1.一种缺陷检测网络模型训练方法，其特征在于，包括步骤：

S1，采集无缺陷图片样本集；

S2，通过差分编码器对无缺陷图片进行编码，以得到差分编码图片；

S3，通过生成器对差分编码图片进行重构，以得到重构图片；

S4，通过判别器判别重构图片是否为无缺陷图片；

S5，重复迭代步骤S2‑S4，并计算相应损失函数以对差分编码器、生成器、判别器进行训练，直至判别器判别结果在预设次数内均为无缺陷图片，进而得到包括训练后的差分编码器、生成器的缺陷检测网络模型。

2.根据权利要求1所述的一种缺陷检测网络模型训练方法，其特征在于，步骤S2中，包括步骤：S2.1，通过下采样模块对无缺陷图片进行卷积处理，以得到第一特征图；

S2.2，通过全连接模块对第一特征图进行卷积处理，以得到正态分布的标准差和正态分布的均值；

S2.3，基于正态分布的标准差和正态分布的均值，计算得到差分编码图片。

3.根据权利要求2所述的一种缺陷检测网络模型训练方法，其特征在于，步骤S2与步骤S3之间，还包括步骤：将差分编码图片输入多尺度特征融合模块，对差分编码图片不同维度的特征进行多尺度融合，以得到特征融合的第二特征图，将所述特征融合的第二特征图进行拼接，拼接后输入特征提取模块，以得到优化后差分编码图片。

4.根据权利要求3所述的一种缺陷检测网络模型训练方法，其特征在于，步骤S3中，包括步骤：S3.1，通过全连接模块对差分编码图片、优化后差分编码图片进行处理，以得到第三特征图；S3.2，通过上采样模块对所述第三特征图进行重构，以得到差分编码的重构图片、优化后差分编码的重构图片。

5.根据权利要求4所述的一种缺陷检测网络模型训练方法，其特征在于，步骤S4中，包括步骤：S4.1，通过下采样模块对差分编码的重构图片、优化后差分编码的重构图片和无缺陷图片进行卷积处理，以得到差分编码的中间特征、优化后差分编码的中间特征和无缺陷图片的中间特征；

S4.2，通过全连接模块对优化后差分编码的中间特征和无缺陷图片的中间特征进行判别，判断优化后差分编码的重构图片是否为无缺陷图片。

6.根据权利要求5所述的一种缺陷检测网络模型训练方法，其特征在于，步骤S5中，所述损失函数包括差分编码器损失、生成器损失和判别器损失；所述差分编码器损失包括KL散度损失和重构损失，所述重构损失为优化后差分编码的重构图片与无缺陷图片的差异值；所述生成器损失包括：差分编码的中间特征与无缺陷图片的中间特征之间的差异值，优化后差分编码的中间特征与无缺陷图片的中间特征之间的差异值；所述判别器损失为判别重构图片为缺陷图片。

7.根据权利要求1所述的一种缺陷检测网络模型训练方法，其特征在于，所述差分编码器和判别器均包括依次连接的下采样模块和全连接模块，所述下采样模块包括依次连接的多个下采样层，所述下采样层包括依次连接的卷积单元、BN单元和激活函数单元；所述生成器包括依次连接的全连接模块和上采样模块，所述上采样模块包括依次连接的多个上采样层，所述上采样层包括依次连接的反卷积单元、BN单元和激活函数单元；所述差分编码器、判别器和生成器中的全连接模块均包括依次连接的多个全连接层。

8.一种缺陷检测网络模型训练系统，基于权利要求1‑7任一项所述的一种缺陷检测网络模型训练方法，其特征在于，包括依次连接的采集模块、差分编码器模块、生成器模块、判别器模块和训练模块，所述训练模块还分别与差分编码器模块、生成器模块连接；

采集模块，用于采集无缺陷图片样本集；

差分编码器模块，用于对无缺陷图片进行编码，以得到差分编码图片；

生成器模块，用于对差分编码图片进行重构，以得到重构图片；

判别器模块，用于判别重构图片是否为无缺陷图片；

训练模块，用于计算相应损失函数以对差分编码器、生成器、判别器进行训练。

9.一种缺陷检测方法，其特征在于，包括步骤：

A，输入待检测图片；

B，使用如权利要求1‑7任一项所述训练方法得到的缺陷检测网络模型对待检测图片进行编码和重构，以得到重构图片；

C，计算重构图片和待检测图片的结构相似性值；

D，基于结构相似性值，判断待检测图片是否存在缺陷。

10.根据权利要求9所述的一种缺陷检测方法，其特征在于，执行步骤D后，还包括步骤：若判断待检测图片存在缺陷，则基于重构图片和待检测图片的残差计算结果，以对待检测图片进行缺陷定位。