1.一种织物瑕疵检测模型，其特征在于，包括主干网络、用于对特征图进行降噪处理的冲突过滤残差收缩模块、高效特征金字塔网络和预测头；

主干网络包括依次连接的输入层、集中层、第一卷积瓶颈层、第二卷积瓶颈层、第三卷积瓶颈层、第四卷积瓶颈层和空间金字塔快速池化模块；

高效特征金字塔网络包括依次连接的第一卷积块、第一融合瓶颈层、第一融合卷积层、第二融合瓶颈层、第二卷积块、第二融合卷积层、第三融合瓶颈层、第三卷积块、第四融合瓶颈层、第四卷积块和第五融合瓶颈层，第一融合卷积层和第四融合瓶颈层相连，第一卷积块和第五融合瓶颈层相连；

第一卷积瓶颈层和第二融合卷积层相连，第二卷积瓶颈层分别和冲突过滤残差收缩模块、第二融合瓶颈层相连，第三卷积瓶颈层分别和冲突过滤残差收缩模块、第一融合瓶颈层连接，空间金字塔快速池化模块和第一卷积块相连，第一卷积块经上采样后和第一融合卷积层相连；

冲突过滤残差收缩模块分别和第三融合瓶颈层、第四融合瓶颈层相连；

第三融合瓶颈层、第四融合瓶颈层、第五融合瓶颈层分别与三个预测头连接。

2.根据权利要求1所述的一种织物瑕疵检测模型，其特征在于，冲突过滤残差收缩模块包括输入层、带有激活函数的逐点卷积块、不带有激活函数的卷积块、不带有激活函数的深度卷积块、第一图片相加处理层、SE模块、软阈值化函数层、第二图片相加处理层和第二整流线性单元激活函数；

SE模块包括依次连接的全局平均池化层、第一全连接层、第一整流线性单元激活函数、第二全连接层、第一激活函数层、图片相乘处理层，全局平均池化层和图片相乘处理层相连；

输入层分别和不带有激活函数的卷积块、带有激活函数的逐点卷积块相连，带有激活函数的逐点卷积块分别和不带有激活函数的深度卷积块、第二图片相加处理层相连，不带有激活函数的卷积块、不带有激活函数的深度卷积块均和第一图片相加处理层相连，第一图片相加处理层分别和SE模块的全局平均池化层、软阈值化函数层相连，SE模块的图片相乘处理层、软阈值化函数层、第二图片相加处理层、第二整流线性单元激活函数依次连接。

3.一种织物瑕疵检测模型训练方法，其特征在于，包括以下步骤：

S1、采集若干张带有瑕疵的织物图像，对每张图像进行织物瑕疵数据标注及数据增强处理，以构建织物图像数据集；

S2、使用聚类算法对织物图像数据集中所有图像的目标GT框进行聚类，以得到K个先验框；

S3、按预设比例将织物图像数据集划分为训练集、验证集；

S4、随机选择训练集中的X张图像输入到如权利要求1‑2任一项所述的织物瑕疵检测模型中进行训练，每张织物图像均得到N张训练预测特征图；

S5、将K个先验框按照尺度顺序均匀划分为N组，根据N组先验框的尺度大小和N张训练预测特征图的尺度大小，将N组先验框分别分配到N张训练预测特征图上，并根据训练预测特征图上的锚点信息对相应的先验框进行调整，以得到所有训练预测框；

S6、根据训练预测框、相应GT框计算网络整体损失，并使用梯度下降法来更模型的参数；

S7、重复步骤S4‑S6直至训练集中所有图片都输入模型一次，根据参数更新后的模型来对验证集的每张图像进行预测，根据每张图像的验证预测框和GT框计算验证集中各织物瑕疵类别的精确度值AP，并计算所有精确度值AP的平均精确度值mAP；

S8、重复步骤S7，直到多次计算的平均精确度值mAP等于一个固定值，得到训练完成的模型。

4.根据权利要求3所述的一种织物瑕疵检测模型训练方法，其特征在于，步骤S4包括：S4.1、随机选取训练集中的X张图像，经切片处理后输入至主干网络中进行逐级特征提取，从中取出四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命名为M5特征图、M4特征图、M3特征图、M2特征图；

S4.2、将M4特征图、M3特征图输入冲突过滤残差收缩模块进行处理，以得到K4特征图、K3特征图，将M5特征图、M4特征图、M3特征图、M2特征图、K4特征图、K3特征图均输入至高效特征金字塔网络进行进一步的特征融合，以得到P5融合特征图、P4融合特征图、P3融合特征图；

