1.一种目标样本瑕疵检测的方法，其特征在于，所述方法包括：捕获所述目标样本的图像信息；依据所述图像信息，对所述图像信息的多维特征参数进行处理，以及构建支持向量用于预设的分类算法进行分类训练，以获得粗略分类结果信息；

其中，所述预设的分类算法包括：

S1、所述分类算法的内部循环为当符合F＞Ft且T＜Tmax时，采用Real  AdaBoost算法训练弱分类器，每次添加新的弱分类器时再判断一次循环条件；

S2、当符合F＞Ft且T＞Tmax时，采用SVM替换当前层的Real  AdaBoost分类器，并使用所述Real  AdaBoost分类器选择的输入向量维度训练SVM，而不计算输入向量的所有维度；

S3、当符合F＞Ft时，则用剩余负样本和所有正样本进行下一层的Real  AdaBoost算法训练，按照步骤S1至S3循环，若不符合，则终止所有训练；

其中，所述T是弱分类器数量，所述Tmax是弱分类器最大数量，所述F是分类器整体误报率，所述Ft是目标误报率；

将所述粗略分类结果信息交互至硬件端，并基于FPGA和OpenCL对循环重复算法进行硬件加速后，以获得精确分类结果信息；其中，所述硬件端在OpenCL框架下，采用c语言开发FPGA模块对软件算法进行硬件加速处理；

输出显示所述精确分类结果信息，对所述精确分类结果信息进行语音播报；

所述预设的分类算法还包括：S4、将每一维特征的取值空间划分为j个不相交的子空间X1...Xj；

S5、计算每个子空间权重分布，

S6、计算每一个弱分类器的输出,其中为一个小的正常量并用于平滑输出，h(χ)为一个分段线性线性函数；

S7、计算归一化因子

S8、选择使z最小的弱分类器h(x)作为迭代选出的弱分类器，Zt＝minZ，h(t)＝argminZ；

S9、更新样本权重，Dt+1(i)＝Dt(i)exp[‑yiht(xi)]；

S10、分类器输出，其中b为阈值；

其中，输入的训练集(x1，y1) ....(xn，yn)，χi是样本的多维特征向量，yi∈{1，‑1}为对应的类别标签,T为弱分类器数量，样本初始权重为输出的强分类器为H(χ)。

2.如权利要求1所述的目标样本瑕疵检测的方法，其特征在于，所述捕获所述目标样本的图像信息包括：采用高速工业相机捕获位于传送带上的所述目标样本的图像信息，所述高速工业相机的像素是630W。

3.如权利要求2所述的目标样本瑕疵检测的方法，其特征在于，所述依据所述图像信息，对所述图像信息的多维特征参数进行处理包括：将所述图像信息交互至UP2，通过OpenCV对所述目标样本的图像信息进行物体特征识别。

4.如权利要求3所述的目标样本瑕疵检测的方法，其特征在于，所述输出显示所述精确分类结果信息，对所述精确分类结果信息进行语音播报包括：所述UP2接收所述精确分类结果信息，通过HDMI转VGA通道，在Qt界面上进行显示，以及AUX交互至扬声器，通过所述扬声器对结果进行语音播报。

5.如权利要求1所述的目标样本瑕疵检测的方法，其特征在于，所述输出显示所述精确分类结果信息包括：基于QT的显示屏面对所述精确分类结果信息进行输出显示。