1.一种基于深度学习的纺织提花缺陷检测方法，其特征在于，该检测方法包括以下步骤：S1、通过信息采集端获取历史纺织提花图像数据，利用高斯滤波去噪的方式对数据实施预处理，并将数据分解为测试集与训练集；

S2、基于深度学习方法结合训练集设计缺陷判别方法，并根据判别方法对测试集进行检测生成缺陷样本；

S3、对待检测的纺织提花图像数据进行对抗训练，生成与缺陷样本相似的数据扩充缺陷样本，并根据缺陷样本建立特征提取模型；

S4、将缺陷特征提取结果映射至模板纺织提花图像数据中分析其几何形状；

S5、将几何形状作为训练数据设计基于神经网络的提花缺陷分类模型；

S6、将构建完成的缺陷特征提取模型及分类模型与管理系统进行连接，实时输出纺织提花缺陷检测与分类结果；

所述将缺陷特征提取结果映射至模板纺织提花图像数据中分析其几何形状包括以下步骤：S41、确定纺织提花图像数据的坐标系，并将缺陷特征提取结果分别与图像坐标系对齐；

S42、通过图像处理技术将缺陷特征提取结果在图像数据上进行绘制标记；

S43、采用迭代阈值法对图像数据进行二值化分割，并采用边界跟踪方法进行边缘提取得到目标完整轮廓的边缘点集；

S44、对边缘点集构成的曲线进行多边形拟合，并对拟合后的多边形进行归一化处理提取几何特征；

S45、计算相应的几何特征参数，并将几何特征参数与几何形状进行比对确定其形状；

所述对边缘点集构成的曲线进行多边形拟合，并对拟合后的多边形进行归一化处理提取几何特征包括以下步骤：S441、设定边缘点集总个数，并根据当前边缘点集的序号给定一个距离阈值，创建一组空的链表；

S442、将每一个边缘点集中的起点与终点作为一条虚拟线段的两个端点，并计算两端点的边缘点该虚拟线段的距离；

S443、若上述距离小于设定的阈值，则将该虚拟线段定位多边形的一条边；

S444、通过上述步骤的处理得到拟合后的多边形顶点的有序集合，并以边界点集的形心到多边形顶点的最大距离作为归一化因子结合计算公式对拟合的多边形进行归一化处理；

S445、对归一化完成的多边形进行几何特征计算，其中几何特征包括面积、长宽及周长。

2.根据权利要求1所述的一种基于深度学习的纺织提花缺陷检测方法，其特征在于，所述对待检测的纺织提花图像数据进行对抗训练，生成与缺陷样本相似的数据扩充缺陷样本，并根据缺陷样本建立特征提取模型包括以下步骤：S31、生成一组包含图嵌入模块、两个生成器、分类器及判别器的样本对抗训练的学习框架；

S32、将纺织提花图像映射至特征空间中，并通过一组生成器生成图像中与缺陷样本相似的合成样本；

S33、通过另一组生成器生成图像中与缺陷样本存在差异的未合成样本，并通过分类器对样本标签进行分类；

S34、根据判别器辨别生成的合成样本与缺陷样本之间的差异，设定一组生成器与判别器进行对抗训练，使生成的合成样本与缺陷样本更贴近，并通过分类器对合成样本与缺陷样本进行训练；

S35、在经过多次迭代训练后将生成的合成样本加入至缺陷样本中；

S36、根据扩充后的缺陷样本构建特征提取模型，输出提取结果，对结果进行重复率检测，并对重复率进行排序，选取重复率排序位于前列的结果生成缺陷特征。

3.根据权利要求1所述的一种基于深度学习的纺织提花缺陷检测方法，其特征在于，所述采用迭代阈值法对图像数据进行二值化分割，并采用边界跟踪方法进行边缘提取得到目标完整轮廓的边缘点集包括以下步骤：S431、将图像数据的最大灰度值和最小灰度值的均值作为灰度阈值的初始估计值，并通过灰度阈值将图像数据像素分为两组；

