1.一种基于改进的Yolov4网络的布匹瑕疵检测方法，其特征在于，包括S1、采集布匹表面图像信息；

S2、将所述图像信息输入至改进的Yolov4网络模型进行瑕疵检测；

S3、输出检测结果；

其中，所述改进的Yolov4网络模型包括如下建立方法：S21、获取瑕疵布匹图像作为数据集，对数据集进行数据增强；

S22、将增强后的数据集输入Yolov4网络；

S23、对数据集中的检验框进行聚类，以聚类后得到的检验框替换Yolov4网络中的初始检验框；

S24、添加注意力模块；

S25、在Yolov4网络中添加特征输出层104x104；

S26、确定边框损失函数CEIOULOSS；

S27、将数据集输入网络进行训练，以训练好的模型作为改进的Yolov4网络模型；

其中，对数据集进行数据增强的方法包括：S211、将数据集中的瑕疵分类为若干标签；

S212、读取数据集中每一张图片的xml文件，提取每一个检验框所属的标签类别，统计每个类别标签所对应的样本个数；

S213、对于样本个数小于或等于N的标签，依次使用以下六种操作对各样本进行数据增强；对于样本个数大于N的标签，随机选择以下六种操作中的四种对各样本进行数据增强；

其中，N取数据集中样本总数的5％；

操作一、DropOut操作：随机的对图片的20％像素进行舍弃，保留剩下的80％像素值；

操作二、ImpulseNoise操作：将整张图片10％的像素替换为脉冲噪声；

操作三、GayssianBlur操作：对图片进行高斯模糊处理；

操作四、Fliplr操作：将图片镜像翻转；

操作五、Multiply操作：将图片的每个像素乘以预设值；

操作六、Affine操作：对图片进行放大或缩小或平移或旋转；

其中，确定边框损失函数CEIOULOSS的方法包括：S261、计算惩罚项LEIOU：

gt

式中，b代表预测框的中心点，b 代表真实框的中心点，ρ为两个中心点间的欧式距离，c代表能够同时包含预测框和真实框的最小闭包区域的对角线距离，Cw代表覆盖预测框和真实框的最小外接框的宽度，Ch代表覆盖预测框和真实框的最小外接框的高度，IOU为真实框gt gt和预测框的交并比，w代表预测框的宽度，w 代表真实框的宽度，h代表预测框的高度，h 代表真实框的高度；

S262、计算损失函数EIOULOSS：EIOULoss＝1‑LEIOU；

S263、计算边框损失函数CEIOULOSS：CEIOULoss＝3×ln3‑3×ln(2+EIOULoss)。

2.根据权利要求1所述的一种基于改进的Yolov4网络的布匹瑕疵检测方法，其特征在于，对数据集中的检验框进行聚类的方法包括：S231、读取增强后数据集中每一个xml文件中的检验框信息，将所有的检验框大小存进一个数组中；

S232、设置9个点作为中心簇，对其进行聚类；

S233、将聚类所得到的9个中心点作为新的检验框Anchors，替换Yolov4网络中的初始检验框。

3.根据权利要求1所述的一种基于改进的Yolov4网络的布匹瑕疵检测方法，其特征在于，添加注意力模块的方法包括：S241、引入CBAM注意力模块；

S242、基于CBAM注意力模块生成通道注意力图MC(F)：MC(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))；

式中，σ代表sigmoid操作，MLP代表两层卷积操作，AvgPool代表平均池化操作；MaxPool代表最大池化操作，F代表特征图；

S243、基于CBAM注意力模块生成空间注意力图MS(F)：

7×7

Ms(F)＝σ(f ([AvgPool(F)；MaxPool(F)]))；

7×7

式中，σ代表sigmoid操作，f 代表卷积核的大小，AvgPool代表平均池化操作；MaxPool代表最大池化操作，F代表特征图。

4.根据权利要求1所述的一种基于改进的Yolov4网络的布匹瑕疵检测方法，其特征在于，在Yolov4网络中添加特征输出层104x104的方法包括：S251、通过Yolov4网络的PAnet模块对输出的特征进行两次上采样，两次上采样的采样结果分别和倒数第二层、第三层的残差神经网络的输出结合；

S252、进行第三次上采样；

S253、将第三次上采样的采样结果和倒数第四层残差神经网络的输出结合，并组成

104x104的特征输出层，用于供Yolo_Head预测使用。

5.根据权利要求1所述的一种基于改进的Yolov4网络的布匹瑕疵检测方法，其特征在于，还包括S264、将惩罚项重定义为LFocal‑EIOU：LFocal‑EIOU＝IOUγLEIOU；

式中，γ为控制异常值抑制程度的参数。

6.根据权利要求1所述的一种基于改进的Yolov4网络的布匹瑕疵检测方法，其特征在于，步骤S2中进行瑕疵检测时，首先将图片基于resize函数缩小至416x416的大小，再对缩小后比例失真的图片添加灰度条，之后才输入至改进的Yolov4网络模型。