1.一种基于人工智能的产品外观缺陷检测方法，其特征在于，该方法包括如下步骤：S1：对检测区域内的生产线统一进行编号，按照生产线编号获取检测数据，提取检测数据中的产品的图像数据，对产品的图像数据进行图像相似度分析，根据图像相似度分析结果选取产品的目标检测图像；

S2：利用图像识别技术对产品的目标检测图像进行处理并生成产品外观报告；根据产品外观报告对目标检测图像计算缺陷影响评估值，根据缺陷影响评估值对产品的质量进行判断；

S3：根据产品的质量的判断结果，将产品的目标检测图像进行分类并组成集合，对周期合格图像集合进行分析形成对照像素矩阵；周期风险图像集合中的目标检测图像对应的检测像素矩阵与对照像素矩阵进行对比，生成缺陷像素矩阵；

S4：分析缺陷像素矩阵组成的缺陷像素矩阵组的关联性，根据缺陷像素矩阵组的关联性，判断生产线的运行情况；根据生产线的运行情况对管理员发送报警信号，并将异常情况进行可视化显示；

在S2中，对产品的质量进行判断的方法包括以下步骤：

S201：计算每个产品外观报告对应的缺陷影响评估值，记为FL；

‑（c×（P1‑P1V）+d×P2）‑1

FL=[1+e ] ；

其中为e自然常数，c和d为评估参数，所述评估参数为系统预置常数；P1表示相应产品外观报告中的图像灰度特征值；P1V表示产品对应的图像数据组成集合其他产品外观报告的图像灰度特征值的平均值；P2表示相应产品外观报告中的灰度特征偏差值；

S202：对缺陷影响评估值设置阈值，将缺陷影响评估值小于或等于阈值的产品记为合格产品，将缺陷影响评估值大于阈值的产品记为风险产品；

在S3中包括以下内容：

S301：对生产线设置检测周期，提取同一个检测周期中的合格产品的目标检测图像，组成周期合格图像集合；提取同一个检测周期中的风险产品的目标检测图像，组成周期风险图像集合；

S302：提取周期合格图像集合中的目标检测图像，利用目标检测图像构建检测像素矩阵，具体为：

；

矩阵中，P表示目标检测图像中的每个像素点，x表示每个目标检测图像中像素点的行（i，m）

个数，y表示目标检测图像中像素点的列个数；Pxy 表示生产线PLi的周期合格图像集合中第m个目标检测图像第x行第y列像素点的灰度值，m∈[1,M]，M表示周期合格图像集合中目标检测图像的数量；

计算对照检测图像每个像素点的灰度值，形成对照像素矩阵；

；

i

其中Pxy表示生产线PLi的对照检测图像中第x行第y列像素点的灰度值；

S303：将周期风险图像集合中的目标检测图像对应的检测像素矩阵的各个像素点与对照检测图像形成对照像素矩阵中的各个像素点计算像素差，检测像素矩阵像素差大于系统预置的像素差阈值的像素点进行标记，记为缺陷像素点；检测像素矩阵像素差小于或等于系统预置的像素差阈值的像素点，记为正常像素点；

S304：将风险产品的目标检测图像形成的检测像素矩阵中正常像素点的灰度值进行重置，根据重置后的检测像素矩阵生成缺陷像素矩阵，所述缺陷像素矩阵包括所有缺陷像素点，且像素点个数最少，对缺陷像素矩阵进行标记，缺陷像素矩阵标记内容包括缺陷像素矩阵中第一个像素点和最后一个像素点在原始检测像素矩阵中的位置；将所有的缺陷像素矩阵组成缺陷像素矩阵集合；

在S4中，包括以下内容：

S401：提取周期风险图像集合对应的缺陷像素矩阵集合，提取任意两个缺陷像素矩阵组成缺陷像素矩阵组，将缺陷像素矩阵组中的两个缺陷像素矩阵扩展成两个矩阵的列数和行数都相等，且第一个像素点和最后一个像素点在原始检测像素矩阵中的位置均相同的对比像素矩阵；扩展像素点的灰度值与重置后的正常像素点灰度值相同；

