1.基于小样本的双分支轮廓增强式工业品缺陷检测方法，其特征在于，包括以下步骤：

S1：构建工业品的正样本图像数据集和缺陷样本图像数据集；

S2：构建去背景模块，输入同一工业品两幅不同的正样本图像，一幅作为参考图像，一幅作为待配准图像，利用Otsu二值化方法和Canny边缘检测算子分别对参考图像和待配准图像去背景，得到第一参考图像和第一待配准图像；

S3：构建图像旋转粗配准模块，对第一待配准图像进行旋转至与第一参考图像对齐，得到第二待配准图像；

S4：构建双分支特征级精配准模块，并用正样本图像数据集训练后，输入第一参考图像和第二待配准图像进行精准对齐，得到第一参考图像的特征图a和第二待配准图像的特征图b，对特征图a和特征图b上采样进行通道维度拼接后得到特征图c，求解特征图c的均值及方差，作为工业品的模板特征；

S5：求解同一工业品缺陷样本图像的特征图d，计算特征图d与模版特征的马氏距离，作为缺陷样本图像的异常分数矩阵；

S6：建立自适应缺陷阈值分割网络，求解最佳的分割全局阈值，用分割全局阈值对异常分数矩阵进行分割，得到缺陷分割图像。

2.根据权利要求1所述的基于小样本的双分支轮廓增强式工业品缺陷检测方法，其特征在于，所述S2中利用Otsu二值化方法和Canny边缘检测算子分别对参考图像和待配准图像去背景，具体为：S2.1：利用Otsu二值化方法对参考图像和待配准图像中的目标物体进行提取；

S2.2：利用Canny边缘检测算子提取目标物体的边缘信息，利用边缘信息对目标物体进行约束处理：从参考图像和待配准图像的四周边缘像素开始，向内遍历每个像素，在遇到边缘像素之前，将遍历过的像素都设为背景。

3.根据权利要求1所述的基于小样本的双分支轮廓增强式工业品缺陷检测方法，其特征在于，所述S3中对第一待配准图像进行旋转至与第一参考图像对齐，具体为：求取第一参考图像的最大连通区域的外接矩形的中心轴角度α，求取第一待配准图像的最大连通区域的外接矩形的中心轴角度β，通过比较中心轴角度α与中心轴角度β之间的角度差异，构建旋转矩阵对第一待配准图像进行旋转至与第一参考图像对齐。

4.根据权利要求1所述的基于小样本的双分支轮廓增强式工业品缺陷检测方法，其特征在于，所述S4中双分支特征级精配准模块，具体为，在ResNet-18网络基础上构建双子网结构，两个子网参数共享，每一子网络在第一层卷积块后加入双分支轮廓增强空间变换网络子模块，在第二层、第三层卷积块后加入空间变换网络STN子模块，损失函数采用负余弦损失函数；

所述S4中求解特征图c的均值及方差，是利用多变量高斯分布估计器进行求解。

5.根据权利要求4所述的基于小样本的双分支轮廓增强式工业品缺陷检测方法，其特征在于，所述双分支轮廓增强空间变换网络子模块，由两个分支组成：第一分支为主分支，输入为融合了轮廓信息的原始图像，由两个核大小为3×3的卷积构成，每个卷积层后紧接一个最大池化层；第二分支为辅助分支，输入为利用Canny边缘检测算子从原始图像中提取到的仅包含轮廓信息的图像，核大小为3×3的卷积构成，每个卷积层后紧接一个最大池化层；主分支和辅助分支分别处理这两种输入，通过卷积神经网络提取空间特征，然后通过全连接层融合这些空间特征以预测变换参数构建变换矩阵，对图像进行对齐变换。

6.根据权利要求1所述的基于小样本的双分支轮廓增强式工业品缺陷检测方法，其特征在于，所述S5中求解同一工业品缺陷样本图像的特征图d，具体为：将参考图像和同一工业品的一幅缺陷样本图像，分别经过去背景模块、图像旋转粗配准模块和双分支特征级精配准模块处理，再经过上采样进行通道维度拼接后，得到缺陷样本图像的特征图d。

7.根据权利要求1所述的基于小样本的双分支轮廓增强式工业品缺陷检测方法，其特征在于，所述S6中求解最佳的分割全局阈值，具体为将异常分数矩阵和对应的缺陷真实掩膜图输入自适应缺陷阈值分割网络，利用神经网络自动确定缺陷阈值，用异常分数矩阵减去缺陷阈值，并使用激活函数ReLU及归一化进行软二值化处理，最小化预测的软二值化缺陷分割图和缺陷真实掩膜图之间的MSE损失，得到异常分数矩阵最佳的分割全局阈值。