1.基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，包括：获取待检测墙纸的检测图像，并采用RGB颜色函数对检测图像进行预处理得到预处理图像；

计算预处理图像中像素值小于像素阈值的像素点的占比；

当所述占比大于设定阈值时，采用OTSU阈值分割法对预处理图像进行缺陷分割；

计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；

将所述灰度特征和几何特征输入预先训练的GA-BP神经网络进行检测，得到墙纸中缺陷的类型；

当所述占比小于等于设定阈值时，表明待检测墙纸无缺陷。

2.根据权利要求1所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述RGB颜色函数为：I＝a×R+b×G+c×B

其中，R为检测图像中红色通道分量；G为检测图像中绿色通道分量；B为检测图像中蓝色通道分量；a、b、c均为通道系数。

3.根据权利要求2所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述通道系数a、b、c分别为1、1/5、1/2。

4.根据权利要求1所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述OTSU阈值分割法的计算公式为：其中，σ′G为类间方差；P1、P2分别为像素点被分配到前景、背景区域的概率；n、m分别为P1、P2的加权系数；m1和m2分别为分割后图像前景、背景区域中的像素平均值；mG为整个图像像素均值。

5.根据权利要求1所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述灰度特征为灰度均值，灰度均值的计算公式为：其中，Gm为灰度均值；M为图像像素点行数；N为图像像素点列数；g(i,j)为分割后的缺陷图象(i,j)位置的像素值；i为像素点行坐标；j为像素点列坐标；

所述几何特征包括图像中缺陷部分的面积、周长、最小外接矩形宽、最小外接矩形高、最小外接矩形宽高比、缺陷与最小外接矩形面积比及细度比例；

图像中缺陷部分的面积A的计算公式为：

图像中缺陷部分的周长P的计算公式为：

缺陷与最小外接矩形面积比R的计算公式为：

图像中缺陷部分的细度比例F的计算公式为：

其中，gw(i,j)为缺陷部分像素点；g′w(i,j)为缺陷边缘像素点；W为最小外接矩形宽；H为最小外接矩形高。

6.根据权利要求1-5任一所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，还包括采用遗传算法优化GA-BP神经网络。

7.根据权利要求6所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述采用遗传算法优化GA-BP神经网络包括：S1、获取墙纸多种类型的缺陷图像，每个类型包括若干缺陷图像；

S2、采用RGB颜色函数对所有检测图像进行预处理得到预处理图像，并采用OTSU阈值分割法对预处理图像进行缺陷分割；

S3、计算进行缺陷分割后的图像中缺陷部分的灰度特征和几何特征；

S4、将所有进行缺陷分割后的图像的灰度特征和几何特征输入GA-BP神经网络，得到BP神经网络权值和阈值；

S5、采用BP神经网络预测得到的输出结果与期望输出结果的欧氏距离计算适应度；

S6、采用输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四个部分组成遗传算法的染色体编码；

S7、当适应度大于等于预设误差时，在染色体编码中采用轮盘赌法选择一条染色体进行交叉、变异得到新的染色体；

S8、将新的染色体输入GA-BP神经网络，输出BP神经网络权值和阈值，之后进入步骤S5，直至适应度小于预设误差或者遗传迭代次数大于预设次数；

S9、将最近一次输出的权值和阈值作为最优权值和阈值输入GA-BP神经网络，之后输出GA-BP神经网络的新的权值和阈值；

S10、计算最优权值和阈值与新的权值和阈值之间的误差，当误差不满足设定条件时，返回步骤S8；

S11、当误差满足设定条件或GA-BP神经网络迭代次数大于预设阈值时，采用新的权值和阈值作为GA-BP神经网络的权值和阈值，完成GA-BP神经网络的优化。

8.根据权利要求7所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，所述适应度的计算公式为：其中，A'为适应度；n'为GA-BP神经网络输出神经元个数；yi为第i个输出神经元的期望输出；oi为第i个输出神经元的实际输出。

9.根据权利要求7所述的基于OTSU和GA-BP神经网络墙纸缺陷检测与识别方法，其特征在于，变异过程中采用的遗传变异算子的计算公式为：aij＝aij+(aij-amax)·r

其中，amax为染色体中个体基因aij的最大值；r为[-1,1]的随机数。