1.一种基于学习机制的IC焊点缺陷检测方法，其特征在于，包括以下步骤：根据多个合格IC焊点样本建立局部统计模型；

采集IC焊点样本的图片，输入到所述局部统计模型中进行对比，得到所述IC焊点样本的潜在缺陷图像作为训练集；其中，所述训练集包括合格样本和不合格样本，所述合格样本为合格IC焊点样本的潜在缺陷图像，所述不合格样本为不合格IC焊点样本的潜在缺陷图像；

利用不同的训练子集对多个分类器分别进行训练；其中，所述训练子集由训练集中所有不合格样本及相同数量的合格样本组成；所述分类器为KNN分类器；

利用训练好的多个所述分类器对所述训练集中的每个样本分别进行评估，确定每个所述分类器的权重，计算每个样本的平均不合格概率，从而得到训练集样本的评估阈值；

计算每个样本的平均不合格概率包括：

利用下式计算每个样本的平均不合格概率：

；

其中，MUPX表示样本X的平均不合格概率，KNN（i X）表示第i个KNN分类器对样本X的不合格概率，N表示KNN分类器的数量；

利用下式计算所述评估阈值：

；

；

其中， 表示训练集中合格样本所占的比重，Umin表示不合格样本中MUP的最小值，Qmax代表合格样本中MUP的最大值，Q表示合格样本，U表示不合格样本，num({Q})表示训练集中合格样本的数量，num({Q}+{U})表示训练集中样本的数量；

采集待检测的IC焊点样本图片，利用所述局部统计模型和多个所述分类器得到所述IC焊点样本的平均不合格概率，将所述IC焊点样本的平均不合格概率与所述评估阈值进行对比后获得所述IC焊点样本的检测结果；

利用所述局部统计模型和多个所述分类器得到所述IC焊点样本的平均不合格概率包括：将所述IC焊点样本图片输入到所述局部统计模型，得到所述IC焊点样本的潜在缺陷图像，利用多个所述分类器对所述潜在缺陷图像进行评估，得到所述IC焊点样本的平均不合格概率。

2.根据权利要求1所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，将所述IC焊点样本的平均不合格概率与所述评估阈值进行对比后获得所述IC焊点样本的检测结果进一步包括：判断所述IC焊点样本的平均不合格概率是否小于所述评估阈值，若小于，则所述IC焊点样本合格，否则所述IC焊点样本不合格。

3.根据权利要求1或2所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，确定每个所述分类器的权重进一步包括，利用下式计算每个所述分类器的权重：；

其中，wi表示第i个分类器的权重，ei 表示第i个分类器的准确率，emax 表示分类器中的最高准确率，emin 表示分类器中的最低准确率。

4.根据权利要求1所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，根据多个合格IC焊点样本建立局部统计模型进一步包括：建立局部统计模型，利用第一个合格IC焊点样本对所述局部统计模型进行初始化，根据后续的合格IC焊点样本更新所述局部统计模型。

5.根据权利要求1所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，所述局部统计模型为VIBE模型。

6.根据权利要求1所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，所述训练子集由训练集中所有不合格样本及相同数量的合格样本组成进一步包括：所述合格样本是随机选取的。