1.一种瑕疵检测模型，其特征在于，包括：
神经网络，用于对输入的图片进行特征提取，输出特征图；
权重层，用于与所述神经网络输出的特征图点乘，以提高所述神经网络输出的特征图中存在瑕疵的位置的权重，输出权重调整后的最终特征图；
所述权重层为与所述神经网络输出的特征图的尺寸相同，且矩阵值与所述神经网络输出的特征图的矩阵值关联变化的矩阵。
2.一种瑕疵检测模型的训练方法，其特征在于，包括：
使用如权利要求1所述的瑕疵检测模型对训练集图片进行处理；所述训练集图片包括无瑕疵训练集图片和有瑕疵训练集图片，所述有瑕疵训练集图片标注有瑕疵位置；
将所述瑕疵检测模型输出的各训练集图片对应的最终特征图输入预设的损失函数中；
判断所述损失函数的损失值是否收敛；
若未收敛，根据所述损失值进行反向传播，更新所述瑕疵检测模型中所述神经网络的参数以及所述权重层的矩阵值，并重复上述过程；
若收敛，结束训练，得到训练好的所述瑕疵检测模型。
3.如权利要求2所述的训练方法，其特征在于，所述损失函数为分类损失函数加上瑕疵位置损失函数。
4.如权利要求3所述的训练方法，其特征在于，所述分类损失函数为交叉熵函数或softmax函数。
5.如权利要求3或4所述的训练方法，其特征在于，所述瑕疵位置损失函数为：l＝∑n∈n(tn(p1)-in(p2))2；
所述in表征第n张有瑕疵训练集图片，所述tn表征所述第n张有瑕疵训练集图片对应的最终特征图，所述tn(p1)为最终特征图对应的矩阵中最大值所在位置；所述in(p2)为有瑕疵训练集图片中标注的瑕疵位置；所述n为有瑕疵训练集图片的总数。
6.一种瑕疵检测方法，其特征在于，包括：
将待检测图片输入至如权利要求1所述的瑕疵检测模型中，得到最终特征图；
将所述最终特征图输入至预设的分类器中，得到所述待检测图片的分类结果；
在所述分类结果为存在瑕疵时，输出所述最终特征图对应的矩阵中最大值所在位置。
7.一种瑕疵检测模型的训练装置，其特征在于，包括：第一处理模块、第一输入模块、判断模块以及反向传播模块；
所述第一处理模块，用于使用如权利要求1所述的瑕疵检测模型对训练集图片进行处理；所述训练集图片包括无瑕疵训练集图片和有瑕疵训练集图片，所述有瑕疵训练集图片标注有瑕疵位置；
所述第一输入模块，用于将所述瑕疵检测模型输出的各训练集图片对应的最终特征图输入预设的损失函数中；
所述判断模块，用于判断所述损失函数的损失值是否收敛，在收敛时，结束训练；
所述反向传播模块，用于在未收敛时，根据所述损失值进行反向传播，更新所述瑕疵检测模型中所述神经网络的参数以及所述权重层的矩阵值，并使得所述处理模块、输入模块和判断模块依次重复执行上述过程。
8.一种瑕疵检测装置，其特征在于，包括：第二输入模块、第二处理模块和分类模块；
所述第二输入模块，用于将待检测图片输入至如权利要求1所述的瑕疵检测模型中；
所述第二处理模块，用于通过所述瑕疵检测模型得到最终特征图；
所述分类模块，用于将所述最终特征图输入至预设的分类器中，得到所述待检测图片的分类结果；
所述第二处理模块，还用于在所述分类结果为存在瑕疵时，输出所述最终特征图对应的矩阵中最大值所在位置。
9.一种电子设备，其特征在于，包括数据输入/输出接口、处理器、存储器及通信总线；
所述通信总线用于实现所述数据输入/输出接口、处理器和存储器之间的连接通信；
所述数据输入/输出接口用于获取训练集图片或获取待检测图片；
所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求2-5中任一项所述的瑕疵检测模型的训练方法，或实现如权利要求6所述的瑕疵检测方法。
10.一种可读存储介质，其特征在于，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求2-5中任一项所述的瑕疵检测模型的训练方法，或实现如权利要求6所述的瑕疵检测方法。