1.一种基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，提出一种新的生成对抗性网络模型：阶段噪声增强下的多特征判别网络PNMFD，PNMFD将注意力转移到特征级别，使用阶段噪声来生成伪异常特征，并且生成的伪异常特征共同与多特征判别模块交互，以增强模型对纹理细节的关注。

2.根据权利要求1所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，PNMFD引入分阶段的伪异常生成策略，以减轻生成的样本和真实样本之间的显著差异；在训练过程中，逐步合成不同的噪声以模拟不同阶段的异常图像，生成伪异常特征；同时，在多特征判别模块中，提出一种双重鉴别器，通过添加额外的鉴别分支来增加鉴别器任务的复杂性并提高网络的性能。

3.根据权利要求1或2所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，生成伪异常特征过程中，允许特征重构器逐渐学习更丰富的异常表示，确保模拟异常的丰富性和改进的重构质量。

4.根据权利要求1所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，PNMFD包括主干网络、特征聚合和自适应模块、特征子采样模块、特征重建模块、特征鉴别模块。

5.根据权利要求4所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，主干网络，使用在ImageNet上预训练网络φ来进行特征块的提取，为降低域偏移的l影响，使用网络φ所有层L中的指定层l来进行特征块提取，定义为φ (xi)，其中l∈L；假设输入高为H，宽为W的图片 则提取出的特征图表示为 定义来表示在h∈{1,…,H}，w∈{1,…,W}位置的特征；对于输入特征合并其邻域的特征向量，用p来表示其邻域的patch大小。

6.根据权利要求5所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，特征聚合和自适应模块，使用聚合函数fagg对 领域内的特征聚合得到局部特征tl,i(h,w)的同时，也能够保留原始上下文信息，整体过程定义为：其中，使用自适应平均层作为聚合函数fagg；由于局部特征tl,i(h,w)来自不同的预训练网络层，所以首先将局部特征调整为同样大小，再按照通道层面将其连接，此时所有局部特征的大小调整为特征图最大的尺寸(H0,W0)，特征映射表示为：mi＝fconcate(resize(tl,i,(H0,W0)))之后，使用 表示局部特征，并将其作为网络在(h,w)处的输入；由于预训练网络更加偏向于训练它所使用的数据，因此，采用特征适应器Aψ将局部特征mi(h,w)投影到目标域，此过程定义为：ai(h,w)＝Aψ(mi(h,w))

其中，ai(h,w)即适应特征。

7.根据权利要求6所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，采用单层全连接层作为特征适应器Aψ。

8.根据权利要求6所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，特征子采样模块，使用最小最大值设置核心选择来减少计算成本，降低计算复杂度，得到采样特征集：其中， 是适应特征ai(h,w)组成的适应特征集ai的子集，计算集合ai中每一个点m到子集 内其余所有点n的最小和最大距离，最终ai,c就是得到的核心子采样后的采样特征集。

9.根据权利要求8所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，特征重建模块，包括两个部分：阶段伪异常特征的生成和特征重建；特征重建模块，将重点转移到特征空间，并在不同的训练阶段逐步引入各种特征级噪声，以合成高质量的伪异常特征；同时，将生成对抗性网络的原理与重建网络的目标相结合，将伪异常特征输入到特征重建器Rθ中，以重建采样特征集ai,c中的采样特征ai,c(h,w)；

在阶段伪异常特征的生成阶段，对于采样特征 将鉴别器训练划分为三

个不同的阶段η∈{η1,η2,η3}，分别使用三种不同的噪声向量∈∈{∈1,∈2,∈3}，与采样特征融合为伪异常特征ai,c‑(h,w)：ai,c‑(h,w)＝ai,c+∈

其中，高斯噪声作为∈1，特征扰动噪声作为∈2，使用两者噪声的结合作为∈3；

对于特征重建，结合生成对抗网络和重建网络的思想，提出由多层全连接层构成的特征重构器Rθ作为重建网络；具体即，将伪异常特征ai,c‑(h,w)作为重构器的输入，输出为重构特征 将采样特征ai,c(h,w)设置为重构目标，即重构特征 要尽可能的与采样特征ai,c(h,w)相似；重构过程被定义为：

由于特征重构器的目标是拉近重构特征与采样特征的距离，启到欺骗鉴别器的作用，因此采用MSE损失来约束特征重构器：其中，n是特征数量，在训练过程中，训练的目标是尽可能地使重构损失Lr的值最小化，从而使重构特征 尽可能地接近采样特征ai,c(h,w)，以提高重建网络的性能。

10.根据权利要求9所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，特征鉴别模块，设置一个特征级双重鉴别器Dω，它需要鉴别两组不同的特征，第一‑组为采样特征ai,c(h,w)和伪异常特征ai,c (h,w)，第二组为采样特征ai,c(h,w)和重构特征通过两组输入特征来优化鉴别损失，将特征重构器和双重鉴别器组合作为生成对抗网络，将第一组特征也输入到鉴别器当中，由于伪异常特征接近真实异常特征，进一步帮助鉴别器提升区分正常和异常的能力；

对于每个位置(h,w)的特征，鉴别器期望采样特征的输出为正，期望伪异常特征和重构特征的输出为负；采用两层多层感知器作为双重鉴别器Dω，直接估计特征的正态性评分；

对于双重鉴别器Dω的损失函数，采用截断l1损失来描述两组鉴别损失：

1 + ‑

li＝max(0，λ‑Dω(ai,c(h,w)))+max(0，‑λ+Dω(ai,c‑(h,w)))+ ‑

其中，λ和λ 是防止过拟合的截断项，设置为默认值0.5和‑0.5；双重鉴别器总损失定义

1 2

为每个位置(h,w)处的截断损失li和li的均值：

其中，H0和W0分别是每个位置(h,w)处的局部特征图的高和宽。