1.一种基于自编码器网络的印刷缺陷检测方法，其特征在于包括：S1、采集无缺陷样本；

S2、生成不同形状的局部缺陷图案数据；

S3、使用对抗神经网络并依据下式将所述局部缺陷图案数据与所述无缺陷样本融合，生成有缺陷样本其中，E表示期望，px(x)、py(y)分别表示无缺陷样本的分布、有缺陷样本的分布，pz(z)表示噪声变量的先验分布，DY(y)表示数据y来自于有缺陷样本集的概率，G(z,x)表示缺陷样本生成模型，X表示无缺陷样本的集合，Y表示有缺陷样本的集合，G为生成函数，且用于生成函数G的网络由两个感知层级联而成，其中的第一个感知层为多层感知网络，并以z为输入生成缺陷特征，确定该缺陷出现在产品图片x的位置pos，第二个感知层将该缺陷与产品图片的相应位置进行融合，得到图片 其中采用的训练目标函数为：S4、至少利用所述有缺陷样本和无缺陷样本进行缺陷过滤型自编码器网络的训练；

S5、将所述对抗神经网络和自编码器网络联合训练，具体包括：首先，用手工数据积累的基础数据对所述对抗神经网络和所述自编码器网络进行基础训练，包括：i)以所述对抗神经网络用无缺陷样本生成有缺陷样本，再输入所述自编码器网络，并最小化损失函数 其中 为所述对抗神经网络生成的有缺陷样本；

ii)用所述自编码器网络将生产现场获得的有缺陷样本重建得到对应的无缺陷样本，并将所述对应的无缺陷样本加入所述对抗神经网络的训练数据中进行训练；

iii)训练后的所述对抗神经网络再用现场获得的新的无缺陷样本生成有缺陷样本；

iv、循环进行步骤i～步骤iii的操作，以将所述对抗神经网络和自编码器网络级联并轮流训练；

然后，利用所述自编码器网络对产品进行印刷缺陷检测；

其中，所述缺陷过滤型自编码器网络为：

其中，F′表示F的逆运算；以及，所述自编码器网络以如下二范数为衡量标准：N为自然数，表示样本个数；

其中，所述自编码器网络以二范数为衡量标准，并且相应的要求包括：若所述自编码器网络的输入数据为无缺陷样本，则所述自编码器网络的输出数据与输入数据的相似度在99％以上；

若所述自编码器网络的输入数据为生成的有缺陷样本，则所述自编码器网络的输出数据与用于生成所述有缺陷样本的无缺陷样本的相似度在99％以上；

若所述自编码器网络的输入数据为生成或直接采集到的有缺陷样本，则所述自编码器网络的输出数据与输入数据的相似度低于99％。

2.根据权利要求1所述的印刷缺陷检测方法，其特征在于：所述现场获得的有缺陷样本中未标注缺陷的具体位置。

3.根据权利要求1所述的印刷缺陷检测方法，其特征在于，具体包括：使用成像设备采集所述无缺陷样本及相应标注信息。

4.根据权利要求1所述的印刷缺陷检测方法，其特征在于，具体包括：在所述联合训练完成后，利用所述自编码器网络对产品进行印刷缺陷识别和缺陷特征分析。