1.基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，包括生成式预训练网络和异常分割网络，其特征在于；
2.根据权利要求1所述的基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，其特征在于：所述s1的生成式预训练网络具体包括以下步骤：
3.根据权利要求2所述的基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，其特征在于：所述s1.3中预训练网络需要在小领域内学习正常图像中各元素间的相对位置关系，所述s1.2的网格掩模的基础上还需要叠加随机位置和更大尺度的大掩模。
4.根据权利要求1所述的基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，其特征在于：所述s2的异常模拟策略具体包括以下步骤：
5.根据权利要求4所述的基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，其特征在于：所述全卷积网络的异常模拟策略分为结构异常模拟和逻辑异常模拟两个支路；
6.根据权利要求5所述的基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，其特征在于：所述逻辑异常模拟中全卷积网络需要利用卷积神经网络提取的深层特征图进行建模，且全卷积网络还需要利用自注意力建模全局范围内所有patch间的稠密关系和利用图卷积建模跨领域的、远程patch间的稀疏关系。
7.根据权利要求6所述的基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，其特征在于：所述稠密关系中，对于编码器输出的深层特征应用自注意力建模全局范围内所有patch间稠密关系的遵从公式为和z＝wdh(x)，其中wd表示稠密相似度矩阵、f(·)和g(·)分别表示特征转换和维度调整函数。
8.根据权利要求6所述的基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，其特征在于：所述稀疏关系中，对于编码器输出的深层特征需要先将其转化为图结构g(v,e)，其中v为节点集合，v＝{vi}i＝1:hw且然后构建图中节点之间的相似度矩阵ws，再借助ws对每一个节点索引与其相似的k各节点建立连接关系，即得到e＝{eij}i＝1:hw,j＝1:k。
9.根据权利要求8所述的基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，其特征在于：所述相似度矩阵ws的构建方法具体包括以下步骤：
10.根据权利要求1所述的基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，其特征在于：所述s3中的优化生成器和判别器分别通过以下公式完成：其中xm为生成器的输入，x为真实图像，最后生成器预训练网络的优化目标表示为：异常分割网络的优化目标表示为：其中α表示为不同损失函数间的平衡因子。