Model的网络深度为35层。

7.一种包装盒凹凸点缺陷检测装置，其特征在于，包括：特征融合模块，用于获取包装盒检测图像，对检测图像进行处理获得特征图像；

图像处理模块，用于提取特征图像的二值图，并对二值图进行闭运算，获得图像蒙版；

将图像蒙版和特征图像作乘运算，获得包装盒的区域特征图像；

数据采集模块，用于采集有凹凸点缺陷的包装盒样本，获取包装盒的区域特征图像集合；

模型训练模块，用于基于FCNN框架设计轻量化的深度神经网络，构建包装盒凹凸点缺陷检测模型，并根据区域特征图像集合对检测模型进行训练；

检测模块，用于根据训练后的包装盒凹凸点缺陷检测模型对包装盒进行检测。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1～6任一项所述包装盒凹凸点缺陷检测方法的步骤。