1.一种物品包装缺陷的检测方法，其特征在于，该检测方法具体包括如下步骤：S1、获取若干组包含物品包装的红外图像和RGB图像作为输入图像；

S2、基于输入图像中表征包装物品表面对应位置中各区域的差异特征和融合特征获得薄膜特征；

S3、根据薄膜特征判断输入图像上的各区域是否属于完好图像；

若是，则将该区域标记为完好图像；

若否，则将该区域标记为缺损区域，并输出；

S4、提取完好图像上的薄膜的反射图像以作为干扰特征，并将干扰特征通过若干个卷积层和激活函数以获得中间特征，之后将中间特征通过ECA通道后与中间特征相乘再与对应尺度上的干扰特征相加以获得干扰图像；

S5、提取完好图像的包装特征，并将包装特征通过若干层RSTB模块后转化为二维特征以获得包装图像；

S6、利用干扰图像修复包装图像以获得待检测图像，并识别待检测图像中的缺陷。

2.根据权利要求1所述的检测方法，其特征在于，在步骤S1中，具体包括如下步骤：S11、通过RGB相机拍摄包含物品包装的RGB图像；

S12、布置若干个红外相机，并测量红外相机镜头与物品包装表面的连线和物品包装表面的最大夹角；

S13、设置角度阈值，并通过各红外相机拍摄物品包装上最大夹角小于角度阈值的各区域以获得若干组红外图像；

S14、将每个红外图像和包含有对应位置的RGB图像标记为一组输入图像，以获得若干组输入图像。

3.根据权利要求2所述的检测方法，其特征在于，在步骤S13中，所述角度阈值为70度。

4.根据权利要求1所述的检测方法，其特征在于，在步骤S2中，具体包括如下步骤：S21、基于神经网络模型的编码器分别提取各组红外图像和RGB图像中物品包装表面对应位置在不同尺度上的一维特征；提取红外图像和RGB图像对应位置在不同尺度上的一维特征的计算公式为：；

上式中， 表示在第i个尺度上提取的红外图像或RGB图像的一维特征，的范围为， 表示经过预训练的主干网络， 表示输入的红外图像或RGB图像；

S22、将各组一维特征转化为二维特征，之后将转化后的红外图像和RGB图像的二维特征进行通道连接以获得融合特征；融合特征的计算公式如下：；

上式中， 表示提取的RGB图像在第i个尺度上的一维特征， 表示提取的红外图像在第i个尺度上的一维特征， 表示内核为 的卷积神经网络的卷积层， 表示通道注意力模块， 表示将括号内的元素进行通道连接， 表示函数， 和 分别表示经过SE通道处理的RGB图像和红外图像的一维特征在第i个尺度上的特征， 表示融合特征；

S23、计算RGB图像和红外图像的一维特征在第i个尺度上经过SE通道后的特征之差，以获得差异特征；差异特征的计算公式为：；

上式中， 表示差异特征；

S24、通过激活函数将差异特征转化为注意力权重后与融合特征相乘以获得不同尺度上的薄膜特征；不同尺度上的薄膜特征的计算公式为：；

上式中， 表示在第i个尺度上的薄膜特征， 表示激活函数；

S25、将不同尺度上的薄膜特征按照通道相连接后送入到卷积层，以获得薄膜特征；薄膜特征的计算公式如下：；

上式中， 表示在第i个尺度上的薄膜检测结果， 为卷积神经网络的上采样操作， 表示最终获取的薄膜特征， 表示卷积神经网络的内核为 的卷积层。

5.根据权利要求1所述的检测方法，其特征在于，在步骤S4中，具体包括如下步骤：S41、基于卷积神经网络模型提取完好图像中的干扰特征；干扰特征的表达式为：；

上式中， 表示卷积神经网络的内核为 的卷积层，I表示输入的完好图像，代表ReLU激活函数， 表示批量归一化函数， 和 分别表示在第i个和i‑1个尺度上提取的干扰特征；

