1.一种基于弱监督学习的单色布匹瑕疵检测方法，其特征在于：所述方法包括以下步骤：步骤1：采集布匹原始图像并进行预处理；

步骤2：若当前布匹对应类别的正常图像特征库已经存在，则进行下一步，否则对步骤1处理后的图像进行筛选，取若干张无瑕疵图像作为正常图像数据集，建立正常图像特征库；

步骤3：基于正常图像特征库进行异常阈值TH的整定，包括以下步骤：步骤3.1：若当前布匹对应的类型已经计算过异常阈值TH，则直接进行步骤4，否则进行下一步；

步骤3.2：从正常图像特征库中随机挑选1张正常图像A，记其低维特征图为fAL，再从剩余的正常图像特征库中随机选择X张正常图像，将它们作为低维特征图集记为FXL；以式(1)计算低维特征图集FXL与低维特征图fAL在特征图每个像素位置上的平均欧式距离，               (1)

其中，p代表特征图上的每一个像素位置，fAL(p)代表低纬特征图fAL在p位置的特征值，X的取值范围为[0.2×N，0.6×N]，N为正常图像数据集内的图像数；

以dnormal图中的每个像素值代表这些正常图像特征图与fAL在每个像素位置上的相似性，值越小相似度越高；

步骤3.3：重复步骤3.2 M次后，将计算得到的M张dnormal图所有像素均值的两倍设定为异常阈值TH；M的取值范围为[3，10]；

步骤4：提取步骤1处理后的待检测图像的特征；步骤2和4中，以预训练的Resnet‑18网络模型提取图像的特征，取平均池化层输出的高维特征向量和第一个残差块输出的低维特征图进行记录；

步骤5：采用K最近邻算法，在正常图像数据集中检索与待检测图像的相似性最接近的K张无瑕疵图像；

步骤6：计算K张无瑕疵图像与待检测图像间的异常得分；

步骤7：利用异常阈值TH进行阈值分割，得到布匹瑕疵对应的异常区域的分割掩膜图像。

2.根据权利要求1所述的一种基于弱监督学习的单色布匹瑕疵检测方法，其特征在于：所述步骤1中，布匹原始图像以线阵相机进行获取，相机采集每一行各像素点的灰度值，待行数达到设定的竖直分辨率时生成完整的原始图像。

3.根据权利要求2所述的一种基于弱监督学习的单色布匹瑕疵检测方法，其特征在于：先采集分辨率为W×H的布匹原始图像，再使用Lanczos插值方法缩放为(W/2)×(H/2)分辨率，W的取值范围为[2000, 8000]，H的取值范围为[1000, 4000]。

4.根据权利要求1所述的一种基于弱监督学习的单色布匹瑕疵检测方法，其特征在于：所述步骤6中，对于待检测图像B，取K张最近邻的无瑕疵图像的低维特征图集合FKL，以式(2)计算在低维特征图的每一个像素位置上待检测图像特征和K张最近邻的无瑕疵图像特征的平均欧式距离，               (2)

其中，p代表特征图上的每一个像素位置，fBL(p)代表待检测图像的低维特征图在p位置的特征值，danomaly为特征像素距离图，代表这些无瑕疵图像特征图与fBL每个像素位置上的差异程度，值越大则该像素位置处存在布匹瑕疵的可能性越大。

5.根据权利要求4所述的一种基于弱监督学习的单色布匹瑕疵检测方法，其特征在于：将特征像素距离图利用双线性插值方法上采样到原始图像的尺寸，使用高斯滤波器进行平滑处理，降低像素值上的尖锐变化，最终得到与待检测图像尺寸一致的异常得分图。

6.根据权利要求1所述的一种基于弱监督学习的单色布匹瑕疵检测方法，其特征在于：所述步骤7中，以整定的异常阈值TH对异常得分图进行二值化，得到待检测图像中异常区域的分割掩膜图像。