S4.3、将步骤S4.2得到的P5融合特征图、P4融合特征图、P3融合特征图通过预测头进行通道调整，以获取三个训练预测特征图。

5.根据权利要求4所述的一种织物瑕疵检测模型训练方法，其特征在于，步骤S4.2中将M4特征图、M3特征图输入冲突过滤残差收缩模块进行处理，包括步骤：S4.2.1、将M4特征图分别输入到带有激活函数的逐点卷积块和不带有激活函数的卷积块中处理；

S4.2.2、将带有激活函数的逐点卷积块的输出经过不带有激活函数的深度卷积块处理后，与不带有激活函数的卷积块的输出相加，以获得相加特征图；

S4.2.3、相加特征图上的所有值经过绝对值化处理后，将处理后的相加特征图输入至SE模块中处理，以得到处理后特征图以及特征图的阈值；

S4.2.4、对SE模块输出的处理后特征图和步骤S4.2.2得到的相加特征图上的所有值共同进行降噪的软阈值化处理，以得到经软阈值处理结果；

S4.2.5、将软阈值处理结果和带有激活函数的逐点卷积块输出的结果相加，经第二整流线性单元激活函数处理后输出，以得到K4特征图；

将M3特征图输入冲突过滤残差收缩模块进行与上述M4特征图相同的处理，以得到K3特征图。

6.根据权利要求5所述的一种织物瑕疵检测模型训练方法，其特征在于，降噪的软阈值处理采用的函数为：其中，x表示SE模块输出的处理后特征图和步骤S4.2.2得到的相加特征图上的所有值，y表示x经过软阈值化处理后的输出值，τ表示经SE模块处理后得到的特征图的阈值。

7.根据权利要求5所述的一种织物瑕疵检测模型训练方法，其特征在于，步骤S4.2.3中，相加结果经过绝对值化处理后输入至SE模块中处理，SE模块处理步骤包括：在SE模块中将经绝对值化处理后的相加特征图依次经过全局平均池化层、第一全连接层、第一整流线性单元激活函数、第二全连接层和第一激活函数层处理；

将全局平均池化层输出的特征图和第一激活函数层输出的特征图相乘，以得到相乘特征图，相乘特征图为SE模块输出的处理后的特征图。

8.根据权利要求5所述的一种织物瑕疵检测模型训练方法，其特征在于，步骤S4.2中将M5特征图、M4特征图、M3特征图、M2特征图、K4特征图、K3特征图均输入至高效特征金字塔网络进行进一步的特征融合，以得到P5融合特征图、P4融合特征图、P3融合特征图，包括步骤：S4.2.6、M5特征图经过第一卷积块，得到C5特征图，C5特征图经上采样后和M4特征图共同输入到第一融合瓶颈层中处理，第一融合瓶颈层处理的输出和上采样处理的输出共同输入至第一融合卷积层中处理，以得到C4特征图；

S4.2.7、C4特征图经上采样后和M3特征图共同输入到第二融合瓶颈层中处理，以得到C3特征图；

S4.2.8、C3特征图经过第二卷积块处理、上采样处理后，和M2特征图共同输入到第二融合卷积层中处理，以得到C2特征图；

S4.2.9、C2特征图、C3特征图、K3特征图共同输入到第三融合瓶颈层中处理，以得到P3融合特征图；

S4.2.10、P3特征图经第三卷积块处理后和C4特征图、K4特征图共同输入到第四融合瓶颈层中处理，以得到P4融合特征图；

S4.2.11、P4特征图经第四卷积块处理后和C5特征图共同输入到第五融合瓶颈层中处理，以得到P5融合特征图。

9.根据权利要求3所述的一种织物瑕疵检测模型训练方法，其特征在于，步骤S6包括：S6.1、根据训练预测框、相应GT框计算边界框位置损失、分类置信度损失、边框置信度损失；

S6.2、将边界框位置损失、分类置信度损失、边框置信度损失加权求和，以得到网络整体损失，将整体损失值反向传播至织物瑕疵检测模型中，并使用梯度下降法更新织物瑕疵检测模型的参数。

10.一种织物瑕疵检测方法，其特征在于，包括以下步骤：

A、获取若干张带有瑕疵的待检测织物图像，使用如权利要求3‑9任一项所述的模型训练方法得到的织物瑕疵检测模型对待检测织物图像进行预测，输出N张检测预测特征图；

B、在每张检测预测特征图上根据每个锚点对应的调整向量对先验框进行调整，得到每张图像的初步检测预测框；

C、使用非极大值抑制去除初步检测预测框中的冗余框，得到检测预测特征图上的检测预测框；

D、根据比例关系将检测预测特征图尺度上的检测预测框映射到原图尺度上，以完成对织物瑕疵的检测定位。