1.一种基于深度学习的表面缺陷检测方法，其特征在于，包括：

对待检测的产品图像进行处理，并对处理后的待检测产品图像进行特征提取，获取产品图像特征图；

基于头部网络对所述产品图像特征图进行处理，获得带有表面缺陷的图像的高级特征；

通过解耦式检测头根据所述高级特征进行检测，对生成的检测结果进行解码，获得最终的检测结果；

利用主干网络获取所述产品图像特征图，其中，所述主干网络包括CBS模块一、CST模块、MP模块一、FasterNet模块一和ELAN模块，所述CBS模块一、CST模块、MP模块一、FasterNet模块一和ELAN模块依次连接；

其中，所述CBS模块一包括卷积层、批量归一化层和激活函数层，用于对不同尺度的图像特征进行提取；

所述CST模块包括卷积层和Swin Transformer层，用于增强特征提取效果；

所述MP模块一包括最大池化层和卷积层，用于缩减特征图的尺寸，减少运算量和参数量，加快计算速度并防止过拟合；

所述FasterNet模块一包括PConv层和PWConv层，用于减少模型计算量及参数，加快模型运行速度；

所述ELAN模块包括两条分支结构，用于使网络获取更多特征及具有更好的鲁棒性。

2.根据权利要求1所述的基于深度学习的表面缺陷检测方法，其特征在于，所述CST模块的提取过程为：首先使用两个并行的卷积调整输入特征图的通道数，获得两个输出，其中一个输出作为所述Swin Transformer层的输入，所述Swin Transformer层捕获输入特征图的全局特征信息，拼接两个输出得到最终特征图；其中，所述Swin Transformer层采用窗口化自注意力机制，将输入特征图分成若干局部窗口，在每个窗口内执行自注意力计算。

3.根据权利要求2所述的基于深度学习的表面缺陷检测方法，其特征在于，所述MP模块一的提取过程包括：上半部分为经过最大池化层进行下采样，然后再经过一个1x1的卷积进行通道数的改变；下半部分则是先经过一个1x1的卷积做通道数的变化，然后再经过一个3x3卷积核、步长为2的卷积块，进行下采样，将最终结果叠加。

4.根据权利要求3所述的基于深度学习的表面缺陷检测方法，其特征在于，所述FasterNet模块一的提取过程为：基于所述PConv层以特征图为输入，对输入特征图的部分通道进行卷积操作，之后传入所述PWConv层中在通道维度上执行逐点操作进行特征提取。

5.根据权利要求4所述的基于深度学习的表面缺陷检测方法，其特征在于，所述ELAN模块的两条分支结构的提取过程为：分支结构一：经过1x1的卷积做通道数的变化；

分支结构二：经过1x1的卷积做通道数的变化，再经过四个3x3的卷积做特征提取，最后将获得的四个特征进行叠加。

6.根据权利要求1所述的基于深度学习的表面缺陷检测方法，其特征在于，所述头部网络包括CBS模块二、SPPCSPC模块、Upsample模块、FasterNet模块二、MP模块二、RepConv模块以及解耦式检测头，所述CBS模块二、SPPCSPC模块、Upsample模块、FasterNet模块二、MP模块二、RepConv模块以及解耦式检测头依次连接；

其中，所述CBS模块二、所述FasterNet模块二与所述MP模块二的结构与主干网络中的CBS模块一、MP模块一和FasterNet模块一的结构相同；

所述SPPCSPC模块包括SPP层、CSP层和卷积层，所述SPP层用于提取不同尺度的特征，所述CSP层用于共享信息，所述卷积层用于进一步特征提取及调整通道数；

所述Upsample模块为上采样模块，用于进行上采样；

所述RepConv模块包括训练单元和推理单元，所述训练单元在模型训练阶段用于特征提取，所述推理单元在模型推理阶段，由训练模块重参数化获得，用于模型推理时减少计算量和内存消耗。

7.根据权利要求6所述的基于深度学习的表面缺陷检测方法，其特征在于，基于所述头部网络对所述产品图像特征图进行处理，包括：将尺寸最小的产品图像特征图经过所述SPPCSPC模块处理后，通过所述Upsample模块进行上采样操作，将最小的产品图像特征图与第二大的产品图像特征图相结合，并基于相同操作将结合的产品图像特征图与最大的产品图像特征图相结合；

将不同的深度生成的特征图进行相互结合之后，通过所述MP模块二和FasterNet模块二进行特征提取并再进行不同大小特征图的结合；

通过若干次不同深度获得的特征图的相互结合，获得所述带有表面缺陷的图像的高级特征。

8.根据权利要求7所述的基于深度学习的表面缺陷检测方法，其特征在于，通过所述解耦式检测头根据所述高级特征进行检测，包括：根据所述高级特征进行检测，再对于每个检测头部所生成的预测结果进行解码，获得所述最终的检测结果。

9.根据权利要求1所述的基于深度学习的表面缺陷检测方法，其特征在于，所述方法采用EIoU损失函数：其中，L