1.一种基于人工智能的拉链布带缺陷检测方法，其特征在于，包括：获取与标准表面图像特征匹配的待检测的拉链布带表面图像；

分别获取标准表面图像和拉链布带表面图像中每个像素点的梯度幅值，将所述两张图像中各对应位置像素点的梯度幅值进行作差，得到梯度差异图像；

根据梯度差异图像中各像素点的梯度幅值和梯度方向计算各像素点属于缺陷的概率；

根据各像素点属于缺陷的概率获取拉链布带表面图像中的异常像素点；

对异常像素点进行聚类，得到拉链布带表面图像中的疑似缺陷区域；

对拉链布带表面图像进行边缘检测，得到拉链布带外边缘的不平直边缘点；

获取各疑似缺陷区域的最小包围框，遍历各个最小包围框中的所有像素点，筛选出包含不平直边缘点的疑似缺陷区域；

将包含不平直边缘点的疑似缺陷区域及其在标准表面图像中的对应区域转换到频域中，获取所述两种区域对应的频谱图像；

根据两种区域对应的频谱图像中对应像素点的亮度差异得到包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率；

利用包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率对疑似缺陷区域中的非缺陷区域进行剔除，得到待检测拉链布带的缺陷区域。

2.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述梯度差异图像是按照如下方式得到：分别对待检测的拉链布带表面图像和标准表面图像进行语义分割，得到所述两个图像的拉链布带区域图像；

分别对两个拉链布带区域图像进行灰度化处理，得到两个拉链布带区域灰度图；

分别计算两个拉链布带区域灰度图中各个像素点的梯度幅值和梯度方向，得到两个梯度图像；

将两个梯度图像中各个对应位置的像素点的梯度幅值进行作差，得到梯度差异图像。

3.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述拉链布带表面图像中的异常像素点是按照如下方式获取：统计梯度差异图像中所有像素点的梯度幅值和梯度方向；

统计每个像素点的梯度幅值和梯度方向在所有像素点的梯度幅值和梯度方向中所占的比例；

计算所有像素点的梯度幅值和梯度方向的平均值；

利用梯度差异图像中各像素点的梯度幅值和梯度方向、各像素点的梯度幅值和梯度方向在所有像素点的梯度幅值和梯度方向中所占的比例、所有像素点的梯度幅值和梯度方向的平均值计算各像素点属于缺陷的概率；

设置阈值，对各像素点属于缺陷的概率进行判断：当概率大于阈值时，将该像素点作为异常像素点，获取拉链布带表面图像中的异常像素点。

4.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述拉链布带表面图像中的疑似缺陷区域是按照如下方式得到：对异常像素点进行聚类处理，得到所有聚类结果；

计算每个聚类结果中各个像素点坐标之间的类内方差，将方差最大的聚类结果进行剔除，剩余的聚类结果对应的区域即为拉链布带表面图像中的疑似缺陷区域。

5.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述包含不平直边缘点的疑似缺陷区域是按照如下方式筛选：对拉链布带表面图像进行边缘检测，将纵坐标最大与最小的边缘点作为拉链布带的两组外边缘点；

分别统计两组外边缘点中边缘点的纵坐标，将边缘点纵坐标的众数作为平直边缘点的纵坐标，其余为不平直边缘点的纵坐标，获取两组外边缘点中的不平直边缘点；

获取各个疑似缺陷区域的最小包围框；

遍历各个最小包围框中的每个像素点，筛选出包含不平直边缘点的疑似缺陷区域。

6.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述待检测拉链布带的缺陷区域是按照如下方式得到：设置阈值，对包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率进行判断：当概率大于阈值时，将该疑似缺陷区域进行剔除；

按照上述方式将疑似缺陷区域中的非缺陷区域进行剔除，得到待检测拉链布带的缺陷区域。

7.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述与标准表面图像特征匹配的待检测的拉链布带表面图像是按照如下方式获取：获取待检测的拉链布带表面图像及标准表面图像；

将待检测的拉链布带表面图像与标准表面图像进行特征匹配，获取与标准表面图像特征匹配的待检测的拉链布带表面图像。