S42、将各尺度上的干扰特征分别通过若干个卷积层和激活函数后以获得中间特征；中间特征的计算公式为：；

上式中， 表示在第i个尺度上的中间特征，的范围为 ， 代表ReLU激活函数， 表示卷积神经网络的内核为 的卷积层； 表示在尺度 上提取的干扰特征；

S43、将中间特征通过ECA通道后与中间特征相乘再与对应尺度上的干扰特征相加以获得中间干扰图像；中间干扰图像的计算公式如下：；

上式中， 表示在第i个尺度上的中间特征， 表示在第i个尺度上的中间干扰图像， 表示卷积神经网络模型的高效通道注意力层， 表示在第i个尺度上提取的干扰特征；

S44、设置提取次数，并统计当前经过步骤S42的次数是否大于提取次数；

若是，则将中间干扰图像标记为干扰图像后进入步骤S5；

若否，则将中间干扰图像标记为干扰特征，之后返回步骤S42。

6.根据权利要求1所述的检测方法，其特征在于，在步骤S5中，具体包括如下步骤：S51、通过VGG‑19卷积神经网络模型提取完好图像的包装特征；包装特征的表达式为：；

上式中， 、 、 和 分别表示通过VGG‑19卷积神经网络模型提取完好图像在第1、

2、3和4个尺度上的包装特征， 表示通过VGG‑19卷积神经网络模型提取完好图像的包装特征；

S52、将包装特征通过若干层RSTB以获得一维包装特征，并将其转化为二维包装特征以获得包装图像；二维包装特征的计算公式如下：；

上式中， 表示在尺度 上的二维包装特征，的范围为 ， 表示通过VGG‑19卷积神经网络模型提取完好图像在尺度 上的包装特征， 表示将包装特征通过A层RSTB， 表示通过Patch Unembed函数将括号内元素转化为二维包装特征。

7.根据权利要求1所述的检测方法，其特征在于，在步骤S6中，具体包括如下步骤：S61、将干扰图像输入到若干个膨胀率的空洞卷积层，并将不同尺度的空洞卷积层连接后通过卷积层融合以获得干扰融合图像；干扰融合图像的计算公式为：；

上式中， 表示在第i个尺度上的干扰融合图像，的范围为 ， 表示通道连接， 表示空洞卷积膨胀率， 、 和 分别为3个空洞卷积膨胀率的数值， 表示在第i个尺度上的干扰图像；

S62、将干扰融合图像与对应尺度下的干扰特征连接后进行上采样以获得上采样干扰图像；上采样干扰图像的计算公式为：；

上式中， 表示在第 个尺度上的上采样干扰图像， 表示上采样， 表示在第i个尺度上的干扰特征；

S63、将包装图像通过卷积层后去除对应尺度下的干扰融合图像后与第i个尺度上的包装特征连接，并进行上采样以获得上采样包装图像；上采样包装图像的计算公式为：；

上式中， 表示在第i‑1个尺度上的上采样包装图像， 表示在尺度 上的包装图像， 表示在第i个尺度上的干扰融合图像， 表示完好图像在第i个尺度上的包装特征；

S64、获取在尺度1上的上采样包装图像和上采样干扰图像以获得待检测图像和标准干扰图像；

S65、设置用于待检测图像获取的卷积神经网络模型训练的损失函数；

S66、通过缺陷检测算法识别待检测图像中的缺陷并输出。

8.根据权利要求7所述的检测方法，其特征在于，在步骤S61中，所述 、 和 分别为1，2和5。

9.根据权利要求1所述的检测方法，其特征在于，在步骤S65中，损失函数的表达式为：；

上式中，L表示用于待检测图像获取的卷积神经网络模型训练的损失函数， 、、 和 分别表示包装损失、干扰损失、包装感知损失和图像重构损失， 、 、 和 分别表示第一损失系数、第二损失系数、第三损失系数和第四损失系数、 表示待检测图像， 表示不含有薄膜的物品包装实际图像， 表示薄膜上的标准干扰图像， 表示薄膜上干扰的真实图像，表示输入的完好图像， 表示标准干扰图像和待检测图像相加所获得的重构图像， 表示计算待检测图像和不含有薄膜的物品包装实际图像之间结构相似性的函数，是平衡均方误差损失和结构相似性损失之间的超参数， 表示通过VGG‑19卷积神经网络模型提取的若干个不同尺度上的图像的包装特征，的范围为 。

10.一种用于实现权利要求1‑9任一项所述的物品包装缺陷的检测方法的系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1‑9任一项所述的物品包装缺陷的检测方法。