1.一种LED灯带缺陷检测模型的训练方法，其特征在于，所述方法包括以下步骤：提供仅包含正类样本的LED灯带训练集；

基于K-means++聚类选择算法从所述LED灯带训练集中选取出K个典型正类样本，并采用预设的特征提取网络获取各个典型正类样本在若干个不同的预定维度的模板图像特征作为记忆样本存入记忆池；

基于伪异常样本生成方法获取所述LED灯带训练集中的各个正类样本对应的伪异常样本；以及将所述LED灯带训练集中除典型正类样本之外的剩余正类样本和所述伪异常样本作为输入图像进行如下模型训练：采用所述特征提取网络提取所述输入图像在各个所述预定维度的高级特征信息；

计算所述输入图像的高级特征信息与所述记忆样本向量在各个所述预定维度的欧式距离，获得输入图像和记忆样本之间的差异信息，并确定最佳差异信息；

将所述最佳差异信息中的各个维度的差异信息与所述输入图像的高级特征信息相结合获得串联信息；

基于多尺度特征融合网络模型将所述串联信息进行多尺度特征融合获得各个预定维度的融合特征图；以及获取各个所述融合特征图的空间注意力图，并将各个空间注意力图通过跳跃连接流向解码器，由解码器依据各个空间注意力图内的特征进行预测后输出预测图像。

2.如权利要求1所述的LED灯带缺陷检测模型的训练方法，其特征在于，在进行模型训练时，还计算真实值S和预测值S构建最小化L1损失函数：

构建focal损失函数为：

联立所述最小化L1损失函数和focal损失函数构建总损失函数：修正所述特征提取网络、多尺度特征融合网络模型以及所述解码器中各层网络的参数值以求解所述总损失函数的最小值，当所述总损失函数为最小值时输出LED灯带缺陷检测模型。

3.如权利要求1所述的LED灯带缺陷检测模型的训练方法，其特征在于，所述基于K-means++聚类选择算法从所述LED灯带训练集中选取出K个典型正类样本具体包括：从所述LED灯带训练集中随机选取一个正类样本作为当前的初始簇中心；

计算所述LED灯带训练集中每个正类样本与最近的所述初始簇中心的第一实际距离；

采用所述第一实际距离最大的正类样本更新当前的所述初始簇中心并循环执行前一步骤直至选取出K个初始簇中心；

采用每个所述初始簇中心对应构建一个空的簇类空间，计算所述LED灯带训练集中每个正类样本与各个所述初始簇中心的第二实际距离，将LED灯带训练集中每个正类样本依据所述第二实际距离划分至距离所述初始簇中心最近的所述簇类空间；

计算每个所述簇类空间中正类样本的向量均值，采用所述向量均值更新对应所述簇类空间的所述初始簇中心；以及循环执行前一步骤直至每个所述簇类空间的所述初始簇中心不变以将每个所述初始簇中心对应正类样本确定为一个典型正类样本。

4.如权利要求1所述的LED灯带缺陷检测模型的训练方法，其特征在于，所述基于伪异常样本生成方法获取所述LED灯带训练集中的各个正类样本对应的伪异常样本具体包括：对所述LED灯带训练集中的各个正类样本I分别进行二值化处理以生成轮廓描述图M将各个所述目标掩图M与来源于DTD数据集的纹理数据I

将所述异常区域图像I

5.如权利要求1所述的LED灯带缺陷检测模型的训练方法，其特征在于，所述多尺度特征融合网络模型包括：第一卷积层，用于将所述串联信息进行初次卷积以保持所述串联信息的通道数量；

坐标注意力加权层，用于对不同维度的所述串联信息进行坐标注意力加权以捕获所述串联信息的通道信息；

上采样层，用于将进行坐标注意力加权后的所述串联信息进行上采样以对齐维度；

第二卷积层，用于将对齐维度后的所述串联信息进行再次卷积以对齐串联信息的通道数量；以及像素相加操作层，用于对对齐通道数量后的不同维度的串联信息进行逐个像素相加。

6.如权利要求1所述的LED灯带缺陷检测模型的训练方法，其特征在于，所述方法还包括：将包含正类样本和负类样本且与所述LED灯带训练集同类的测试集输入所述LED灯带缺陷检测模型以获得预测图像，计算每个所述测试集内每个样本对应的所述预测图像的异常分数，异常分数计算公式为：其中，将每个预测图像的像素点按照像素值大小按照由高到低排名，G(x综合每个所述测试预测图像的异常分数以及对应的样本类型确定并输出区分正样本和负样本的分数阈值；

采用所述LED灯带缺陷检测模型对LED灯带的待测图像检测以判断LED灯带是否存在缺陷时是采用所述LED灯带缺陷检测模型对所述待测图像进行检测以生成预测图像，再依据所述异常分数计算公式计算所述待测图像对应的预测图像的异常分数，将所述待测图像对应的异常分数与所述分数阈值比较，将低于所述分数阈值的待测图像划分为不存在缺陷而高于所述分数阈值的待测图像划分为存在缺陷。

7.如权利要求1所述的LED灯带缺陷检测模型的训练方法，其特征在于，所述特征提取网络为经过ImageNet预训练的resnet18网络，且在训练过程中，保持所述resnet18网络的前三层参数固定不变。

8.一种LED灯带缺陷检测模型的训练装置，其特征在于，所述装置包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的LED灯带缺陷检测模型的训练方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的LED灯带缺陷检测模型的训练方法。

10. 一种LED灯带缺陷检测方法，其特征在于，所述方法包括以下步骤：获取待测试LED灯带的待测图像；以及

采用如权利要求1-7任一项所述的LED灯带缺陷检测模型的训练方法训练获得的LED灯带缺陷检测模型对所述待测图像检测以判断LED灯带是否存在缺陷。