1.一种基于神经网络的织物缺陷图像分割方法，其特征在于，包括以下步骤：获取待检测织物表面图像，并根据待检测织物表面图像和预先确定的神经网络，得到织物缺陷激活图像；根据织物缺陷激活图像，得到织物缺陷距离变换图像；根据织物缺陷距离变换图像中的各个像素点的灰度值，得到织物缺陷距离变换图像中的各个像素点的窗口大小；根据织物缺陷距离变换图像中的各个像素点的灰度值和窗口大小，得到织物缺陷距离变换图像中的各个像素点的灰度共生矩阵；根据织物缺陷距离变换图像中的各个像素点的灰度共生矩阵，确定织物能量图像中的各个像素点的能量值，进而得到织物能量图像；根据织物能量图像、织物缺陷距离变换图像和织物表面图像，得到织物缺陷分割图像。2.根据权利要求1所述的基于神经网络的织物缺陷图像分割方法，其特征在于，得到织物缺陷激活图像的步骤包括：根据待检测织物表面图像，获取待检测织物表面图像的各个特征图，进而得到各个特征图的平均激活值；根据前一半特征图的平均激活值，得到织物缺陷激活值；根据织物缺陷激活值、待检测织物表面图像的前一半特征图，前一半特征图的平均激活值，得到织物缺陷激活图像。3.根据权利要求2所述的基于神经网络的织物缺陷图像分割方法，其特征在于，各个特征图的平均激活值的计算公式为：Aa＝GAP(Swish(Feature  map))其中，Aa为特征图的平均激活值，Feature  map为特征图，Swish为激活函数，GAP为全矩平均池化操作。4.根据权利要求2所述的基于神经网络的织物缺陷图像分割方法，其特征在于，织物缺陷激活值的计算公式为：其中，Ca1为织物缺陷激活值，Aai为第i张特征图的平均激活值，N为特征图的数量。5.根据权利要求2所述的基于神经网络的织物缺陷图像分割方法，其特征在于，织物缺陷激活图像的计算公式为：

其中，Map为织物缺陷激活图像，Ca1为织物缺陷激活值，Aai为第i张特征图的平均激活值，Feature  mapi为第i张特征图，N为特征图的数量。6.根据权利要求1所述的基于神经网络的织物缺陷图像分割方法，其特征在于，得到织物缺陷距离变换图像的步骤包括：

根据织物缺陷激活图像，得到织物缺陷二值图像，并确定织物缺陷二值图像中的各个缺陷连通域；对织物缺陷二值图像中的各个缺陷连通域进行筛选，并根据筛选后的织物缺陷二值图像中的各个缺陷连通域和织物缺陷二值图像，得到筛选后的织物缺陷二值图像；对筛选后的织物缺陷二值图像进行距离变换，得到织物缺陷距离变换图像。7.根据权利要求6所述的基于神经网络的织物缺陷图像分割方法，其特征在于，得到织物缺陷距离变换图像中的各个像素点的窗口大小的步骤包括：根据筛选后的织物缺陷二值图像中的各个缺陷连通域，确定织物缺陷距离变换图像中的各个缺陷连通域；根据织物缺陷距离变换图像中的各个缺陷连通域的外接矩形最长边的边长和各个缺陷连通域内的各个像素点的灰度值，得到织物缺陷距离变换图像中各个缺陷连通域内的各个像素点的窗口大小；将织物缺陷距离变换图像中缺陷连通域外的各个像素点的窗口大小置为标准窗口大小。8.根据权利要求7所述的基于神经网络的织物缺陷图像分割方法，其特征在于，织物缺陷距离变换图像中缺陷连通域内的各个像素点的窗口大小的计算公式为：Dk＝round(Grayk*MaxDk)其中，Dk为织物缺陷距离变换图像中缺陷连通域内的第k个像素点的窗口大小，round为向上取整函数，Grayk为第k个像素点的灰度值，MaxDk为第k个像素点所在缺陷连通域的外接矩形最长边的边长。9.根据权利要求1所述的基于神经网络的织物缺陷图像分割方法，其特征在于，织物能量图像中的各个像素点的能量值的计算公式为：其中，ASMk为织物能量图像中的第k个像素点的能量值，Sk(i，j)为第k个像素点所对应的灰度共生矩阵中第i行第j列的元素值，N为灰度共生矩阵的行或列的数量。10.根据权利要求1所述的基于神经网络的织物缺陷图像分割方法，其特征在于，得到织物缺陷分割图像的步骤包括：将织物能量图像、织物缺陷距离变换图像和织物表面图像进行融合，得到织物缺陷表示图像；将织物缺陷表示图像输入至训练好的语义分割神经网络中，得到织物缺陷分割图像。