1.一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征在于，包括步骤如下：S1:采集多张布匹样本图像；

S2:将多张布匹样本图像，划分为正常图像类、扎洞图像类和浆斑图像类，再将所述多张布匹样本图像以8:1:1的比例分为训练集，验证集和测试集；

S3:将采集的所有布匹样本图像进行预处理；

S4:搭建卷积神经网络模型，利用卷积神经网络自主提取学习样本的最优特征，将卷积神经网络的输出特征图扁平化，依次生成所述训练集，验证集和测试集中每张图像对应的特征Ⅰ，并分别进行保存；

S5:依次提取训练集，验证集和测试集的LBP特征值，分别构造所述训练集，验证集和测试集中每张图像所对应的特征Ⅱ，并分别进行保存；

S6:依次将所述训练集，验证集和测试集中每张图像所对应的特征Ⅰ和特征Ⅱ进行特征融合，生成特征向量，并分别保存；

S7:利用训练集的特征向量对支持向量机进行模型训练，利用带精英策略的趋磁细菌算法优化支持向量机的超参数，并输出最优的超参数所对应的支持向量机的损失曲线Ⅰ；

S8:将验证集的特征向量输入支持向量机中，输出的损失曲线Ⅱ,依据损失曲线Ⅰ和损失曲线Ⅱ，输出支持向量机模型分数，设定判定阈值，当分数小于判定阈值，则进行S9，当分数大于判定阈值，则进行S7；

S9:将测试集的特征向量输入已调优的支持向量机中，输出测试布匹缺陷最大的概率对应的类型作为分类结果。

2.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于：所述图像预处理包括对所述多个布匹样本图像依次进行图像增强，图像分割以及图像去噪处理。

3.根据权利要求2所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于：所述图像增强处理是利用直方图均衡化算子，将布匹样本图像的像素值重新分配；所述图像分割处理是利用基于特征点的分水岭算法将布匹样本图像的缺陷区域与背景进行区分；所述图像去噪是利用高斯滤波消除布匹样本图像噪声点。

4.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于，所述的卷积神经网络，包括4个卷积层，2个池化层和1个扁平层。

5.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于，所述LBP特征值是将一张布匹样本图像划分会若干个子区域，利用LBP算子计算每个子区域的LBP值，组成图像的LBP特征向量。

6.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于，所述特征融合是以最优权重组合特征Ⅰ和特征Ⅱ，最优权重依据所述带精英策略的趋磁细菌算法优化迭代产生。

7.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于，所述带精英策略的趋磁细菌算法包括磁性小体生成算子。

8.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于，所述支持向量机的超参数包括特征Ⅰ的权重值、特征Ⅱ的权重值、模型的惩罚系数和模型的核参数。