1.一种用于瑕疵检测的模型建立方法，其特征在于，包括：
建立图像集，所述图像集中包括不同类型的瑕疵；
基于所述图像集和fasterr-cnn搭建瑕疵检测网络模型；
训练所述瑕疵检测网络模型，得到分类检测模型；
其中，所述分类检测模型，用于对待检测图像进行瑕疵检测，输出所述待检测图像中瑕疵的类型、形状和位置。
2.根据权利要求1所述的模型建立方法，其特征在于，所述建立图像集包括：
采集至少一个图像，并对所述图像中的瑕疵采用标签进行标注，得到所述图像集；
其中，所述标签标注有瑕疵的类型、形状和位置信息中的至少一个。
3.根据权利要求1所述的模型建立方法，其特征在于，所述基于所述图像集和fasterr-cnn搭建瑕疵检测网络模型包括：
将所述图像集输入特征金字塔网络，得到第一瑕疵特征图，所述特征金字塔网络采用resnet-50特征提取网络；
将所述第一瑕疵特征图输入先验锚生成网络，构建基于fasterr-cnn的瑕疵检测网络模型。
4.根据权利要求3所述的模型建立方法，其特征在于，所述将所述图像集输入特征金字塔网络，得到第一瑕疵特征图包括：
将所述图像集输入所述特征金字塔网络；
对所述图像集中的标注的瑕疵自下而上做卷积以获取尺寸依次减小的初步瑕疵特征图；
将所有初步瑕疵特征图均进行1*1卷积降维，得到中间瑕疵特征图；
将所有中间瑕疵特征图均自上而下进行上采样，并均与相邻的下一尺寸的中间瑕疵特征图进行融合，得到尺寸依次减小第一瑕疵特征图。
5.根据权利要求4所述的模型建立方法，其特征在于，所述将所述第一瑕疵特征图输入先验锚生成网络，构建基于fasterr-cnn的瑕疵检测网络模型包括：
在尺寸依次减小第一瑕疵特征图中生成候选子区域；
根据每个图像中标签标注的瑕疵的位置，得到真值框；
将每个图像的候选子区域与真值框进行比较，筛选出候选锚；
通过回归调整所述候选锚的形状，使每个图像的候选锚趋近于真值框，得到与所述尺寸依次减小第一瑕疵特征图对应的先验锚；
将所述尺寸依次减小第一瑕疵特征图和所述第一瑕疵特征图对应的先验锚输入预设的分类网络，确定所述瑕疵检测网络模型的参数。
6.根据权利要求5所述的模型建立方法，其特征在于，所述分类网络包括1个池化层和4个全连接层，所述将所述尺寸依次减小第一瑕疵特征图和所述第一瑕疵特征图对应的先验锚输入预设的分类网络，确定所述瑕疵检测网络模型的参数包括：
将所述尺寸依次减小第一瑕疵特征图和所述第一瑕疵特征图对应的先验锚输入至所述池化层，得到尺寸均相同的特征图和与所述特征图对应的先验锚；
将所述尺寸均相同的特征图和与所述特征图对应的先验锚作为第一个全连接层的输入，得到所述第一个全连接层的输出；
将所述第一个全连接层的输出作为第二个全连接层的输入，得到所述第二个全连接层的输出；
将所述第二个全连接层的输出作为第三个全连接层的输入，使所述第三个全连接层通过回归输出每个图像中瑕疵的位置和形状信息；
将所述第二个全连接层的输出作为第四个全连接层的输入，使所述第四个全连接层通过softmax分类输出每个图像中瑕疵的类型信息。
7.根据权利要求1至6任意一项所述的模型建立方法，其特征在于，在训练所述瑕疵检测网络模型的过程中，采用交叉熵损失函数和先验锚的形状预测损失函数对所述瑕疵检测网络模型的训练过程进行约束。
8.一种用于瑕疵检测的模型建立装置，其特征在于，包括：
建立模块，用于建立图像集，所述图像集中包括不同类型的瑕疵；
搭建模块，用于基于所述图像集和fasterr-cnn搭建瑕疵检测网络模型；
训练模块，用于训练所述瑕疵检测网络模型，得到分类检测模型；
其中，所述分类检测模型，用于对待检测图像进行瑕疵检测，输出所述待检测图像中瑕疵的类型、形状和位置。
9.一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至7中的任一项所述的用于瑕疵检测的模型建立方法中的各个步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7中的任一项所述的用于瑕疵检测的模型建立方法中的各个步骤。