1.一种基于YOLO v4改进算法的织物瑕疵检测方法，其特征在于，包括步骤：S1、采集织物数据集，并对织物数据集进行增强，以得到织物增强数据集；

S2、对织物增强数据集中所有图片中的GT框进行聚类，以得到K个先验框；

S3、将织物增强数据集按预设比例划分为训练集、验证集、测试集；

S4、任意选取训练集中X张图片输入至YOLO v4的主干网络，以输出N个不同尺度的有效特征图，并对有效特征图进行特征融合，以输出N个不同尺度的融合特征图，对融合特征图的通道数进行调整以获取N个训练集网络输出特征图；

S5、将K个先验框平均分配至N个训练集网络输出特征图上，以生成相应训练集候选框；

S6、根据步骤S4中的训练集网络输出特征图对相应训练集候选框进行调整，根据网络输出特征图、调整后训练集候选框以及相应GT框计算网络整体损失，并根据网络整体损失对YOLO v4网络参数进行更新；

S7、通过参数更新后的YOLO v4网络在验证集上计算验证集损失，并根据验证集损失验证YOLO v4网络的拟合状态；

S8、重复步骤S4‑S7，直至步骤S6计算得到的网络整体损失收敛，以得到训练后YOLO v4网络模型；

S9、将测试集中所有图片输入至训练后YOLO v4网络模型进行预测，以获取测试集网络输出特征图，并根据测试集网络输出特征图对预测过程中生成的测试集候选框进行调整，并从所有调整后的测试集候选框中得到最终预测框；

S10、根据测试集网络输出特征图与测试集原图的比例关系，将预测框映射至测试集原图上，以实现在测试集原图上瑕疵的定位；

步骤S4中具体包括以下步骤：

S4.1、任意选取训练集中X张图片输入至YOLO v4的主干网络CSPDarknet‑53中进行初步的特征提取，以输出四个不同尺度的有效特征图，所述主干网络CSPDarknet‑53包括依次相连的五个BottleneckCSP模块，其中第二、第三个BottleneckCSP模块之间连接有Coordinate Attention模块，第五个BottleneckCSP模块后连接有可变形卷积模块，其中BottleneckCSP表示带CSP结构的瓶颈层，CSP为跨阶段局部网络，Coordinate Attention模块为一个轻量级的注意力模块；

S4.2、将四个不同尺度的有效特征图通过轻量化的PANet进行特征融合，以输出尺度从小到大的第一、第二、第三、第四尺度特征图，并对PANet的输出进行自适应加权融合，以得到四个不同尺度的融合特征图，其中PANet表示路径聚合网络；

S4.3、通过YOLO Head将融合特征图的通道数调整为num_anchors*(5+num_classes)，以获取N个训练集网络输出特征图，其中YOLO Head表示预测头，num_anchors表示每个网格上的先验框数目，num_classes表示类别数目。

2.根据权利要求1所述的一种基于YOLO v4改进算法的织物瑕疵检测方法，其特征在于，步骤S1中，使用Mosaic数据对织物数据集进行数据增强，以实现数据集的扩充。

3.根据权利要求1所述的一种基于YOLO v4改进算法的织物瑕疵检测方法，其特征在于，步骤S2具体为：根据GT框标记数据以对GT框进行聚类，GT框标记数据为(c，x1，y1，x2，y2)，c表示GT框内所含物体的类别，x1、y1分别表示GT框内左上角顶点的x坐标和y坐标，x2、y2表示GT框内右下角顶点的x坐标和y坐标。

4.根据权利要求3所述的一种基于YOLO v4改进算法的织物瑕疵检测方法，其特征在于，步骤S2中所述根据GT框标记数据以对GT框进行聚类具体为：采用K‑means聚类方法并根据GT框的宽和高进行聚类，以生成20个聚类后的先验框。

5.根据权利要求1所述的一种基于YOLO v4改进算法的织物瑕疵检测方法，其特征在于，步骤S3中，训练集、验证集、测试集的比例为7:1:2。

6.根据权利要求1所述的一种基于YOLO v4改进算法的织物瑕疵检测方法，其特征在于，步骤S4.2具体包括以下步骤：S4.2.1、将第一尺度特征图经过空间金字塔池化和BottleneckCSP模块，以得到特征图P5，将特征图P5进行上采样并和第二尺度特征图进行堆叠，以得到特征图P4；

S4.2.2、将特征图P4进行上采样并和第三尺度特征图进行堆叠，并将堆叠结果输入BottleneckCSP模块，以得到特征图P3；

S4.2.3、将特征图P3进行上采样并和第四尺度特征图进行堆叠，并将堆叠结果进行三次卷积，以得到特征图P2；

S4.2.4、将特征图P2进行下采样并和特征图P3进行堆叠，并将堆叠结果进行三次卷积，以得到特征图Q3；

S4.2.5、将特征图Q3进行下采样并和特征图P4进行堆叠，并将堆叠结果进行三次卷积，以得到特征图Q4；

S4.2.6、将特征图Q4进行下采样并和特征图P5进行堆叠，并将堆叠结果进行三次卷积，以得到特征图Q5；

S4.2.7、对特征图P2、Q3、Q4、Q5进行自适应加权融合，以得到四个不同尺度的融合特征图。

7.根据权利要求1所述的一种基于YOLO v4改进算法的织物瑕疵检测方法，其特征在于，步骤S5具体为：将K个先验框按照尺寸大小顺序平均分配至N个训练集网络输出特征图，每个尺度的训练集网络输出特征图按照像素划分为不同数量的网格，并根据每个网格中心位置和所分配的先验框尺寸生成相应的候选框。

8.根据权利要求1所述的一种基于YOLO v4改进算法的织物瑕疵检测方法，其特征在于，步骤S6中：所述训练集网络输出特征图包括调整信息、分类置信度、边框置信度；

且，根据调整信息中的偏移信息与宽高调整信息对相应训练集候选框进行调整；

所述根据网络输出特征图、调整后训练集候选框以及相应GT框计算网络整体损失，具体为：根据调整后训练集候选框以及相应GT框计算交并比损失，根据训练集网络输出特征图中包含的每个候选框的分类置信度、边框置信度计算训练集的分类置信度损失、边框置信度损失，并将交并比损失、分类置信度损失、边框置信度损失加权求和以得到网络整体损失。

9.根据权利要求1所述的一种基于YOLO v4改进算法的织物瑕疵检测方法，其特征在于，步骤S9中所述从所有调整后的测试集候选框中得到最终预测框具体包括以下步骤：S9.1、对所有调整后的测试集候选框按照置信度得分进行排序；

S9.2、在所有调整后的测试集候选框中使用非极大值抑制去除冗余框，以得到最终的预测框。