1.一种基于改进YOLOv3的围巾花纹缺陷检测方法，具体步骤如下，其特征在于：步骤1：获取围巾生产过程中的围巾图像数据：通过CCD相机检测流水线上围巾的运动图像数据；

步骤2：将围巾模糊运动图像复原：建立围巾运动时检测的数学模型，计算图像的扩散函数，使用滤波算法获得复原后的围巾运动图像；

步骤2中复原围巾模糊运动图像的过程表示为：步骤

2.1首先建立CCD相机采集的围巾图像数学模型：

g(x，y)＝f(x，y)*h(x，y)+n(x，y)        (1)式中，g(x,y)是采集到的围巾模糊运动图像，*是卷积运算，f(x,y)是理想的图像，h(x,y)是点扩散函数，n(x,y)是随机引入的加性噪声；

步骤2.2计算点扩散函数：

先将h(x,y)点扩散函数经二维傅里叶转换为H(u，v)，再通过下式求解出点扩散函数的二维傅里叶函数H(u，v)：式中，bx，by是沿x，y方向上的模糊范围；

步骤2.3在确定点扩散函数之后，通过维纳滤波获得复原后的围巾运动图像，其中滤波的表达式为：式中，H(u,v)*是点扩散函数的共轭，Pn(u,v)是围巾模糊图像的功率谱，Pn(u,v)/Pf(u,v)是图像的信噪比；在确定滤波器之后，最终复原围巾运动图像f’(m,n)：‑1

f′(m，n)＝F {G(u，v)M(u，v)}       (4)‑1

式中，G(u,v)是围巾模糊图像经傅里叶变换后的频域表达式，F 是傅里叶逆变换；

步骤3：利用改进的YOLOv3算法检测围巾的花纹边线：为更准确的检测未经的花纹边线，改进YOLOv3的损失函数和网络锚框，检测围巾花纹边线；

步骤3中利用改进的YOLOv3算法检测围巾的花纹边线的过程表示为：网络的损失函数是用来评价模型预测值和真实值不一样的程度，极大的影响了模型的收敛效果，为了更好的收敛模型，使用下列函数替代原有的损失函数：LossGrad＝tan(t‑σ(z))/tan(l)      (5)式中，б(Z)是网络输出值，t是图像标签的实际值，t‑б(Z)取值范围为[‑1,1]；同时为更准确的检测围巾的花纹边线，使用K‑means算法改进YOLOv3网络锚框，为减小检测框的回归难度，通过K‑means得到训练集上的聚类中心，对原始YOLOv3网络的锚框重新设置：d＝1‑IOU(b，a)              (6)其中，IOU是锚框交集和并集的比值，a和b分别表示标签和聚类中心框和聚类中心框，d表示标签框与聚类中心框的重叠度，d越小表示标签框与聚类中心框的重叠度越高，使用聚类中心设置所有的YOLO锚框，大分辨率特征图对应的YOLO层使用小的2个锚框，小分辨率特征图对应的YOLO层使用大的3个锚框；将复原后的围巾图像作为训练样本，训练改进后的YOLOv3网络，获得能检测围巾花纹边线的YOLOv3网络；

步骤4：设置花纹参考线，分割花纹小方格：通过YOLOv3算法定位围巾的花纹边线，并分割出多个围巾花纹小方格；

步骤5：Harris角点检测围巾的瑕疵处：通过Harris角点检测算法检测每个被分割方格的角点，并对花纹边线图像进行配准和拼接，检测出围巾的瑕疵处；

步骤5中Harris角点检测围巾的瑕疵处表示为：

经过步骤4分割多个围巾的花纹边线后，首先将图像进行灰度处理，获得花纹边线的灰度图像，并通过下式判断花纹边线的断点：式中，u，v是窗口在水平和竖直方向的偏移值，M是灰度图像的协方差矩阵：式中，(x，y)是图像的像素坐标，w(x，y)是窗口函数，Ix和Iy分别是图像在x和y方向上的梯度；通过Harris算法最终获得图像对应坐标的角点检测结果，同时对花纹边线图像进行配准和拼接，并通过结果判断在图像上的对应位置是否存在瑕疵。