1.一种基于记忆网络的图像异常检测方法，其特征在于，所述基于记忆网络的图像异常检测方法，包括：构建图像异常检测网络模型，所述图像异常检测网络模型包括第一编码器、记忆网络和至少两个解码器，所述第一编码器采用神经网络VGG‑16；

采用正常图像训练数据集训练所构建的图像异常检测网络模型，将训练样本输入到第一编码器中提取高维特征，在记忆网络中查询出与所述高维特征匹配的映射特征，然后将所述映射特征分别输入到解码器中重构图像，取与原训练样本协方差值最小的重构图像作为输出的重构图像，计算联合损失更新图像异常检测网络模型的参数，完成训练；

通过知识蒸馏提取基于第一编码器的轻量化第二编码器，将第一编码器后四个卷积块中的最大池化层作为知识蒸馏层传递给所述第二编码器，以所述第二编码器替换图像异常检测网络模型中的第一编码器，生成最终的图像异常检测网络模型；

将待检测图像输入到最终的图像异常检测网络模型，输出重构图像，计算输入待检测图像与重构图像的异常检测得分，判断输入的待检测图像是否异常；

其中，所述计算输入待检测图像与重构图像的异常检测得分，包括：计算待检测图像经过第二编码器后的每一个查询特征向量项与记忆网络中最佳匹配特征向量项之间的L2距离：其中，Q表示查询特征向量项的数量，qt表示查询特征向量项，ps表示记忆网络中最佳匹配原型特征向量项；

计算待检测图像与重建图像的峰值信噪比：

其中，N为待检测图像中的像素数，x表示待检测图像，表示重构图像， 表示求最佳重构图像；

对L2距离和峰值信噪比进行归一化处理，然后计算两者的加权和，作为异常检测得分。

2.根据权利要求1所述的基于记忆网络的图像异常检测方法，其特征在于，所述第二编码器在神经网络VGG‑16基础上，将最后三个卷积块的最后一层卷积去掉，同时舍弃VGG‑16最后的全连接层，并且将第一编码器VGG‑16最后四个卷积块的最大池化层作为知识蒸馏层传递给所述第二编码器最后四个卷积块。

3.根据权利要求1所述的基于记忆网络的图像异常检测方法，其特征在于，所述在记忆网络中查询出与所述高维特征匹配的映射特征，包括：将第一编码器提取的高维特征作为记忆网络的查询特征向量项集，将高维特征中每一个特征向量项作为查询特征向量项；

计算每个查询特征向量项与记忆网络中存储的所有原型特征向量项之间的匹配概率，然后计算原型特征向量项与其对应的匹配概率的加权平均值，作为查询得到的特征向量项，将所有查询得到的特征向量项组合为与输入高维特征匹配的映射特征。

4.根据权利要求3所述的基于记忆网络的图像异常检测方法，其特征在于，所述计算每个查询特征向量项与记忆网络中存储的所有原型特征向量项之间的匹配概率，计算公式如下：t,m

其中，w 为计算得到的匹配概率，exp为以自然常数e为底的指数函数，pm表示原型特征向量项，qt表示查询特征向量项，M表示记忆网络中存储的原型特征向量项数量。

5.根据权利要求1所述的基于记忆网络的图像异常检测方法，其特征在于，所述基于记忆网络的图像异常检测方法，还包括：将第一编码器提取的高维特征作为记忆网络的查询特征向量项集，将高维特征中每一个特征向量项作为查询特征向量项；

计算记忆网络中存储的每个原型特征向量项与所有查询特征向量项之间的匹配概率t,mv ：

其中，pm表示原型特征向量项，qt表示查询特征向量项，Q为查询特征向量项的数量；

t，m t，m

将匹配概率v 进行标准化得到v′ ，标准化公式如下：最后通过如下公式更新原型特征向量项：

t，m

pm＝f(pm+∑t∈Qv′ qt)；

其中f()是L2函数。

6.根据权利要求1所述的基于记忆网络的图像异常检测方法，其特征在于，所述基于记忆网络的图像异常检测方法，还包括：计算输入图像x和输出图像 之间的加权重建误差作为常规分数εt，计算公式如下：其中，Wt(.)为权重函数，计算公式如下：

当分数εt高于一个阈值γ时，将x视为异常图像，从而不使用它来更新记忆网络中原型特征向量项，否则使用它来更新记忆网络中原型特征向量项。

7.根据权利要求1所述的基于记忆网络的图像异常检测方法，其特征在于，所述计算两者的加权和，作为异常检测得分，计算公式如下：其中，g(.)为归一化操作，λ为权重系数，St表示计算得到的异常检测得分。