1.一种化纤织物表面缺陷检测方法，其特征在于，包括如下步骤：步骤1：收集化纤织物表面图片，将化纤织物图像分为无缺陷和有缺陷两类，并对所有图像进行预处理；

步骤2：构建并训练概率扩散去噪模型，具体步骤如下：步骤2.1：以U‑Net作为概率扩散去噪模型的去噪网络；

步骤2.2：加噪所预定义的方差表为β1＜β2＜…＜βt，其中βt∈(0,1)，时间总步长为T，在每一个时间步t都进行一次根据正态分布N(0,1)进行随机采样的操作，获得新的噪声εt，再根据公式(2)对无缺陷图像X加噪，获得噪声图Xt；

其中Xt‑1表示上一个时间步获得的噪声图；

步骤2.3：重复进行步骤2.2直至时间步长为T，向前过程中关于X的条件概率分布按照公式(3)计算；

其中，函数q表示Xt关于Xt‑1的条件概率分布；

步骤2.4：在步骤2.2中，每一次加噪结束网络都会预测一次噪声ε′t，以公式(4)计算向前过程的损失函数Lforward；

2

Lforward＝||εt‑ε′t||    (4)步骤2.5：将目标图像换成另一张无缺陷图Y，将模型所预测的噪声ε′t加噪到无缺陷图Y，时间步长从T到1，按照公式(5)对无缺陷图Y加噪，获得新的加噪无缺陷图Yt；

步骤2.6：按照公式(6)计算Yt与Xt的像素偏差，并按照公式(7)对网络预测的噪声更新；

Lxy＝Xt‑Yt    (6)

其中，w表示该像素差在噪声中的权重系数；

步骤2.7：根据公式(8)对噪声图像Xt进行反向去噪计算；

其中，σt表示噪声对图片影响的权重，用于增加生成图像的多样性；

步骤2.8：去噪结束后获得重建图X0，使用重建图X0和原图X按照公式(9)计算损失Loss：2

Loss＝(X‑X0)    (9)

步骤2.9：重复步骤2.2到2.8直至概率扩散去噪模型收敛；

步骤3：使用预测的噪声和无缺陷图像对特征提取网络进行微调；

步骤4：使用像素级和特征级比较来确定缺陷位置和大小，并计算缺陷检测的得分，具体步骤为：步骤4.1：将有缺陷的图像输入到训练好的概率去噪扩散模型中获得新的无缺陷图像；

步骤4.2：对新的无缺陷图像和有缺陷的图像使用像素级和特征级比较生成热力图获得缺陷位置和大小，按照公式(11)计算缺陷得分；

其中，v表示Df在缺陷得分中的权重，Dp表示新的无缺陷图像和有缺陷的图像之间的像素差，按照公式(12)进行计算，Df表示新的无缺陷图像和有缺陷的图像使用特征提取网络计算得出的特征差,按照公式(13)计算；

Dp＝|X‑X0|    (12)

进一步的，J为特征提取器提取的特征图数量，θj(X)表示原图X的第j个特征图，θj(X0)表示原图X0的第j个特征图。

2.根据权利要求1所述的一种化纤织物表面缺陷检测方法，其特征在于，所述步骤1)具体步骤如下：步骤1.1：根据式子(1)对所有化纤织物图像进行归一化；

其中，s表示化纤织物图像的像素值；

步骤1.2：根据正态分布N(0,1)进行随机采样生成与原图大小相同且为三通道的噪声ε；

步骤1.3：对于有缺陷的样本图像，准确找到缺陷区域，然后对局部缺陷区域进行标注，具体标注策略为：标注的局部缺陷区域面积不超过缺陷区域总面积的α倍，0<α<1.0。

3.根据权利要求1所述的一种化纤织物表面缺陷检测方法，其特征在于，所述步骤3)具体步骤如下：步骤3.1：构建特征提取网络；

步骤3.2：首先从训练集中抽取图像X，并使用噪声进行扰乱，得到Xt，然后再抽取无缺陷图像Y，给定训练好的去噪模型所预测的噪声ε′t，将扰乱的图像Xt去噪至X0来近似于Y；

步骤3.3：用特征提取网络来提取图像X0和无缺陷图像Y的特征，使用余弦相似度通过最小化两者的特征θ(X0)和θ(Y)来微调网络，按照公式(10)进行损失函数LDA计算：LDA＝1‑cos(θ(X0),θ(Y))    (10)。