1.一种织物疵点检测方法，其特征在于，基于深度学习和支持向量数据描述实现；所述方法包含学习过程和检测过程；

所述学习过程包括：(1)获取多幅无疵点织物图像，对图像进行预处理得到特征向量集；(2)将步骤(1)得到的特征向量集作为深度神经网络的输入，经训练后得到降维后的特征向量集；(3)通过随机漂移粒子群优化算法优化确定支持向量数据描述的参数；

学习过程的步骤(1)具体为：(a)每幅图像与一组Gabor滤波器卷积变换得到多幅滤波图像；(b)计算得到每幅滤波图像的能量图像，按照一定规律将每幅能量图像分成互相重叠的多幅子图像；(c)由每幅子图像所对应的多幅Gabor滤波后的能量图像的所有像素灰度值，得到一个特征向量，由所有子图像得到特征向量集；

所述学习过程中步骤(2)是将步骤(1)得到的特征向量集作为深度神经网络层叠自编码器的输入，训练SAE后得到降维后的特征向量集；所述降维是：采用无监督学习方法，调整每一层的参数，使输出值等于输入值；当隐藏层的神经元个数小于输入层的神经元个数时，隐藏层即为输入层的低维表示，从而实现降维的目的；

所述检测过程包含：(1)对一幅待检测织物图像进行预处理得到特征向量集，具体实现过程同学习过程的步骤(1)，区别在于子图像之间不互相重叠；(2)将每幅子图像对应的特征向量输入到深度神经网络中，得到降维后的特征向量；(3)将降维后的特征向量作为SVDD的输入，得到所对应的子图像中是否有疵点的判别结果。

2.根据权利要求1所述的方法，其特征在于，所述深度神经网络包括层叠自编码器。

3.根据权利要求1所述的方法，其特征在于，所述Gabor滤波器的二维空间域Gabor滤波函数表示为：其中

x′＝xcosθ-ysinθ       (2)y′＝xsinθ+ycosθ      (3)σx和σy分别为高斯窗口在时域x轴与y轴上的标准差；λ为波长，θ为旋转角度。

4.根据权利要求1所述的方法，其特征在于，所述步骤(b)具体是：假设滤波后图像为r(x，y)，其能量图像Er(x，y)由下式得到：其中rRe(x，y)和rIm(x，y)分别为图像r(x，y)的实部和虚部；

能量图像按照从左至右从上至下的方式分成互相重叠的多幅子图像。

5.根据权利要求1所述的方法，其特征在于，所述训练SAE包括预训练过程和微调过程，具体实现如下：a)预训练过程：从第一层开始，利用自编码器的思想，只训练一层的参数，训练后固定该层的参数，以其输出作为下一层的输入，重复这样的过程得到每一层权重；

假设x是自编码器的输入向量，自编码器由下式表示：z＝s(Wx+b)           (5)y＝s(W′z+b′)         (6)其中z是隐藏层的输出，W是权重，b是偏置，y是自编码器的输出，s(·)是sigmoid函数；

自编码器的损失函数定义为：

L(x，y)＝||x-y||2       (7)通过最小化该损失函数，得到隐藏层的参数W和b；

b)微调过程：将SAE最后一层隐藏层的输出作为特征输入到分类器进行分类，通过反向传播算法调整所有层的参数以改善结果；

假设现有n个训练样本为{(x(1)，y(1))，…，(x(n)，y(n))}，通过反向传播算法最小化如下的目标函数：(i) (i)

其中hw，b(x )为第i个输入样本x 的网络实际输出；

使用梯度下降法更新参数W和b，如下式所示：

其中 为第l层第q个神经元与第(l+1)层第p个神经元间的权重， 是第(l+1)层第p个神经元的偏置，α为学习速率。

6.根据权利要求1所述的方法，其特征在于，在学习过程中所述步骤(3)具体包括：最小化如下目标函数：

约束条件为：

||x(i)-a||2≤R2+ξi，ξi≥0        (12)其中x(i)为第i个训练样本，即由学习过程中的步骤(1)和步骤(2)求得的降维后的特征向量，超球体半径为R，球心为a，ξi为松驰变量，C为惩罚参数；

当训练样本非线性可分时，将训练数据用非线性映射投影到高维特征空间，使得这些数据在高维空间中能够线性可分，这样就需引入核函数φ的方法；引入核函数后，式(12)改写为：||φ(x(i))-a||2≤R2+ξi，ξi≥0      (13)通过求解凸二次优化问题确定超球体的球心a和半径R，然后对一个待测试样本t，若样本包含在SVDD超球体范围内，则为无疵点样本；若不满足式(14)，则该样本在SVDD超球体范围外，即为疵点样本：

2 2

||φ(t)-a||≤R          (14)其中，t指待测试样本；σ为高斯核函数φ的参数；

所述参数C的值和核函数φ的参数σ通过使用RDPSO算法优化SVDD的参数获得；

用下式作为目标函数f：

其中wA和wR分别为对应分类准确率acc和超球半径R的权值；分类准确率acc为分类准确的样本与总的样本的比值；

使用RDPSO算法优化SVDD的参数的具体过程描述如下：a)初始化粒子群，包括确定最大迭代次数、搜索空间粒子的维数、粒子的个数、随机初始化粒子的位置；粒子的位置即为SVDD的参数C和σ；

b)求得每个粒子对应的适应度函数值；

c)如果当前为第一次迭代，每个粒子的个体最好位置即为该粒子的初始位置；否则更新每个粒子的个体最好位置和整个粒子群的全局最好位置；

d)如果终止条件满足，则训练结束，整个粒子群的全局最好位置即为最优的一组SVDD的参数C和σ；否则，转到步骤b)。

7.根据权利要求1所述的方法，其特征在于，所述检测过程包括：(1)对一幅待检测织物图像进行预处理得到特征向量集，具体实现过程同学习过程步骤(1)，只是子图像之间不互相重叠；

(2)将每幅子图像对应的特征向量输入到层叠自编码器SAE中，得到降维后的特征向量；

(3)将降维后的特征向量作为支持向量数据描述SVDD的输入，得到所对应的子图像中是否有疵点的判别结果；

对于输入样本，若该样本包含在SVDD超球体范围内，则为无疵点样本；若该样本在SVDD超球体范围外，则为疵点样本。

8.权利要求1～6任一所述方法在纺织领域质量控制方面的应用。