1.一种缺陷数据的清洗方法，其特征在于，包括：获取待清洗缺陷数据的多尺度上下文特征、所述待清洗缺陷数据中的初始缺陷区域的频域特征以及所述初始缺陷区域的空间特征，其中所述多尺度上下文特征为语义分割模型识别所述待清洗缺陷数据过程中不同感受野和不同分辨率下的上下文特征，所述频域特征用于反应所述初始缺陷区域或其邻域的缺陷纹理和边缘频率特性，所述空间特征用于分割所述初始缺陷区域与所述待清洗缺陷数据的其他区域；获取所述待清洗缺陷数据的场景特征，其中，所述场景特征用于指示所述待清洗缺陷数据产生时的场景；根据组合特征和敏感度参数，预测所述初始缺陷区域中每一个像素点的清洗阈值，其中，所述组合特征为所述多尺度上下文特征、所述频域特征以及所述空间特征组合得到的特征，所述敏感度参数为根据所述场景特征确定的参数；根据每一个像素点的清洗阈值，对所述初始缺陷区域中的像素点进行清洗，得到清洗后的缺陷数据。
2.根据权利要求1所述的方法，其特征在于，获取待清洗缺陷数据的多尺度上下文特征包括：对所述待清洗缺陷数据的分辨率进行调整，得到多种分辨率的所述待清洗缺陷数据；将每一种分辨率的所述待清洗缺陷数据输入到语义分割模型中，由所述语义分割模型采用不同的感受野对所述待清洗缺陷数据进行特征提取，得到每一种分辨率下不同的感受野对应的上下文特征，以得到所述多尺度上下文特征。
3.根据权利要求1所述的方法，其特征在于，获取待清洗缺陷数据中的初始缺陷区域的频域特征包括：通过小波变换提取所述初始缺陷区域或者所述初始缺陷区域的邻域的特征，得到所述频域特征。
4.根据权利要求1所述的方法，其特征在于，获取所述初始缺陷区域的空间特征包括：在所述初始缺陷区域的内部或边缘使用区域生长算法来分割出边缘像素点；确定所述边缘像素点包围得到的连通域；聚合所述连通域的特征，得到所述空间特征。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：在获取到任意的缺陷数据的多尺度上下文特征之后，将任意的缺陷数据的多尺度上下文特征存储到动态特征库中，其中，所述动态特征库中存储有不同缺陷数据的多尺度上下文特征；在获取到所述待清洗缺陷数据的多尺度上下文特征、所述待清洗缺陷数据中的初始缺陷区域的频域特征以及所述初始缺陷区域的空间特征之后，将所述组合特征与所述动态特征库中的特征进行比对；根据比对结果确定所述组合特征有效或无效。
6.根据权利要求1所述的方法，其特征在于，确定所述敏感度参数包括：根据所述场景特征确定生产时的场景的光照条件和所述待清洗缺陷数据的材质类型；根据所述材质类型，确定出第一敏感度区间；根据所述光照条件，从所述第一敏感度区间中，确定出所述敏感度参数。
7.根据权利要求1所述的方法，其特征在于，所述根据组合特征和敏感度参数，预测所述初始缺陷区域中每一个像素点的清洗阈值包括：将所述组合特征和所述敏感度参数输入到多层感知机中，由所述多层感知机生成每一个像素点与所述敏感度参数相符的清洗阈值。
8.一种缺陷数据的清洗装置，其特征在于，包括：第一获取模块，用于获取待清洗缺陷数据的多尺度上下文特征、所述待清洗缺陷数据中的初始缺陷区域的频域特征以及所述初始缺陷区域的空间特征，其中所述多尺度上下文特征为语义分割模型识别所述待清洗缺陷数据过程中不同感受野和不同分辨率下的上下文特征，所述频域特征用于反应所述初始缺陷区域或其邻域的缺陷纹理和边缘频率特性，所述空间特征用于分割所述初始缺陷区域与所述待清洗缺陷数据的其他区域；第二获取模块，用于获取所述待清洗缺陷数据的场景特征，其中，所述场景特征用于指示所述待清洗缺陷数据产生时的场景；预测模块，用于根据组合特征和敏感度参数，预测所述初始缺陷区域中每一个像素点的清洗阈值，其中，所述组合特征为所述多尺度上下文特征、所述频域特征以及所述空间特征组合得到的特征，所述敏感度参数为根据所述场景特征确定的参数；清洗模块，用于根据每一个像素点的清洗阈值，对所述初始缺陷区域中的像素点进行清洗，得到清洗后的缺陷数据。
9.一种电子设备，其特征在于，包括：至少一个通信接口；与所述至少一个通信接口相连接的至少一个总线；与所述至少一个总线相连接的至少一个处理器；与所述至少一个总线相连接的至少一个存储器，其中，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任意一项中所述的缺陷数据的清洗方法。
10.一种计算机可读的存储介质，其特征在于，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行本申请上述权利要求1至7任一项所述的缺陷数据的清洗方法。
