1.一种半监督目标检测方法，用于检测待测样本图像的缺陷检测框与缺陷类别，其特征在于，包括如下步骤：步骤S1，获取样本图像，包括：缺陷样本图像与待检测样本图像，其中，缺陷样本图像包括带标签的缺陷样本图像与不带标签的缺陷样本图像；其中，标签包括：缺陷检测框与缺陷类别；步骤S2，根据带标签的缺陷样本图像，完成对Teacher模型和目标检测模型的预训练；步骤S2具体包括步骤S21~步骤S24；步骤S21，通过Teacher模型，提取缺陷样本图像的特征作为第一图像特征；步骤S22，选取带标签的缺陷样本图像的第一图像特征，根据目标检测模型，预测缺陷检测框与缺陷类别；步骤S23，根据预测的缺陷检测框与缺陷类别，以及标签，计算带标签数据的损失 ；步骤S24，根据损失 ，修正Teacher模型和目标检测模型的内部参数，从而完成对Teacher模型和目标检测模型的预训练；步骤S3，根据目标检测模型与Student模型，获取每一个缺陷样本图像对应的Teacher模型的检测框和分类结果 与Student模型的检测框和分类结果 ；步骤S3具体包括步骤S31~步骤S33；步骤S31，通过Student模型，提取缺陷样本图像的特征作为第二图像特征；步骤S32，根据预设的映射函数f，对第二图像特征进行映射；步骤S33，将第一图像特征与映射后的第二图像特征输入到目标检测模型中，分别输出Teacher模型的检测框和分类结果 与Student模型的检测框和分类结果 ；其中， 包括：Teacher的模型检测框结果 与分类结果 ， 包括：Student模型的检测框结果 与分类结果 ；步骤S4，根据Teacher模型的检测框和分类结果 与Student模型的检测框和分类结果 ，计算分类结果之间的距离 ；步骤S5，判断距离 与损失 之和 是否收敛，损失 包括：检测框回归损失以及分类损失，若收敛，则表明Teacher模型和Student模型训练完成；否则，返回步骤S1继续执行；步骤S6，将待测样本图像输入到Teacher模型和Student模型中，输出待测样本图像的缺陷检测框与缺陷类别。
2.根据权利要求1所述的一种半监督目标检测方法，其特征在于，映射函数用于避免Scaled-YOLO模型中的参数受到破坏。
3.根据权利要求1所述的一种半监督目标检测方法，其特征在于，目标检测模型为Scaled-YOLO模型。
4.根据权利要求1所述的一种半监督目标检测方法，其特征在于，步骤S5中分类结果之间的距离 为： 其中， 表示欧氏距离。
5.根据权利要求1所述的一种半监督目标检测方法，其特征在于，步骤S6中判断距离 与损失 之和 是否收敛的具体为：获取上一次迭代的 ，若其与本次迭代的 的差的绝对值小于预设固定值，则判定为收敛，否则判定为不收敛。
6.一种半监督目标检测系统，用于执行权利要求1-5任一项所述的方法，其特征在于，系统包括：样本获取模块、预训练模块与半监督目标检测模块；样本获取模块用于获取缺陷样本图像；预训练模块用于完成对Teacher模型和目标检测模型的预训练；预训练模块包括：特征提取网络、神经学习网络与逻辑计算模块；特征提取网络用于提取缺陷样本图像的第一图像特征；神经学习网络用于预测缺陷检测框与缺陷类别；逻辑计算模块用于计算带标签数据的损失 ，以及修正Teacher模型和目标检测模型的内部参数；半监督目标检测模块用于提取缺陷样本图像的第二图像特征，以及输出Teacher模型的检测框和分类结果 与Student模型的检测框和分类结果 ，计算分类结果之间的距离 ，并判断距离 与损失 之和 是否收敛；损失 包括：检测框回归损失以及分类损失；半监督目标检测模块包括：特征提取网络、目标检测模块与逻辑判断计算模块；特征提取网络用于提取缺陷样本图像的第二图像特征；目标检测模块用于输出Teacher模型的检测框和分类结果 与Student模型的检测框和分类结果 ；逻辑判断计算模块用于计算分类结果之间的距离 ，并判断距离 与损失 之和 是否收敛。
