1.一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，包括以下步骤：S1、拍摄具有缺陷的产品图像，对所述图像进行处理以获得数据集；

S2、构建教师网络模型，训练所述教师网络模型，获得第二教师网络模型训练参数S3、构建学生网络模型，基于所述第二教师网络模型训练参数 训练所述学生网络模型，获得第二学生网络模型训练参数S4、待检测目标图像输入所述学生网络模型，所述学生网络模型基于所述第二学生网络模型训练参数 和所述第二教师网络模型训练参数 输出所述待检测目标图像的检测结果。

2.根据权利要求1所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S1包括以下步骤：S11、拍摄有缺陷的产品图像；

S12、对所述产品图像进行数据扩充，构建图像数据集Ih＝[Ih1,Ih2,...IhK]；

S13、对所述图像数据集Ih＝[Ih1,Ih2,...IhK]进行缺陷标定，获得标签数据集Ia＝[Ia1,Ia2,...IaK]。

3.根据权利要求2所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S2包括以下步骤：S21、在yolov5‑m模型的基础上加入注意力模块，获得所述教师网络模型；

S22、训练所述教师网络模型，获得所述第二教师网络模型训练参数

4.根据权利要求3所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于：所述注意力模块在Coordinate Attention的基础上加入了LA模块。

5.根据权利要求3所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S22具体包括：S221、将所述图像数据集Ih与标签数据集Ia输入到所述教师网络模型中，获取所述图像数据集Ih与所述标签数据集Ia的第一特征图与第一图像预测结果，其数学模型为：GIT＝FT(Ih,Ia,heads1,Θt)

FT(·)为神经网络函数，表示所述教师网络模型，heads1为网络预测的结果参数，Ih表示训练所述教师网络模型的输入图像，Ia表示所述输入图像的缺陷标签，Θt表示所述第一教师网络模型训练参数；

S222、多次重复步骤S221，获得多个所述第一教师网络模型训练参数Θt；

S223、选取最后一个所述第一教师网络模型训练参数Θt作为所述第二教师网络模型训练参数

6.根据权利要求3或5所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S3包括以下步骤：S31、基于yolov5模型，构建学生网络模型；

S32、基于所述第二教师网络模型训练参数 对所述学生网络模型进行训练，获得所述第二学生网络模型训练参数

7.根据权利要求6所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S32包括以下步骤：S321、将所述所述第二教师网络模型训练参数 所述图像数据集Ih与标签数据集Ia输入到所述学生网络模型中，获取所述图像数据集Ih与所述标签数据集Ia的第二特征图与第二图像预测结果，其数学模型为：GIS＝FS(Ih,Ia,heads2,Θs,Θt)

上式中FS(·)为神经网络函数，表示学生网络模型，heads2为网络预测的结果参数，Θs表示第一学生模型训练参数；

S322、多次重复步骤S321，获得多个所述第一学生网络模型训练参数Θs；

S323、选取最后一个所述第一学生网络模型训练参数Θs作为所述第二学生网络模型训练参数数

8.根据权利要求7所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S321具体包括：对所述第二特征图进行特征自适应，获得第三特征图，其数学模型表示如下：Ad

F ＝Adap(heads2)

上式中heads2为原始尺寸特征参数，Adap(·)为特征自适应过程；

神经网络Softmax输出层将所述第二图像预测结果转化为概率值p，同时输出层产生软化后的概率向量qi，用于蒸馏损失函数的计算，其计算过程表示如下：上式中qi为“软化”后的概率向量，T为温度系数，预测结果取自然对数得到某一类的logit值zi，预测结果取自然对数得到所有类的logit值zj；

在所述学生网络模型训练的过程中，所述学生网络模型的损失函数为Lloss，其过程表示如下：Lloss＝Lgt+λLkd

上式中Lkd表示学生网络模型和教师网络模型预测结果的蒸馏损失函数，Lgt表示学生网络模型的检测损失，λ表示模拟损失加权因子，H和W分别表示特征图的长和宽，N表示特征图上像素点个数和，C表示通道个数，i和j表示目标锚点在特征图上的坐标。

9.根据权利要求8所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S3还包括以下步骤：S33、基于所述第二教师网络模型训练参数 构建知识蒸馏模块，用于优化所述教师网络模型和所述学生网络模型；

所述知识蒸馏模块提取所述第一特征图与所述第三特征图，计算所述第三特征图的蒸馏损失，所述第三特征图的蒸馏损失与所述学生网络模型的检测损失结合优化所述教师网络模型和所述学生网络模型。

10.根据权利要求8所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S4包括以下步骤：S41、拍摄待检测目标，获得待检测目标图像W；

S42、将所述待检测目标图像W输入到所述学生网络模型内；

S43、所述学生网络模型对所述目标图像进行视觉质量检测获得异常得分Score_m，其表示过程如下：当异常得分Score_m＞φ，表示所拍摄的待检测产品存在质量问题，当异常得分Score_m＜φ，表示所拍摄的待检测产品不存在质量问题，其中φ表示异常临界值。