1.一种集成电路金属封装缺陷检测方法，其特征在于，包括以下步骤：S1：获取集成电路金属封装图像并进行预处理，将预处理后的图像划分为训练集和测试集；

S2：构建自适应深度生成对抗网络并初始化网络的权重参数；

所述的自适应深度生成对抗网络包括：两个编码器、一个解码器、一个鉴别器，所述编码器包括九个网络层，其中前七个网络层均包括一个卷积层、批量归一化层、LeaklyRelu激活函数，第八个网络层包括空洞卷积层、批量归一化层和LeaklyRelu激活函数，第九个网络层包括1x1卷积层；所述解码器有七层网络层，前六层都含了一个反卷积层、批量归一化和LeaklyRelu激活函数，第七层网络层采用了反卷积层、批量归一化和tanh激活函数；鉴别器包括八个网络层组成，前七个网络层均包括有由卷积层、批量归一化、LeaklyReLU激活函数和最大池化层，第八个网络层为1x1的卷积层，用于降维输出；所述编码器提取输入图像的高维特征，然后再经过解码器反卷积从高维特征重构出深层图像特征的合格模板；

S3：根据损失函数对自适应深度生成对抗网络进行迭代优化；

根据损失函数对自适应深度生成网络进行迭代优化，所述损失函数包括：生成器损失函数和判别器损失函数，其中生成器损失函数包括：内容损失lL

其中w

S4：统计训练集合格样本对应的差值图来构建平均特征图；

S5：结合训练好的自适应深度生成对抗网络与预设的图像后处理策略对集成电路金属封装进行检测。

2.根据权利要求1所述的一种集成电路金属封装缺陷检测方法，其特征在于，步骤S1的具体过程为：S101：获取集成电路金属封装图像，对图像的ROI区域进行定位，切割出ROI区域图像；

S102：将切割出的ROI区域图像人工分为合格样本图像和不合格样本图像；

S103：从合格样本图像中随机选取若干作为训练集，将剩余的合格样本图像和不合格样本图像作为测试集，同时将训练集和测试集中的图像在输入网络前进行像素归一化，使像素值在预设的范围内。

3.根据权利要求1所述的一种集成电路金属封装缺陷检测方法，其特征在于，步骤S4构建平均特征图的具体步骤为：将训练集中的图像输入至训练好的模型中，输出对应的模板图像；

将输出的模板图像与对应的输入图像差值操作，得到训练集的差值图像集合；

将差值图像累加求平均得到平均特征图,平均特征图的计算公式:其中d

对平均特征图取倒数归一化操作，将归一化操作后的平均特征图应用于后期测试集中的检测图像差值图的随机异常值消除。

4.根据权利要求1所述的一种集成电路金属封装缺陷检测方法，其特征在于，步骤S5的具体过程为：S501：将待检测金属封装图像进行归一化处理，将归一化处理后的图像输入至训练好的自适应深度生成对抗网络，输出模板图像；

S502：将待检测的金属封装图像与输出的模型图像进行差分运算，得到差值图；

S503：利用平均特征图消除差值图中的随机异常值，得到去除异常值的差值图；

S504：利用自适应阈值提取每张经过平均特征图处理后的差值图的缺陷轮廓,得到缺陷轮廓图像；

S505：对具有背景噪声的缺陷轮廓图像，利用局部缺陷验证策略得到满足质检敏感度要求的缺陷分割图和缺陷评价分。

5.根据权利要求4所述的一种集成电路金属封装缺陷检测方法，其特征在于，步骤S501模板图像为与待检测金属封装图像背景外观特征相似，但不含缺陷像素的模板图像。

6.根据权利要求4所述的一种集成电路金属封装缺陷检测方法，其特征在于，自适应阈值表达式：其中，

7.根据权利要求4所述的一种集成电路金属封装缺陷检测方法，其特征在于，对具有背景噪声的缺陷轮廓图像，利用局部缺陷验证策略得到满足质检敏感度要求的缺陷分割图和缺陷评价分，具体过程为：将通过自适应阈值方法得到的结果图像集记为

输入大尺度结果图，以滑窗窗口大小为f×f，步长为stride来滑动获取大尺度结果图中的Row×Col个局部图块,其中滑窗后的局部图像集合可以描述为

分别计算各个局部图像的缺陷概率，计算公式如下：

其中

设质检敏感度要求为τ，对各个局部图像计算的缺陷概率进行可能性分析，将处于敏感度以内的概率，记为数值0；反之，将敏感度以外的概率，记为数值1；局部缺陷验证记为DVP，数学表达形式为：其中

将结果图像集中结果图的全部局部图像的标记值累加起来作为评价大尺度结果图的图像缺陷评价分数，表达式如下：其中ES

8.根据权利要求7所述的一种集成电路金属封装缺陷检测方法，其特征在于，将得到的缺陷评价分数与预设的阈值比较得到最终的检测结果，表达式如下：其中th是训练集中所有合格样本检测为合格的最大缺陷评分阈值，如果待检测金属封装图像的缺陷评价分数大于或等于阈值，则判定对应的金属封装为不合格的样品，若待检测金属封装图像的缺陷评价分数小于阈值，则对应的金属封装为合格的样品。