S432、分别计算两组图像数据像素中的所有像素的平均灰度值；

S433、重复步骤S431与步骤S432进行迭代得到灰度阈值，将大于灰度阈值的像素灰度值设置为指定数值，其余像素的灰度值设为零得到二值图像；

S434、在二值图像的坐标序列上通过大步距的方法找到起始点，并利用小步距顺时针搜索的方法寻找其余边界点，进行重复操作完成边缘点集的提取。

4.根据权利要求1所述的一种基于深度学习的纺织提花缺陷检测方法，其特征在于，所述将几何形状作为训练数据设计基于神经网络的提花缺陷分类模型包括以下步骤：S51、将上述步骤得到的不同几何形状特征作为模型训练样本输入神经网络；

S52、通过依次实施初始化、隐含层及输出层计算、权值计算步骤完成神经网络模型训练；

S53、采用粒子群算法确定神经网络的最优权值与阈值，并计算粒子适应度值，更新粒子速度和位置；

S54、符合终止条件时输出神经网络的权值与阈值优化结果，并构建基于群智优化神经网络的提花缺陷分类模型。

5.根据权利要求4所述的一种基于深度学习的纺织提花缺陷检测方法，其特征在于，所述通过依次实施初始化、隐含层及输出层计算、权值计算步骤完成神经网络模型训练中输出层计算的计算公式为：式中，

f表示隐含层激励函数；

n表示输入层节点数量。

6.根据权利要求4所述的一种基于深度学习的纺织提花缺陷检测方法，其特征在于，所述采用粒子群算法确定神经网络的最优权值与阈值，并计算粒子适应度值，更新粒子速度和位置包括以下步骤：S531、初始化粒子群的相关参数，并获取神经网络拓扑结构，初始化处理神经网络权值与阈值长度；

S532、编码神经网络的阈值与权值，获取粒子群算法的初始种群；

S533、采用粒子群优化神经网络寻优迭代，获取各组粒子的适应度，并通过适应度值确定粒子极值和粒子群极值，其中粒子历史最佳位置为粒子寻优迭代过程中的最佳位置；

S534、通过计算公式更新处理迭代粒子的速度与位置，并判断是否符合终止条件。

7.根据权利要求4所述的一种基于深度学习的纺织提花缺陷检测方法，其特征在于，所述符合终止条件时输出神经网络的权值与阈值优化结果，并构建基于群智优化神经网络的提花缺陷分类模型包括以下步骤：S541、输入涵盖几何特征多边形的样本，并将其分为训练集与测试集；

S542、将训练集进行输入完成神经网络训练，构建基于群智优化神经网络的提花缺陷分类模型；

S543、对构建完成的模型进行测试集输入测试其分类效果，并对其进行更新。

8.一种基于深度学习的纺织提花缺陷检测系统，用于实现权利要求1-7中任一项所述基于深度学习的纺织提花缺陷检测方法，其特征在于，该检测系统包括：数据采集模块、判别模块、建立模块、分析模块、设计模块及连接模块；

其中，所述数据采集模块与所述判别模块连接，所述判别模块与所述建立模块连接，所述建立模块与所述分析模块连接，所述分析模块与所述设计模块连接，所述设计模块与所述连接模块连接；

所述数据采集模块，用于通过信息采集端获取历史纺织提花图像数据，利用去噪的方式对数据实施预处理，并将数据分解为测试集与训练集；

所述判别模块，用于基于深度学习方法结合训练集设计缺陷判别方法，并根据判别方法对测试集进行检测生成缺陷样本；

所述建立模块，用于对待检测的纺织提花图像数据进行对抗训练，生成与缺陷样本相似的数据扩充缺陷样本，并根据缺陷样本建立特征提取模型；

所述分析模块，用于将缺陷特征提取结果映射至模板纺织提花图像数据中分析其几何形状；

所述设计模块，用于将几何形状作为训练数据设计基于神经网络的提花缺陷分类模型；

所述连接模块，用于将构建完成的缺陷特征提取模型及分类模型与管理系统进行连接，实时输出纺织提花缺陷检测与分类结果。