1.一种疵点检测方法，其特征在于，包括如下步骤：

步骤1：在无瑕疵布匹样本库中，在布匹图像上分块操作，得到至少4000张无瑕疵布匹图像块作为训练数据；

步骤2：在有瑕疵布匹样本库中，在布匹图像上使用滑动窗口法进行分块操作，人工将图像块分类，分为有瑕疵图像块和无瑕疵图像块，两种图像块的数量用作测试数据；

步骤3：对步骤1中的训练数据使用Deep SVDD模型进行训练，通过卷积神经网络的特征提取和神经网络的学习可将原始数据映射到高维空间中的一个最小体积超球内，得到高维空间中的一个紧凑的描述，生成Model；

其中，使用Deep SVDD的方法进行训练具体为：

利用CNN提取出无瑕疵图像的特征表示并通过神经网络训练得到高维空间中包含所有样本点的最小体积超球，即所有无瑕疵图像的特征表示均能映射在超球体表面内，得到Deep SVDD模型；

Deep SVDD算法是通过学习网络参数W，将空间A中的样本点，映射到空间B中的超球内，优化目标为：其中n为样本集个数，x1,x2...xn样本数据，W为网络学习参数，c为超球球心， 函数是神经网络参数W的特征表示；第一项中使用了二次损失函数，目标是惩罚所有空间B中的点到球心c的欧式距离；第二项是正则化项，防止网络过拟合的发生，参数λ(λ＞0)控制正l则化的权重，L为网络总的层数，其中l∈{1,...,L}，W为每一层的权重参数，这是基于训练数据完全没有噪点的Deep SVDD硬边界模型，硬边界Deep SVDD是最小化所有数据表示到球心的平均距离来缩小超球；

实际数据中，软边界Deep SVDD是通过惩罚超球的半径R和落在超球体外的数据表示收缩超球，软边界Deep SVDD目标的公式如下：其中n为样本集个数，x1,x2...xn样本数据，W为网络学习参数，c为超球球心， 函数是神经网络参数W的特征表示；

2

软边界Deep SVDD目标公式的第一项中，最小化R可以得到最小化超球体的体积；

软边界Deep SVDD目标公式的第二项是一个针对越界点的惩罚项，超参数ν∈(0,1]控制球的体积和越界点之间的权衡；

软边界Deep SVDD目标公式的第三项是正则化项，防止网络过拟合，参数λ控制正则化l的权重，L为网络总的层数，其中l∈{1,...,L}，W为每一层的权重参数；

步骤4：将测试数据图像使用训练好的Model进行检测，得到异常分数，正常样本映射到超球面的内部，异常分数为负值；异常样本映射到超球面的外部，异常分数为正值；所有测试异常分数将作为测试图像的判定指标；

步骤5：对步骤4测试数据得到的异常分数从高到低进行排序，确定分类阈值，将异常分数大于分类阈值的判定为负样本，小于分类阈值的判定为正样本，判断出所有测试图像的正样本和负样本；

步骤5后计算出AUC值，和当前阈值下的混淆矩阵；

阈值设置采取的方法是：

得到所有测试样本的异常分数后，计算出所有异常分数的97％分位数作为分界阈值，即大于阈值的异常分数判定为瑕疵样本，小于阈值的异常分数判定为无瑕疵样本。

2.根据权利要求1所述的疵点检测方法，其特征在于，步骤1中采用滑动窗口法进行分块操作，具体过程如下：将800×600的原始图像以100×75的窗口做左上至右下进行滑动，宽度方向步长为50，长度方向步长为75，若切割的图像块宽度小于100或高度小于75则去掉该图像块。

3.根据权利要求1所述的疵点检测方法，其特征在于，优化软边界Deep SVDD目标得到* *网络参数W和R使得数据点紧密地映射到超球面的中心范围，并允许一些越界点的存在；通过软边界Deep SVDD得到正常类的一个紧凑的描述。

4.根据权利要求1所述的疵点检测方法，其特征在于，步骤4中的异常分数区分阈值是

0.0086。

5.根据权利要求1所述的疵点检测方法，其特征在于，步骤4中给出测试图像的异常分数具体步骤如下：在映射到空间B的测试数据点，通过点到超球球心的欧式距离，为测试点给定一个异常分数，即：* *

其中W是经过训练的模型网络参数，R是经过训练的超球半径；在硬边界Deep SVDD中，通过第一项 得到异常分数；即所有在超球面外部的点都会得到正的异常分数，而在超球面内部的点都会得到负的异常分数。

6.根据权利要求1所述的疵点检测方法，其特征在于，步骤5中对非常正常的样本、临界的样本、和瑕疵非常明显的样本进行分段采样，操作过程为：先对分块操作得到的4000‑

5000个样本进行异常分数排序，再对排在最前面，中间和后面三段进行采样；采样的目的是直观的观察出，模型给出的分数从最正常到最异常的变化过程。

7.根据权利要求1所述的疵点检测方法，其特征在于，根据权利要求1所述的疵点检测方法，其特征在于，步骤3中的深度卷积神经网络基于Lenet‑5基础上改进，使用5×5的卷积核，采用2×2的最大池化层，同时激活函数的使用改为leaky Relu。