1.一种基于分类重加权YOLOv5模型的织物瑕疵检测方法，其特征在于，包括步骤：S1、采集织物图像数据集，并对每张图像中的各瑕疵进行类别、位置的标注；

S2、按预设比例对数据集进行划分，分别得到训练集、验证集、测试集；

S3、使用聚类算法根据训练集中所有图像的目标GT框进行聚类，得到K个先验框；

S4、随机选择训练集中的X张图像作为分类重加权YOLOv5模型的输入，经过主干网络特征提取后得到N个不同尺度的有效特征图，特征融合模块对有效特征图进行融合，以得到N个不同尺度的融合特征图，最后对融合特征图的通道进行调整以获得N个预测特征图；

S5、将K个先验框按照尺度预先均匀分布到N个预测特征图上，然后根据预测特征图上锚点信息对相应的先验框进行调整，得到所有预测框；

S6、根据预测特征图、预测框、相应GT框来计算网络整体损失，并使用梯度下降法来更新分类重加权YOLOv5模型的参数，网络整体损失基于分类损失计算得到，所述分类损失的计算采用梯度引导平衡重加权的均衡损失函数，且在采用均衡损失函数计算正负梯度过程中，忽略低召回率类别作为其他类别的负样本的情况；

S7、重复步骤S4‑S6直到训练集中所有图片都输入模型一次，根据参数更新后的分类重加权YOLOv5模型来对验证集的每张图像进行预测，统计后输出验证集中各个类别的AP值；

S8、重复步骤S7，直至步骤S7中所统计的各个类别的AP值的平均值mAP稳定在某个值，得到训练完成的分类重加权YOLOv5模型；

S9、使用训练完成的分类重加权YOLOv5模型对测试集中所有图像进行预测，得到特征图上的预测框，根据特征图和原图的比例关系，将预测框映射至对应的原图上来定位瑕疵；

所述梯度引导平衡重加权的均衡损失函数，具体为：根据每个分类器累积的正负梯度比，计算得到正、负样本在损失计算中的样本权重，计算公式如下：其中， 表示第t次迭代第j个类别的正样本的权重， 表示第t次迭代第j个类别的负样本的权重， 表示第t次迭代第j个类别的正负梯度比，α、γ、μ均为预设的超参数；

进而，根据正、负样本的权重与交叉熵损失BCEloss计算得到分类损失clsloss，计算公式如下：其中， 为第i个实例在第j类上的实际标签。

2.根据权利要求1所述的一种基于分类重加权YOLOv5模型的织物瑕疵检测方法，其特征在于，步骤S4中，包括步骤：S4.1、随机选取训练集中X张图像，并进行切片处理后，输入主干网络中进行逐级特征提取，从中取出最深层的三个含有不同尺度和通道数的有效特征图，按尺度从小到大分别称为M5特征图、M4特征图、M3特征图；

S4.2、将步骤S4.1中得到的三个有效特征图输入特征融合模块中进行进一步融合，经过自上至下和自下至上的融合加强语义特征和定位特征的融合，以输出P5特征图、P4特征图、P3特征图；

S4.3、将P5特征图、P4特征图、P3特征图的通道数均调整为num_anchor*(5+num_class)，以得到三个预测特征图，num_anchor表示在预测特征图的每个锚点上预设先验框数目，num_class表示预测类别数目。

3.根据权利要求2所述的一种基于分类重加权YOLOv5模型的织物瑕疵检测方法，其特征在于，步骤S4.2中，包括步骤：S4.2.1、将M5特征图经过第一卷积块，得到K5特征图，将K5特征图进行上采样并和M4特征图进行融合，将融合结果依次通过第一瓶颈结构模块和第二卷积块，以得到K4特征图；

S4.2.2、将K4特征图进行上采样并和M3特征图进行融合，将融合结果输入第二瓶颈结构模块，以得到最浅层输出的P3特征图；

S4.2.3、将K4特征图与P3特征图进行融合，将融合结果输入第三瓶颈结构模块，以得到中间层输出的P4特征图；

S4.2.4、将P4特征图进行下采样，并与K5特征图进行融合，将融合结果输入第四瓶颈结构模块，以得到最深层输出的P5特征图。

4.根据权利要求2所述的一种基于分类重加权YOLOv5模型的织物瑕疵检测方法，其特征在于，步骤S5中所述将K个先验框按照尺度预先均匀分布到N个预测特征图上，具体为：将每个预测特征图划分为H×W的网格，其中每个网格单元中心称为锚点，然后在每个锚点上覆盖属于对应预测特征图的K/N个先验框。

5.根据权利要求2所述的一种基于分类重加权YOLOv5模型的织物瑕疵检测方法，其特征在于，步骤S5中所述根据预测特征图上锚点信息对相应的先验框进行调整，得到所有预测框，具体为：预测特征图上每个锚点对应一个num_anchor*(5+num_class)长度的向量，通过对这个向量进行维度拆分，得到对于每个先验框的5+num_class长度的一维调整向量，基于一维调整向量对先验框位置和大小进行调整，得到对应的预测框。

6.根据权利要求1所述的一种基于分类重加权YOLOv5模型的织物瑕疵检测方法，其特征在于，步骤S6中，网络整体损失基于交并比损失、分类损失、目标置信度损失以预设比例加权求和得到。

7.根据权利要求1所述的一种基于分类重加权YOLOv5模型的织物瑕疵检测方法，其特征在于，所述在采用均衡损失函数计算正负梯度过程中，忽略低召回率类别作为其他类别i的负样本的情况，具体为：通过引入低召回率判别函数threshlod和前景判别函数E(pj)，利用低召回率判别函数和前景判别函数对正负样本权重进行更新，使其在更新正负梯度时，不累积低召回率类别样本作为其他类别的负样本的梯度；

其中，若为低召回率类别，低召回率判别函数值为1，若为其他类别，低召回率判别函数值为0；

若为前景，前景判别函数值为1，若非前景，前景判别函数值为0；

对正负样本权重进行更新的具体计算公式为：

其中，weight’表示更新后权重，weight表示更新前权重，更新前权重weight对应正样本的权重为 更新前权重weight对应负样本的权重为 为第i个实例在第j类上的估计概率， 为第i个实例在第j类上的实际标签。

8.根据权利要求1所述的一种基于分类重加权YOLOv5模型的织物瑕疵检测方法，其特征在于，步骤S1与步骤S2之间还包括步骤：使用Mosaic数据增强方法，以实现数据集的扩充。

9.根据权利要求1所述的一种基于分类重加权YOLOv5模型的织物瑕疵检测方法，其特征在于，步骤S2中，所述训练集、验证集、测试集的比例为8:1:1。