1.一种基于无监督学习的装配体变化检测方法，其特征在于，包括如下步骤：构建包括若干个差异特征信息的数据集：获取若干组双时相图像，所述双时相图像包括装配体前一时刻图像和装配体后一时刻图像；获取每一组双时相图像的差异特征信息，所述差异特征信息中包括若干个差异特征向量；

生成伪标签：对差异特征信息中的所有差异特征向量进行聚类分析，得到每个差异特征信息的伪标签；

构建并训练分类器：构建分类器；利用所述若干个差异特征信息及其对应的伪标签，迭代训练所述分类器；

获取装配体变化类型：获取待检测双时相图像；获取所述待检测双时相图像的差异特征信息，并将差异特征信息输入至训练好的分类器，分类器输出装配体的变化类型。

2.根据权利要求1所述的一种基于无监督学习的装配体变化检测方法，其特征在于，所述差异特征信息的获取步骤具体为：对所述装配体前一时刻图像进行卷积操作，得到第一特征信息；对所述装配体后一时刻图像进行卷积操作，得到第二特征信息；

对所述第一特征信息和第二特征信息进行差分处理，得到特征图；将特征图输入至激活函数，得到差异图像；

通过自编码算法提取所述差异图像的若干个差异特征向量，得到差异特征信息。

3.根据权利要求2所述的一种基于无监督学习的装配体变化检测方法，其特征在于，所述第一特征信息和第二特征信息均包括低级特征信息和高级特征信息；

所述特征图的获取步骤具体为：

对第一特征信息和第二特征信息的低级特征信息进行差分处理和上采样处理，得到第一差分结果；对第一特征信息和第二特征信息的高级特征信息进行差分处理，得到第二差分结果；对第一差分结果和第二差分结果进行特征融合和特征提取，得到所述特征图。

4.根据权利要求2所述的一种基于无监督学习的装配体变化检测方法，其特征在于，还包括对所述差异特征信息进行优化：遍历所述差异图像中每个像素，对每次访问的像素，将其与差异图像中其他像素之间的距离进行加权，得到注意力图像；利用自编码算法提取注意力图像的若干个差异特征向量，得到差异特征信息。

5.根据权利要求4所述的一种基于无监督学习的装配体变化检测方法，其特征在于，所述获取伪标签具体为：

对差异特征信息中的所有差异特征向量进行聚类分析，得到若干个表征变化区域的第一差异特征向量类、若干个表征不变区域的第二差异特征向量类和若干个表征图像噪声的第三差异特征向量类；计算各第一差异特征向量类和各第二差异特征向量类的可信度；选择可信度最高的第一差异特征向量类和第二差异特征向量类为所述差异特征信息对应的伪标签。

6.根据权利要求5所述的一种基于无监督学习的装配体变化检测方法，其特征在于，所述可信度E的计算公式为：

其中，μ表示差异特征向量类C的均值向量；Xi表示差异特征向量类C中第i个差异特征向量(i＝1、2……n)。

7.一种基于无监督学习的装配体变化检测设备，其特征在于，包括图像差异分析模块、伪标签生成模块和分类器；

所述图像差异分析模块分别与伪标签生成模块和分类器通信连接；所述伪标签生成模块与分类器通信连接；

所述图像差异分析模块获取数据集中每一组双时相图像的差异特征信息，并将其输入至伪标签生成模块和分类器；所述双时相图像包括装配体前一时刻图像和装配体后一时刻图像；所述差异特征信息中包括若干个差异特征向量；

所述图像差异分析模块获取待检测双时相图像的差异特征信息并将其输入至分类器；

所述伪标签生成模块对差异特征信息中的所有差异特征向量进行聚类分析，得到每个差异特征信息并将其输入至分类器；

所述分类器根据所述由数据集得到的若干个差异特征信息及其对应的伪标签，进行迭代训练；训练好的分类器根据待检测双时相图像的差异特征信息，输出装配体的变化类型。

8.根据权利要求7所述的一种基于无监督学习的装配体变化检测设备，其特征在于，所述图像差异分析模块包括差异特征提取模块、注意力模块、自编码模块；

所述差异特征提取模块对所述装配体前一时刻图像进行卷积操作，得到第一特征信息；对所述装配体后一时刻图像进行卷积操作，得到第二特征信息；对所述第一特征信息和第二特征信息进行差分处理，得到特征图；将特征图输入至激活函数，得到差异图像；

所述注意力模块遍历所述差异图像中每个像素，对每次访问的像素，将其与其他像素之间的距离进行加权，得到注意力图像；

所述自编码模块提取注意力图像的若干个差异特征向量，得到差异特征信息。

9.根据权利要求8所述的一种基于无监督学习的装配体变化检测设备，其特征在于，所述差异特征提取模块包括用于获取所述第一特征信息和第二特征信息的特征提取器、用于获取所述差异图像的特征比较器；所述第一特征信息和第二特征信息均包括低级特征信息和高级特征信息；

所述特征提取器包括若干层卷积层；先后将装配体前一时刻图像和装配体后一时刻图像输入至特征提取器，通过低层卷积层得到第一特征信息的低级特征信息和第二特征信息的低级特征信息；通过高层卷积层得到输出第一特征信息的高级特征信息和第二特征信息的高级特征信息；

所述特征比较器包括若干层比较层和激活层；低层比较层对第一特征信息的低级特征信息和第二特征信息的低级特征信息进行差分处理和上采样处理，得到第一差分结果并将其输出至高层比较层；高层比较层对第一特征信息的高级特征信息和第二特征信息的高级特征信息进行差分处理，得到第二差分结果，再对第一差分结果和第二差分结果进行特征融合和特征提取得到特征图；将特征图输入至激活层，得到差异图像。

10.根据权利要求7所述的一种基于无监督学习的装配体变化检测设备，其特征在于，所述伪标签生成模块对差异特征信息中的所有差异特征向量进行聚类分析，得到若干个表征变化区域的第一差异特征向量类、若干个表征不变区域的第二差异特征向量类和若干个表征图像噪声的第三差异特征向量类；并计算各第一差异特征向量类和各第二差异特征向量类的可信度；选择可信度最高的第一差异特征向量类和第二差异特征向量类为所述差异特征信息对应的伪标签。