1.一种用于烟草生产线烟丝杂质的在线检测方法，其包括数据降维和烟丝杂质检测两部分，其特征在于，所述在线检测方法包括步骤如下：S1、对成像光谱仪采集的烟丝光谱图像数据进行降维：S11、根据设定的单波段烟丝光谱图像特征值的阈值，剔除成像光谱仪所获得的烟丝光谱图像数据中图像噪声影响大、且含有用信息少的单波段，缩小在烟丝光谱图像数据全波段中的选择范围；

S12、将步骤S11获得的烟丝光谱图像数据，按光谱通道进行等距下采样处理，在经过剔除的烟丝光谱图像数据的波段子集中，等间隔抽取波段，将抽取的波段进行拼接组合，减小波段间的相关性，缩小波段的组合范围；

S13、将步骤S12得到的烟丝光谱图像数据的波段子集进行分组，计算步骤S12得到的波段子集中两波段间的相关系数，得到波段间的相关性，根据波段间的相关系数大小进行分组，连续波段间相关系数均大于设定的相关系数阈值的，分为同一组；

S14、求取步骤S13中各组烟丝光谱图像数据的最佳波段组合，分组计算每一组中波段的标准差和波段间的相关系数，计算各波段组合的最佳波段指数OIF，最佳波段指数最大的组合即为该组的最佳波段组合：

其中，stdevi为某一组中第i个波段的标准差，rij为某一组中第i个波段与第j个波段间的相关系数，m为某一组的最佳波段组合中波段的个数；

S15、对步骤S14得到的各组烟丝光谱图像数据的最佳波段组合进行波段合成，通过拼接组合得到最终的波段组合，最终选出的最佳波段组合的总波段数为各组选出的最佳波段组合的波段数的和；

S2、用深度卷积神经网络对步骤S1处理的烟丝高光谱图像数据进行烟丝杂质检测：S21、构建深度卷积神经网络分类模型的训练集和测试集；

S211、在步骤S15得到的烟丝光谱图像数据的最佳波段组合中选择一张人眼能清楚辨别样本点类别的单波段光谱图像，通过MATLAB在选择的单波段光谱图像上画线标记样本点，样本点分为纸屑、塑料、烟丝和其它四类，每类样本标记一种颜色；

S212、通过MATLAB读取步骤S211标记的每类样本中各点的横纵坐标，得到每类样本点对应位置的各波段灰度值，再除以对应位置在白板上各波段的灰度值，得到对应位置的反射率：

re(x0,y0,b0)＝gray(x0,y0,b0)/white(x0,y0,b0)其中，re(x0,y0,b0)为x0行y0列的点在第b0波段的反射率，gray(x0,y0,b0)为x0行y0列的点在第b0波段的灰度值，white(x0,y0,b0)为x0行y0列的点在第b0波段白板上的灰度值；

S213、将步骤S212得到样本中每类样本点的顺序随机打乱，构建训练集和测试集，训练集和测试集的数量比例为1:9；

S22、设置深度卷积神经网络训练的初始化参数，通过步骤S21得到的训练集和测试集训练样本，得到样本的深度卷积神经网络的分类模型；

S23、用训练好的深度卷积神经网络分类模型对步骤S1得到的烟丝光谱图像数据中所有点进行初次识别，通过训练好的深度卷积神经网络分类模型对烟丝光谱图像数据进行分类，将预测类别相同的点设置成相同颜色，得到烟丝光谱图像数据的分类结果；

S24、通过邻域去散点算法对烟丝高光谱图像数据中的杂质进行剔除；

S241、选取a×a的网格作为选取的邻域范围，其中心点设为散点；

S242、统计步骤S241邻域范围内的b个点位，若统计点位的分类预测标签与中心点位预测标签相同的个数达到设定值，则中心点的预测类别不变，否则中心点预测为烟丝；

S243、通过MATLAB对步骤S242处理的烟丝高光谱图像进行图像处理，通过形态学膨胀和腐蚀操作，填充烟丝高光谱图像中的孔洞。

2.根据权利要求1所述的用于烟草生产线烟丝杂质的在线检测方法，其特征在于，在步骤S1烟丝光谱图像数据降维过程中，所述成像光谱仪采集的烟丝光谱图像数据中，单个波段的特征值越大，该波段图像数据所含有的信息量就越大。

3.根据权利要求1所述的用于烟草生产线烟丝杂质的在线检测方法，其特征在于，所述邻域去散点算法，是通过计算杂质点周围的点中与杂质点类别相同的点的个数来判断杂质点是否为错分的散点，实现对分类出的杂质散点进行剔除。

4.根据权利要求3所述的用于烟草生产线烟丝杂质的在线检测方法，其特征在于，在步骤S24中，对于烟丝光谱图像数据分类结果中的杂质散点，其预测类别与杂质散点周围点的预测类别均不相同，基于邻域去散点算法对其进行剔除，将其预测类别改为其周围多数点的预测类别。