1.一种基于扩散模型的高精度Mark定位算法，其特征在于，所述算法包括：S1、构建包含训练集、测试集和验证集的数据集；

S2、收集和标注包含Mark标志的图像数据集，并构建U‑Net架构，在U‑Net的末尾添加全连接层以输出Mark标志的预测位置坐标，得到扩散模型神经网络；

S3、将训练集中的图片输入构建的扩散模型神经网络中，对扩散模型神经网络进行训练；

S4、将验证集中的数据输入训练好的扩散模型神经网络中，获取模型输出的预测Mark标志位置，计算验证数据集中真实位置与预测位置的差，若误差大于设定的阈值，则调整模型的超参，返回S3，继续训练模型；若误差小于设置的阈值，则停止训练；

S5、把测试集中的数据输入验证后的扩散模型神经网络中，获取模型输出的预测Mark标志的预测位置坐标 ，计算测试数据集中真实位置与预测位置的差，若误差大于设定的阈值，返回S3，继续训练模型；若误差小于设置的阈值，则停止训练，模型训练结束；

S6、将扩散模型神经网络部署到应用环境中，将从工业相机获取的图片输入到扩散模型神经网络中，输出Mark标志在图片中的位置；

其中，所述扩散模型神经网络的主干网络为U‑Net；

所述U‑Net网络的解码器初始层包含两个并行解码器一和解码器二：所述解码器一用于提取整个图像的全局特征；

所述解码器二用于提取Mark标志的局部特征；

解码器一和解码器二的输出做向量连接，并作为统一向量输入到U‑Net解码器的其余层中；

在U‑Net网络结构完成对图像特征的解码处理后，添加一个全连接层，用于输出Mark标志的预测位置坐标 ；

所述对扩散模型神经网络进行训练，扩散模型神经网络输出由超参 对原始输入图像进行去噪后得到的图像，并经过全连接层输出的Mark标志的预测位置坐标；

其中， 为扩散模型的每步参数， 为用于控制真实图像每个步骤添加噪声大小的超参；

将模型预测Mark标志的位置与实际Mark标志的位置之间的差作为损失函数，扩散模型神经网络训练的损失函数为： ，所述是每张图片中Mark标志中心在图片上的位置坐标。

2.根据权利要求1所述的基于扩散模型的高精度Mark定位算法，其特征在于，所述数据集的构建方法为：从PCB曝光生产工序中获取包含Mark标志的大小为 图片，其中 为图片的宽度，为图片的高度，单位均为像素；

根据Mark标识生成的工序获取每张图片中包含Mark标志中心在图片上的位置坐标；

在模型训练开始前，将数据集按7:2:1的比例划分为训练集、测试集和验证集。

3.根据权利要求1所述的基于扩散模型的高精度Mark定位算法，其特征在于，所述解码器二先对Mark标志进行初定位，并根据初步定位裁剪出包含Mark标志的子图像，并对子图像进行特征提取。