S402：通过像素矩阵相似度算法计算两个对比像素矩阵的相似度，将对比像素矩阵的相似度大于相似度阈值的缺陷像素矩阵组记为关联矩阵组，将关联矩阵组的数量除以缺陷像素矩阵组的数量，若比值大于比值阈值，则判定生产线为异常生产线；若比值小于或等于比值阈值，则判定生产线为正常生产线；

S403：对管理员发送报警信号和异常生产线编号，并将异常生产线的关联矩阵组对应的缺陷像素矩阵进行可视化显示。

2.根据权利要求1所述的一种基于人工智能的产品外观缺陷检测方法，其特征在于：在S1中，包括以下内容：S101：对监测区域内的生产线进行统一编号，将其中第i条生产线记为PLi；其中i∈[1,I]，I表示监测区域内生产线的总数量；按照生产线编号获取检测数据，提取检测数据中的产品的图像数据，将生产线PLi的产品的图像数据组成集合，记为DPPi={DPP（i，1），DPP（i，2），…，DPP（i，J）}，将其中第j个产品的图像数据记为DPP（i，j）；其中j∈[1,J]，J表示生产线PLi的缺陷产品的总数量；

S102：每个图像数据中的产品图像数量不小于A，A为系统预置的常数；提取图像数据DPP（i，j）中的产品图像，对所有的产品图像进行灰度处理，将任意两个经过灰度处理后的产品图像组成产品图像组，通过图像像素相似度算法计算产品图像组中两个的产品图像的图像相似度，提取图像相似度最高的产品图像组中任意一个产品图像记为目标检测图像，将同一个产品除目标检测图像以外的产品图像进行删除处理。

3.根据权利要求2所述的一种基于人工智能的产品外观缺陷检测方法，其特征在于：所述产品图像对应的拍摄角度、摄像机与产品的距离以及摄像机参数相同；所述摄像机参数包含分辨率、帧率、白平衡、ISO、光圈、快门速度和焦距。

4.根据权利要求2所述的一种基于人工智能的产品外观缺陷检测方法，其特征在于：在S2中，一个目标检测图像对应一个产品外观报告，所述产品外观报告包括图像灰度特征值和灰度特征偏差值；

所述图像灰度特征值表示目标检测图像中各个像素点分别对应的灰度值的平均值；

将目标检测图像平均分割成B等份，B为系统预置的常数；将目标检测图像分割生成的图像记为目标检测子图像；所述灰度特征偏差值等于max{GRmax‑GRmin，GRmax‑GRV}，其中，max{}表示求最大值的运算；GRmax表示目标检测子图像中，各个像素点分别对应的灰度值的平均值的最大值；GRmin表示目标检测子图像中，各个像素点分别对应的灰度值的平均值的最小值；GRV表示目标检测子图像对应目标检测图像的图像灰度特征值。

5.根据权利要求1所述的一种基于人工智能的产品外观缺陷检测方法，其特征在于：在S304中重置后的正常像素点的灰度值为255或0。

6.一种基于人工智能的产品外观缺陷检测系统，所述系统应用于权利要求1‑5中的任意一项所述的一种基于人工智能的产品外观缺陷检测方法实现，其特征在于，该系统包括检测图像筛选模块、产品质量分析模块、产品缺陷分析模块和关联预警模块；

所述检测图像筛选模块用于对检测区域内的生产线统一进行编号，按照生产线编号获取检测数据，提取检测数据中的产品的图像数据，对产品的图像数据进行图像相似度分析，根据图像相似度分析结果选取产品的目标检测图像；

所述产品质量分析模块用于利用图像识别技术对产品的目标检测图像进行处理并生成产品外观报告；根据产品外观报告对目标检测图像计算缺陷影响评估值，根据缺陷影响评估值对产品的质量进行判断；

所述产品缺陷分析模块用于根据产品的质量的判断结果，将产品的目标检测图像进行分类并组成集合，对周期合格图像集合进行分析形成对照像素矩阵；周期风险图像集合中的目标检测图像对应的检测像素矩阵与对照像素矩阵进行对比，生成缺陷像素矩阵；

所述关联预警模块用于分析缺陷像素矩阵组成的缺陷像素矩阵组的关联性，根据缺陷像素矩阵组的关联性，判断生产线的运行情况；根据生产线的运行情况对管理员发送报警信号，并将异常情况进行可视化显示。