1.一种基于机器视觉的智能检测系统，其特征在于，包括：抛光后湖笔图像获取模块，用于获取由摄像头采集的湖笔抛光后笔杆的多角度图像和由摄像头采集的湖笔抛光后笔杆的光谱图像；

湖笔图像特征提取模块，用于从所述由摄像头采集的湖笔抛光后笔杆的多角度图像和所述由摄像头采集的湖笔抛光后笔杆的光谱图像中提取笔杆关联特征图和笔杆光谱特征图；

抛光质量结果生成模块，用于基于所述笔杆关联特征图和所述笔杆光谱特征图，判断抛光后笔杆质量是否合格。

2.根据权利要求1所述的基于机器视觉的智能检测系统，其特征在于，所述湖笔图像特征提取模块，包括：抛光后笔杆特征提取单元，用于将所述由摄像头采集的湖笔抛光后笔杆的多角度图像进行特征提取以得到所述笔杆关联特征图；

光谱图像预处理单元，用于将所述由摄像头采集的湖笔抛光后笔杆的光谱图像进行数据预处理以得到降噪后笔杆光谱图；

降噪光谱图特征提取单元，用于将所述降噪后笔杆光谱图通过通道注意力机制以得到所述笔杆光谱特征图。

3.根据权利要求2所述的基于机器视觉的智能检测系统，其特征在于，所述抛光后笔杆特征提取单元，包括：空间注意力子单元，用于将所述由摄像头采集的湖笔抛光后笔杆的多角度图像分别通过基于空间注意力的多角度笔杆特征提取器以得到多角度笔杆特征图；

关联特征编码子单元，用于对所述多角度笔杆特征图进行特征编码以得到所述笔杆关联特征图。

4.根据权利要求3所述的基于机器视觉的智能检测系统，其特征在于，所述关联特征编码子单元，包括：计算所述多角度笔杆特征图中每两个角度笔杆的特征图之间的差分以得到多个笔杆差分特征图；

将所述多个笔杆差分特征图通过基于深度卷积神经网络的角度差异特征提取器以得到所述笔杆关联特征图。

5.根据权利要求4所述的基于机器视觉的智能检测系统，其特征在于，所述抛光质量结果生成模块，包括：缺陷构造单元，用于对所述笔杆关联特征图和所述笔杆光谱特征图进行基于输出相对目标函数的平滑参数化表达的融合以得到笔杆抛光缺陷特征图；

缺陷结果生成单元，用于将所述笔杆抛光缺陷特征图通过分类器以得到分类结果，所述分类结果用于判断抛光后笔杆质量是否合格。

6.根据权利要求5所述的基于机器视觉的智能检测系统，其特征在于，所述缺陷构造单元，包括：计算所述笔杆关联特征图相对于所述笔杆光谱特征图的平滑参数化表达因数；

以所述平滑参数化表达因数作为权重来计算所述笔杆关联特征图和所述笔杆光谱特征图的按位置加权和以得到所述笔杆抛光缺陷特征图。

7.根据权利要求6所述的基于机器视觉的智能检测系统，其特征在于，所述缺陷构造单元，包括：以如下平滑参数化表达因数公式计算所述笔杆关联特征图相对于所述笔杆光谱特征图的平滑参数化表达因数；

其中，所述平滑参数化表达因数公式为：

其中，F1表示所述笔杆关联特征图，F2表示所述笔杆光谱特征图，d(F1,F2)表示所述笔杆关联特征图和所述笔杆光谱特征图之间的欧氏距离，cos(F1,F2)表示笔杆关联特征图和笔杆光谱特征图之间的余弦相似性，α和β表示预定超参数，w表示所述平滑参数化表达因数。

8.根据权利要求7所述的基于机器视觉的智能检测系统，其特征在于，所述缺陷构造单元，包括：以如下欧式距离公式计算所述笔杆关联特征图和所述笔杆光谱特征图之间的欧氏距离；

其中，所述欧式距离公式为：

其中，F1k,l,m表示所述笔杆关联特征图的第(k,l,m)位置的特征值，F2k,l,m表示所述笔杆光谱特征图的第(k,l,m)位置的特征值，W、H、C分别表示特征图的宽、高和通道数，d(F1,F2)表示所述笔杆关联特征图和所述笔杆光谱特征图之间的欧氏距离。

9.根据权利要求7所述的基于机器视觉的智能检测系统，其特征在于，所述缺陷构造单元，包括：以如下余弦相似性公式计算所述笔杆关联特征图和所述笔杆光谱特征图之间的余弦相似性；

其中，所述余弦相似性公式为：

其中， 表示所述笔杆关联特征图的第(k,l,m)位置的特征值， 表示所述笔杆光谱特征图的第(k,l,m)位置的特征值，W、H、C分别表示特征图的宽、高和通道数，cos(F1,F2)表示笔杆关联特征图和笔杆光谱特征图之间的余弦相似性。

10.一种基于机器视觉的智能检测方法，其特征在于，包括：获取由摄像头采集的湖笔抛光后笔杆的多角度图像和由摄像头采集的湖笔抛光后笔杆的光谱图像；

从所述由摄像头采集的湖笔抛光后笔杆的多角度图像和由摄像头采集的湖笔抛光后笔杆的光谱图像提取笔杆关联特征图和笔杆光谱特征图；

基于所述笔杆关联特征图和所述笔杆光谱特征图，判断抛光后笔杆质量是否合格。