1.一种基于多尺度特征引导与融合的工业异常检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，对工业产品表面缺陷图像进行预处理的具体步骤为：
3.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，模拟异常网络通过对无异常图像进行加噪，并引入多层次的非线性处理和噪声变换生成模拟异常图像。
4.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，多尺度特征提取网络由一个预训练后固定的源网络、一个可训练的用于去除异常的目标网络以及源网络和目标网络之间的用于引导目标网络训练的特征引导模块构成。
5.如权利要求4所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，源网络由单卷积模块、三个不同尺度的瓶颈特征提取模块、全局平均池化层和全连接层组成，目标网络由与源网络相同的两部分结构对称拼接而成，特征引导模块由瓶颈特征提取模块和关键像素强调模块组成。
6.如权利要求5所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，提取模拟异常图像以及训练集中的多尺度特征并进行特征引导的具体步骤为：
7.如权利要求6所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，将提取的多尺度特征进行加权融合的具体步骤为：
8.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，像素级异常评分网络由通道感知空洞空间金字塔池以及评分头组成，其中，通道感知空洞空间金字塔池用于自适应地关注重要的特征通道，评分头用于生成异常检测的评分图。
9.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，利用训练集对初步异常检测模型进行训练过程中，利用针对于距离和方向的多尺度混合训练策略对特征提取网络进行训练；利用超焦点损失和权衡平方损失对像素级异常评分网络进行训练。
10.一种基于多尺度特征引导与融合的工业异常检测系统，其特征在于，包括：