1.一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，该基于多阶段卷积神经网络的纱线包覆检测方法包括以下步骤：S1、采集纱线包覆的生产过程数据，并从生产过程数据中筛选出若干因素作为输入变量，同时获取输入变量对应的标签；

S2、利用优化算法对支持向量机模型进行优化，并通过输入变量及对应的标签训练支持向量机模型，得到纱线包覆质量预测模型；

所述利用优化算法对支持向量机模型进行优化，并通过输入变量及对应的标签训练支持向量机模型，得到纱线包覆质量预测模型包括以下步骤：S21、选择支持向量机模型作为基础模型；

S22、利用粒子群优化算法优化支持向量机模型中的参数；

S23、将输入变量作为特征，对应的纱线包覆质量评价作为标签，对优化后的支持向量机模型进行训练；

S24、使用交叉验证评估支持向量机模型的预测性能，确保模型的泛化能力，若达到预先设定的目标，则将训练后的支持向量机模型作为纱线包覆质量预测模型；

S3、构建多阶段卷积神经网络，并结合纱线包覆质量预测模型的输出及图像数据进行纱线包覆的缺陷检测分类；

S4、根据纱线包覆的缺陷检测分类结果，使用差分进化算法优化生产过程中的参数和原材料比例；

其中，所述构建多阶段卷积神经网络，并结合纱线包覆质量预测模型的输出及图像数据进行纱线包覆的缺陷检测分类包括以下步骤：S31、采集纱线包覆生产中的图像数据，基于图像数据，获取对应的标注信息，且图像数据中包括有缺陷的样本和无缺陷的样本，且将图像数据分为训练集和验证集；

S32、构建并训练第一阶段卷积神经网络，识别纱线包覆的初步缺陷；

S33、构建并训练第二阶段卷积神经网络，且结合第一阶段卷积神经网络的输出及纱线包覆质量预测模型的输出，获取最终的纱线包覆缺陷分类结果；

所述构建并训练第二阶段卷积神经网络，且结合第一阶段卷积神经网络的输出及纱线包覆质量预测模型的输出，获取最终的纱线包覆缺陷分类结果包括以下步骤：S331、构建相比于第一阶段卷积神经网络更深层的卷积神经网络，得到第二阶段卷积神经网络；

S332、将第一阶段卷积神经网络的输出及纱线包覆质量预测模型的输出进行融合，并划分融合训练集、融合测试集及融合验证集，且每个样本均有对应的真实缺陷分类标签；

S333、通过融合训练集、融合测试集及融合验证集对第二阶段卷积神经网络进行训练、测试及验证；

S334、将新图像数据的第一阶段卷积神经网络的输出以及新图像数据对应的生产过程数据的纱线包覆质量预测结果进行融合，并代入第二阶段卷积神经网络中，得到最终的纱线包覆缺陷分类结果。

2.根据权利要求1所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述利用粒子群优化算法优化支持向量机模型中的参数包括以下步骤：S221、随机生成若干粒子的位置和速度，每个粒子代表支持向量机模型中的参数；

S222、对于每个粒子，设置支持向量机模型的参数并训练支持向量机模型，同时计算适应度；

S223、每个粒子根据该粒子的适应度与最佳适应度进行比较，更新其个体极值；

S224、在种群中寻找具有最佳适应度的粒子，并将该粒子位置作为全局最优解，更新全局极值；

S225、根据个体极值和全局极值更新每个粒子的速度和位置；

S226、重复S222到S225，直到达到预设的迭代次数。

3.根据权利要求2所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述适应度的计算公式为：；

式中，F表示适应度值；

A表示准确率，B表示F1分数，C表示召回率，D表示精确度；

w1、w2、w3及w4分别表示准确率、F1分数、召回率及精确度的权重。

4.根据权利要求3所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述构建并训练第一阶段卷积神经网络，识别纱线包覆的初步缺陷包括以下步骤：S321、构建基于轻量化结构的卷积神经网络作为第一阶段卷积神经网络；

S322、通过训练集对第一阶段卷积神经网络进行训练，并应用交叉熵损失函数和优化器，且在验证集上评估第一阶段卷积神经网络；

S323、获取新图像数据，并输入第一阶段卷积神经网络，得到初步缺陷的识别结果。

5.根据权利要求1所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述根据纱线包覆的缺陷检测分类结果，使用差分进化算法优化生产过程中的参数和原材料比例包括以下步骤：S41、根据纱线包覆的缺陷检测分类结果，计算缺陷率；

S42、定义适应度函数，用于评估每组生产过程中参数和原材料比例的性能；

S43、使用逻辑混沌序列对差分进化算法的种群进行初始化；

S44、利用变异操作及交叉操作生成新的变异个体及新的后代；

S45、根据适应度函数评估新个体，并使用贪婪策略选择最优个体进入下一代；

S46、根据当前迭代次数，调整缩放因子和交叉概率；

S47、重复执行S44至S46，直到满足停止条件，并从最终种群中选择适应度最高的个体。

6.根据权利要求5所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述根据纱线包覆的缺陷检测分类结果，计算缺陷率包括以下步骤：S411、获取纱线包覆的缺陷检测分类结果中每种缺陷的数量、总缺陷数量及总检测数量；

S412、赋予不同的缺陷对应的权重，并计算加权后的缺陷率；

其中，加权后的缺陷率的计算公式为：

；

式中，Dr表示加权后的缺陷率；

Di表示第i种缺陷的数量，βi表示第i种缺陷的权重；

N表示总检测数量，n表示缺陷类型总数。

7.根据权利要求6所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述使用逻辑混沌序列对差分进化算法的种群进行初始化包括以下步骤：S431、使用逻辑映射方程生成混沌序列，并将混沌序列的值映射到问题解空间的取值范围内；

S432、为种群中的每个个体生成对应的若干解，并构成初始种群，且计算初始种群中每个个体的适应度值；

S433、根据适应度值选择初始种群中的最佳位置，完成种群初始化。

8.一种基于多阶段卷积神经网络的纱线包覆检测系统，用于实现权利要求1‑7任一项所述的基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，该基于多阶段卷积神经网络的纱线包覆检测系统包括输入变量获取模块、质量预测模块、缺陷分类模块及优化生产模块；

其中，所述输入变量获取模块与所述质量预测模块连接，所述质量预测模块与所述缺陷分类模块连接，所述缺陷分类模块与所述优化生产模块连接；

所述输入变量获取模块，用于采集纱线包覆的生产过程数据，并从生产过程数据中筛选出若干因素作为输入变量，同时获取输入变量对应的标签；

所述质量预测模块，用于利用优化算法对支持向量机模型进行优化，并通过输入变量及对应的标签训练支持向量机模型，得到纱线包覆质量预测模型；

所述缺陷分类模块，用于构建多阶段卷积神经网络，并结合纱线包覆质量预测模型的输出及图像数据进行纱线包覆的缺陷检测分类；

所述优化生产模块，用于根据纱线包覆的缺陷检测分类结果，使用差分进化算法优化生产过程中的参数和原材料比例。