1.一种基于深度学习的筒纱缺陷图像分类方法，其特征在于，包括以下步骤：S1、构建筒纱缺陷图像数据集；

所述步骤S1具体包括如下步骤:

S11、利用工业相机对纺织厂生产线上筒纱进行采集图像，采集过程中不要混入多个筒纱，保证样本纯度；

S12、对采集的数据图像增加白色、黑色、蓝色、绿色四种不同的背景颜色，背景颜色提供主体特征有偏数据分布，增加实用性与适用性；

S13、对上述数据图像进行裁剪、缩放、翻转、移位、旋转、亮度和增加噪声，增强图片数据，得到最终数据集；

S2、构建筒纱缺陷图像特征提取模型结构；

所述步骤S2具体包括如下步骤：

S21：构建以ResNet‑18为基础网络结构模型，对筒纱缺陷图像进行特征提取，具体包括以下步骤：

1)筒纱缺陷图像经过预处理，生成为像素256×像素256的三通道RGB图像，图像数据进入网络后经过一个卷积核为7×7，步距为2的卷积层，经过批归一化处理、激活函数、以及一个3×3的最大池化层下采样；

2)4个残差结构卷积模块进行浅层至深层的特征提取，每个卷积块包括两个残差单元，每个残差单元又包括两个卷积层，即通过堆叠3×3卷积来提取特征信息，每隔两个卷积层引入残差结构；

3)通过1×1的平均池化层下采样，得到图像特征图；

S3、融入Transformer框架，通过语义理解能力，提高模型分类的准确性；

所述步骤S3包括如下步骤：

S31：将图像特征图分成9部分，输入到Transformer编码器中进行全局信息提取；

S32：Transformer编码器内部结构通过层归一化、多头自注意力、多层感知机以及残差连接组成，精确分割提取到的空间信息和全局信息，具体包括以下步骤：

1)自注意力机制由查询矩阵Q，键矩阵K以及值矩阵V组成，自注意力机制公式为：T

QK计算出输入矩阵的注意力分数，缩放因子 提高稳定性，通过Softmax函数将注意力分数转换为概率，乘上值矩阵获得权重矩阵；

2)通过多个自注意力机制拼接成多头注意力，来提高自注意力机制的特征提取能力，公式为：0

MSA(Q,K,V)＝Contact(head1,...headn)WW为权重矩阵，n为多头的数量，默认为6；

3)通过层归一化增加训练收敛速度，残差连接提高信息流；

S33、通过反复堆叠编码器不断地提取全局上下文依赖和聚合特征信息；

S4、融入稳定学习框架，通过傅里叶特征提取层与样本权重学习层，消除背景特征与本质特征的相关联系，提高模型的泛化能力；

所述步骤S4具体包括如下步骤：

S41：通过随机傅里叶特征对核函数进行替换，将输入的特征图从低维空间映射到R维空间，消除表征空间中的相关性，随机傅里叶函数公式为：随机变量ω服从标准正态分布，b在区间[0,2π]内服从均匀分布；

S42：通过计算变量A，B之间的协方差最小值得到样本权重W，随机变量A，B的协方差矩阵公式为：u和v为随机傅里叶特征映射函数，n为数据集样本数目；

*

S43：通过对样本权重W优化得到W ,优化后的权重公式为：为特征z:,i和z:,j的部分协方差矩阵；

S44：在每个训练迭代的结束融合并保存当前的样本特征与权重，在下一个训练迭代开始时重加载，作为训练数据的全局先验知识优化新一轮的样本权重,用于优化样本权重的特征公式为：ZO表示用于优化样本权重的样本特征，WO表示用于优化样本的权重，ZG1,ZG2,...,ZGK表示全局样本特征，WG1,WG2,...,WGK表示全局样本权重，在每轮迭代结束后重新进行更新，代表了筒纱缺陷数据集的全局样本信息，ZL和WL代表当前训练批次的样本特征及样本权重，代表本轮的样本信息；

S5、使用所述步骤S1中的数据集对网络模型进行训练和验证，得到目标识别模型。

2.根据权利要求1所述的基于深度学习的筒纱缺陷图像分类方法，其特征在于，所述步骤S5具体包括如下步骤：S51：使用所述数据集对网络模型进行训练和验证，得到目标识别模型；

S52：结束实验。