1.一种基于生成对抗网络的布匹瑕疵数据增强方法，其特征在于：所述方法搭建生成对抗网络并训练；

生成对抗网络包括：

一个特征编码模块，用于在降采样过程中提取不同分辨率的特征图，并将图像特征进行编码，得到表示图像风格的均值 和方差 ；对 和 进行单次高斯采样得到风格噪声；

一个瑕疵生成模块，用于将从图像风格均值 与方差 采样得到的风格噪声进行上采样，并在上采样过程中不间断引入特征编码模块提取的特征图，得到合成的瑕疵样本；

瑕疵生成模块包括并列的瑕疵前景生成支路和瑕疵透明度生成支路；

所述瑕疵前景生成支路包括全连接层及6个上采样模块，每个上采样模块的输入输出间设有残差连接层，输入风格噪声 经过全连接层后得到的投影噪声 ，经过6个上采样模块后得到高分辨率特征图，经过Tanh激活函数输出前景图 ；

所述瑕疵透明度生成支路包括全连接层及6个上采样模块，每个上采样模块的输入和输出间设有残差连接层，输入标准正态分布噪声 ，经过6个上采样模块后得到高分辨率特征图，经过Sigmoid激活函数输出透明度图像 ；

得到 ，其中， 为合成瑕疵图， 为特征编

码模块的输入无瑕疵样本， 为瑕疵前景生成支路的输出， 为瑕疵透明度生成支路的输出；

一个鉴别器模块，用于判断输入样本是真实瑕疵样本还是合成瑕疵样本，在模型迭代训练过程中引导瑕疵生成模块合成瑕疵样本；

对于输入的待数据增强的有瑕疵布匹图像，以多层卷积和实例正则化进行多尺度特征提取与风格编码，以空间自适应归一化构建上采样卷积模块，以并行的2个卷积支路解耦网络任务，分别对应瑕疵前景和瑕疵透明度的生成，配合透明度控制、瑕疵形态与空间约束，最终得到数据增强后的有瑕疵布匹图片。

2.根据权利要求1所述的一种基于生成对抗网络的布匹瑕疵数据增强方法，其特征在于：所述特征编码模块包括5个卷积块和2个全连接层；

任一卷积块包括标准3×3卷积层、实例归一化层和泄漏线性激活函数层；

5个卷积块分别输出五个不同分辨率下的特征图 、 、 、 和 ，同时将 输入到两个并行的256维全连接层，分别计算出图像风格均值向量 和方差向量 。

3.根据权利要求1所述的一种基于生成对抗网络的布匹瑕疵数据增强方法，其特征在于：所述上采样模块包括由两个串联的卷积块构成，每个卷积块包括依次设置的SPADE层、非线性激活函数ReLU和标准3×3卷积。

4.根据权利要求2所述的一种基于生成对抗网络的布匹瑕疵数据增强方法，其特征在于：所述瑕疵生成模块的输入包括由特征编码模块得到的256维风格噪声 、特征编码模块中间层输出的特征图 、 、 、 和 及从预设瑕疵样本库中随机采样得到的瑕疵掩膜图 ；

将由风格噪声 输入对应的全连接层得到的投影噪声 及标准正态分布噪声分别输入对应的生成支路中6个上采样模块进行解码，同时在上采样模块输入瑕疵掩膜图引导解码；顺次在前5个上采样模块的输出端分别拼接特征图 、 、 、 、 ，作为下一级上采样模块的输入；对于瑕疵前景生成支路，特征图经过最后一个上采样模块将维度压缩到3维，经过对应的激活函数输出；对于瑕疵透明度生成支路，特征图经过最后一个上采样模块将维度压缩到1维，经过对应的激活函数输出。

5.根据权利要求1所述的一种基于生成对抗网络的布匹瑕疵数据增强方法，其特征在于：所述鉴别器模块包括三条并行支路 、 和 ，任一支路包括输入层和若干模块 ，所述模块 包括顺次设置的标准3×3卷积层、实例归一化层和泄露非线性激活函数层；

支路 中，模块 为3个，用于接收原始尺寸W×H的图像，进行鉴别；

支路 中，模块 为2个，用于接收尺寸为(W/2)×(H/2)的图像，进行鉴别；

支路 中，模块 为1个，用于接收尺寸为(W/4)×(H/4)的图像，进行鉴别。

6.根据权利要求1所述的一种基于生成对抗网络的布匹瑕疵数据增强方法，其特征在于：所述生成对抗网络的训练包括以下步骤：步骤1.1：设计损失函数；

步骤1.2：数据集制作与增强，得到瑕疵数据集 和无瑕疵布匹数据集 ；

步骤1.3：采用Adam优化器对网络模型参数进行优化，使用损失函数 训练瑕疵前景生成支路，使用损失函数 训练瑕疵透明度生成支路，在反向传播过程中优化瑕疵透明度生成支路。

7.根据权利要求6所述的一种基于生成对抗网络的布匹瑕疵数据增强方法，其特征在于：，

，

最终的损失函数 ；

其中 表示从真实瑕疵数据分布 采样得到的真实瑕疵样本， 表示从标准正态分布采样得到的随机噪声，表示从瑕疵生成器数据分布 采样得到的合成瑕疵样本，表示鉴别器， 表示生成器， 表示从真实瑕疵掩膜数据分布 真实瑕疵掩膜图，表示从瑕疵透明度生成器数据分布 采样得到的合成瑕疵透明度图； 是用于控制合成瑕疵真实度的超参数， 为控制权重惩罚强度的超参数， 是用于控制合成瑕疵透明度图与真实瑕疵掩膜图相似性的超参数。

8.根据权利要求6所述的一种基于生成对抗网络的布匹瑕疵数据增强方法，其特征在于：以训练好的生成对抗网络对布匹瑕疵数据增强包括以下步骤：步骤2.1：对无瑕疵布匹数据集 中的每张图像进行 次随机框选，得到若干256×

256像素的背景图，其中 范围在[2,10]；

步骤2.2：对于每张背景图，从瑕疵数据集 中随机采样得到一张掩模图，将背景图和掩膜图共同输入到瑕疵生成网络模型得到合成瑕疵图；

步骤2.3：将合成瑕疵图贴回到步骤2.1中对应无瑕疵布匹图像的框选区域，得到一张由数据增强产生的有瑕疵布匹图片。