1.一种基于图像处理的木材缺陷检测系统，其特征在于，包括：木材图像数据获取模块，用于从摄像头获取待检测木材的图像；

图像预处理模块，用于对所述待检测木材的图像进行预处理以得到预处理木材图像；

木材图像特征编码模块，用于对所述预处理木材图像进行图像特征编码以得到木材综合特征矩阵；

缺陷结果生成模块，用于基于所述木材综合特征矩阵，用来评估所述待检测木材是否存在缺陷；

其中，所述木材图像特征编码模块，包括：

纹理特征提取单元，用于对所述预处理木材图像进行纹理特征提取以得到木材方向梯度直方图特征矩阵；

木材原始特征提取单元，用于将所述预处理木材图像通过深度可分离卷积神经网络模型以得到木材原始特征矩阵；

特征融合单元，用于融合所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵以得到所述木材综合特征矩阵；

其中，所述纹理特征提取单元，包括：

方向梯度直方图提取子单元，用于从所述预处理木材图像中提取出木材的方向梯度直方图；

空间注意力特征编码子单元，用于将所述木材的方向梯度直方图通过包含空间注意力机制的特征提取器以得到所述木材方向梯度直方图特征矩阵；

其中，所述包含空间注意力机制的特征提取器为使用空间注意力机制的第一卷积神经网络模型，所述深度可分离卷积神经网络模型为作为特征提取器的第二卷积神经网络模型；

其中，所述缺陷结果生成模块，用于：

将所述木材综合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测木材是否存在缺陷；

其中，还包括用于对所述包含空间注意力机制的特征提取器、所述深度可分离卷积神经网络模型和所述分类器进行训练的训练模块；

其中，所述训练模块，包括：

训练木材图像数据获取单元，用于从摄像头获取训练待检测木材的图像，以及，所述训练待检测木材是否存在缺陷的真实值；

训练图像预处理单元，用于对所述训练待检测木材的图像进行预处理以得到训练预处理木材图像；

训练方向梯度直方图提取单元，用于从所述训练预处理木材图像中提取出训练木材的方向提取直方图；

训练空间注意力特征编码单元，用于将所述训练木材的方向梯度直方图通过所述包含空间注意力机制的特征提取器以得到训练木材方向梯度直方图特征矩阵；

训练木材原始特征提取单元，用于将所述训练预处理木材图像通过所述深度可分离卷积神经网络模型以得到训练木材原始特征矩阵；

训练特征融合单元，用于对所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵进行融合以得到训练木材综合特征矩阵；

特征工程过渡因数计算单元，用于计算所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵之间的基于先验的特征工程过渡因数；

分类损失单元，用于将所述训练木材综合特征矩阵通过所述分类器以得到分类损失函数值；

模型训练单元，用于以所述分类损失函数值和所述基于先验的特征工程过渡因数之间的加权和作为损失函数值，对所述包含空间注意力机制的特征提取器、所述深度可分离卷积神经网络模型和所述分类器进行训练；

其中，所述特征工程过渡因数计算单元，包括：以如下计算公式计算所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵之间的基于先验的特征工程过渡因数；

其中，所述计算公式为：

其中，M1表示所述训练木材方向梯度直方图特征矩阵，M2表示所述训练木材原始特征矩阵，表示特征矩阵的按位置相加，表示特征矩阵的按位置相减，表示特征矩阵的Frobenius范数的平方，exp(·)表示矩阵的指数运算，α和λ分别表示超参数，Floss表示所述基于先验的特征工程过渡因数。

2.根据权利要求1所述的基于图像处理的木材缺陷检测系统，其特征在于，所述特征融合单元，用于：以如下融合公式来融合所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵以得到所述木材综合特征矩阵；

其中，所述融合公式为：

其中，Mc为所述木材综合特征矩阵，Ma为所述木材方向梯度直方图特征矩阵，Mb为所述木材原始特征矩阵，表示所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵相对应位置处的元素相加，α和β为用于控制所述木材综合特征矩阵中所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵之间的平衡的加权参数。

3.一种基于图像处理的木材缺陷检测方法，应用于权利要求1所述的基于图像处理的木材缺陷检测系统，其特征在于，包括：从摄像头获取待检测木材的图像；

对所述待检测木材的图像进行预处理以得到预处理木材图像；

对所述预处理木材图像进行图像特征编码以得到木材综合特征矩阵；

基于所述木材综合特征矩阵，用来评估所述待检测木材是否存在缺陷。