1.一种融合RD++和ResNet50的丝织物瑕疵检测方法，其特征在于，所述ResNet50是ResNet通过堆叠50个残差模块来构建的深层网络，ResNet50分为5个阶段stage，其中Stage 

0的结构为对输入的预处理，后4个Stage1、Stage2、Stage3、Stage4都由瓶颈层Bottleneck组成；Stage 1、Stage2、Stage3、Stage4分别包括3、4、6、3个Bottleneck；RD++由T‑S网络、OCBE模块和多尺度映射层构成，其中，T‑S网络包括教师网络、学生网络，教师网络、学生网络均由ResNet50的Stage 1、Stage2、Stage3构成，OCBE模块包括ResNet50的Stage4，多尺度映射层由L个卷积块Convblocks依次堆叠而成，每个Convblocks由卷积层Convolution、实例归一化层InstanceNorm、泄漏修正线性单元层LeakyReLU组成；所述教师网络分别对输入的正常图像和添加单形噪音Simplex noise生成的伪异常图像进行提取特征，通过两次卷积获得不同特征层的特征，同时将每层的特征传入多尺度映射层对异常信息进行限制后，再将提取到的特征传入OCBE模块进行降维并融合多level的特征；所述学生网络使用与教师网络对称的网络结构，学生网络接收从OCBE模块传来的用于还原正常样本特征的信息，同时通过蒸馏损失进行学习；学生网络训练方式如下：设OCBE模块的输出为 φ ，T‑S网 络中的成对激活对应关系表示为k k

其中I为原始图像，E 和D 分别定义教师网络的第k个编码器和k k k

学生网络中的第k个解码器， 其中C 、H 和W 分别第k层激活张量的通道数量、高度和宽度；

T‑S网络中知识传递通过计算特征张量 沿通道轴沿着的矢量余弦相似性损失，并获得二维异常图k

h和w表示第k个特征图的高度和宽度，M 值越大表示相应位置具有高异常，通过累积多尺度异常图获取蒸馏损失函数来训练学生网络。

2.根据权利要求1所述的一种融合RD++和ResNet50的丝织物瑕疵检测方法，其特征在于，多尺度映射层以自我监督的方式训练，通过最小化概率度量之间的去偏辛克霍恩发散，确保微小批次正常图像中的成对特征空间接近。

3.根据权利要求1所述的一种融合RD++和ResNet50的丝织物瑕疵检测方法，其特征在于，所述OCBE模块采用训练的OCBE来降维并融合多level的特征，包括MFF和OCE；其中，MFF，用于融合多级别特征，为使得特征维度相同，对 应用一个或多个大小为3×3、步长为2的卷积操作对浅层特征进行下采样，然后经过一个1×1的卷积层和带有ReLu激活的批量归一化来获得丰富且紧凑的特征；

OCE，使用一个ResBlock，即ResNet50的Stage4对MMF获得的特征进行降维。

4.根据权利要求3所述的一种融合RD++和ResNet50的丝织物瑕疵检测方法，其特征在于，该方法的损失函数如下：k

蒸馏损失 指导学生网络学习，采用余弦相似性M作为蒸馏损失：其中，K表示用于训练的特征层数量；

自监督最优传输损失 定义如下：

设fi，k是教师网络的第k个stage的第i个训练样本xi的特征输出，i＝[1，...，m]，k＝[1，...，K]，总共m个样本，σ是softmax函数，π是运输计划，C表示在概率分布α和β之间运输单位质量的地面成本ground cost，f为教师网络的特征输出，g是学生网络的特征输出，α和β之间的最佳运输距离为：其中ε和ρ分别是正则化参数和指数项，KL是Kullback‑Leibler散度，定义为：α和β之间的去偏Sinkhorn分歧定义为：

自监督损失定义为：

其中，OTε,ρ(α,β)表示从概率分布α转移到概率分布β的代价， 和是两个概率分布α和β自身的最优输运的一种度量，被减去以减少重复计算；

表示概率分布和的总质量之间的差异，其中<α，1>表示概率分布α的总质量，<β，1>表示概率分布β的总质量，Φk是在教师网络的第k个stage对应的映射层；

重建损失 定义如下：

fi,k、 分别是教师网络的第k个stage正常图像xi和伪异常图像ξi的特征输出：k

fi,k＝E(xi),

重建损失公式如下：

对比损失 公式如下：

5.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1‑4任一所述方法的步骤。