1.一种基于改进的YOLOv5的织物瑕疵检测方法，其特征在于，包括以下步骤：(1)收集织物瑕疵数据集，并对数据进行预处理；

(2)使用Kmeans++聚类算法对织物瑕疵数据集中所有瑕疵GT框进行聚类，获得K个先验框；

(3)按照预设比例将扩展织物图像数据集进行划分，获得训练集和验证集；

(4)构建改进的YOLOv5模型：将YOLOv5模型中的在线增强mosic‑4替换成mosic‑9数据增强方式；在特征提取的骨干网络backbone中引入可变形卷积DCNV3；在特征融合的颈部网络Neck中加入卷积注意力模块Biformer；在检测网络head中引入Decoupled_Detect；

(5)将步骤(3)获取的织物瑕疵训练集通过改进的YOLOv5模型训练并通过验证集验证，获得用于织物瑕疵检测的改进的YOLOv5的最优权重模型；

(6)将预处理后的待检测织物瑕疵图片输入最优权重模型进行瑕疵检测；

步骤(4)所述mosic‑9数据增强方法实现过程如下：

首先，选取一张图像开始拼接，从数据集中随机抽取8张图像；然后，将图片统一调整到预设尺寸，新建画布，将第一张图像放在画布的中心位置的位置，对其余8张图像按顺时针方向依次拼接，根据label信息，计算拼接后的GT框；最后，随机选择一个中心点，对拼接的图像与画布进行错位，更新GT框，并对图像进行随机变换，得到最终的9拼的图像；

步骤(4)所述在特征提取的骨干网络backbone中引入可变形卷积DCNV3实现过程如下：将backbone主干网络中的第四层、第六层、第八层中的C3模块替换成DCNV3模块；

步骤(4)所述在特征融合的颈部网络Neck中加入卷积注意力模块Biformer实现过程如下：在检测网络head的第十层下添加注意力Biformer模块，该模块在开始时使用3×3深度卷积隐式编码相对位置信息；然后，依次应用双层路由注意力机制BRA模块和2层扩展比为e的MLP模块进行跨位置关系建模和逐位置嵌入；

在head层的特征融合中引入Efficient解耦头，替换检测网络head的Detcect模块为Decoupled_Detect模块。

2.根据权利要求1所述的一种基于改进的YOLOv5的织物瑕疵检测方法，其特征在于，所述步骤(1)实现过程如下：根据数据集中的图片数据defect_Images和标注信息json文件，转换成对应的GT框信息，得到image和label信息组合成数据集；通过添加高斯噪声和泊松噪声对数据进行扩充；

通过随机改变亮度、对比度和锐度、随机翻转颜色方法，对图像进行像素变换，使数据达到每个瑕疵类之间的平衡。

3.根据权利要求1所述的一种基于改进的YOLOv5的织物瑕疵检测方法，其特征在于，所述步骤(2)实现过程如下：从数据集中随机选择一个点作为第一个聚类中心，根据瑕疵的GT框的宽和高，使用Kmeans++算法进行聚类，得到K个聚类中心，再根据得到的K继续使用聚类算法得到K个先验框。

4.根据权利要求2所述的一种基于改进的YOLOv5的织物瑕疵检测方法，其特征在于，对于标注信息json文件提取GT框的信息，每个目标GT框被标记为(class，x‑center，y‑center，w，h)，class表示目标GT框内所含织物瑕疵的类别，x‑center和y‑center分别表示目标GT框中心点的x坐标和y坐标，w和h表示目标GT框的长和宽。

5.根据权利要求1所述的一种基于改进的YOLOv5的织物瑕疵检测方法，其特征在于，所述DCNV3模块定义如下：其中，G表示group的数量，K表示采样点个数，wg表示每组内共享投影权重，mgk表示第g组第k个采样点的归一化后的调制因子，Δpgk表示第g组的相应采样点的偏移量。

6.一种装置设备，其特征在于，包括存储器和处理器，其中：

存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如权利要求1‑5任一项所述基于改进的YOLOv5的织物瑕疵检测方法的步骤。

7.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1‑5任一项所述基于改进的YOLOv5的织物瑕疵检测方法的步骤。