1.一种叶片表面状态检测方法，其特征在于，包括：

获取待检测叶片对应的待检测图像以及支撑集；其中，所述支撑集包括风机上每个叶片对应的样本图像；

将所述待检测图像以及所述支撑集输入预先训练好的特征提取网络中，得到所述特征提取网络输出的与所述待检测图像对应的第一图像特征以及所述支撑集对应的第二图像特征；

将所述第一图像特征以及所述第二图像特征输入预先训练好的图神经网络中，得到所述图神经网络输出的分类结果；其中，所述图神经网络对应的损失函数为差分损失函数；

根据所述分类结果确定所述待检测叶片的叶片表面状态。

2.根据权利要求1所述的叶片表面状态检测方法，其特征在于，在所述获取待检测叶片对应的待检测图像以及支撑集之前，所述方法还包括：获取所述风机上至少一个叶片对应的第一样本图像以及所述风机上其他叶片在多个时间上的多个第二样本图像；

将所述第一样本图像以及所述第二样本图像输入待训练的特征提取网络中，得到所述特征提取网络输出的与所述第一样本图像对应的第一样本特征以及与所述第二样本图像对应的多个第二样本特征；

计算所述第一样本特征与所述第二样本特征之间的匹配损失值，以及，计算所述多个第二样本特征之间的距离损失值；

根据所述匹配损失值以及所述距离损失值更新所述特征提取网络的参数。

3.根据权利要求1所述的叶片表面状态检测方法，其特征在于，在所述获取待检测叶片对应的待检测图像以及支撑集之前，所述方法还包括：获取注册集以及查询集；其中，所述注册集包括第一叶片图像，所述查询集包括第二叶片图像以及第三叶片图像；

将所述第一叶片图像以及所述第二叶片图像输入预先训练好的特征提取网络中，得到所述特征提取网络输出的与所述第一叶片图像对应的第一叶片特征以及所述第二叶片图像对应的第二叶片特征；

将所述第一叶片特征以及所述第二叶片特征输入待训练的图神经网络中，得到所述第一叶片图像与所述第二叶片图像之间的第一距离；

根据所述第一距离以及所述第一叶片图像与所述第三叶片图像之间的第二距离计算差分损失值；

根据所述差分损失值更新所述图神经网络的参数。

4.根据权利要求1‑3任一项所述的叶片表面状态检测方法，其特征在于，在所述根据所述分类结果确定所述待检测叶片的叶片表面状态之前，所述方法还包括：将所述待检测图像输入预先训练好的水平集图网络中，得到所述水平集图网络输出的判断结果；

所述根据所述分类结果确定所述待检测叶片的叶片表面状态，包括：根据所述分类结果以及所述判断结果确定所述叶片表面状态。

5.根据权利要求4所述的叶片表面状态检测方法，其特征在于，在所述将所述待检测图像输入预先训练好的水平集图网络中，得到所述水平集图网络输出的判断结果之前，所述方法还包括：利用叶片损伤图像以及非叶片损伤图像对待训练的水平集图网络进行训练。

6.根据权利要求5所述的叶片表面状态检测方法，其特征在于，所述非叶片损伤图像包括：路面损伤图像、飞机蒙皮损伤图像、墙体损伤图像、木材损伤图像、饼干包装损伤图像、布料损伤图像以及钢材损伤图像。

7.一种叶片表面状态检测装置，其特征在于，包括：

第一获取模块，用于获取待检测叶片对应的待检测图像以及支撑集；其中，所述支撑集包括风机上每个叶片对应的样本图像；

第一输入模块，用于将所述待检测图像以及所述支撑集输入预先训练好的特征提取网络中，得到所述特征提取网络输出的与所述待检测图像对应的第一图像特征以及所述支撑集对应的第二图像特征；

第二输入模块，用于将所述第一图像特征以及所述第二图像特征输入预先训练好的图神经网络中，得到所述图神经网络输出的分类结果；其中，所述图神经网络对应的损失函数为差分损失函数；

确定模块，用于根据所述分类结果确定所述待检测叶片的叶片表面状态。

8.一种计算机程序产品，其特征在于，包括计算机程序指令，所述计算机程序指令被处理器读取并运行时，执行如权利要求1‑6任一项所述的叶片表面状态检测方法。

9.一种电子设备，其特征在于，包括：处理器、存储器和总线；

所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的计算机程序指令，所述处理器调用所述计算机程序指令能够执行如权利要求1‑6任一项所述的叶片表面状态检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序指令，所述计算机程序指令被计算机运行时，使所述计算机执行如权利要求1‑6任一项所述的叶片表面状态检测方法。