1.一种基于FabricMosaic与改进细粒度特征提取网络的瑕疵检测方法，其特征在于，包括：S100、获取布匹图像并建立样本数据集；

S200、采用基于目标前景与布匹纹理背景特征的动态FabricMosaic数据增强策略进行样本扩充，以得到扩充数据集，在样本扩充过程的裁剪中，根据瑕疵目标的形态特征和布匹纹理背景特征的先验信息，动态调整裁剪中心偏移点以确保瑕疵目标的完整性，在样本扩充过程的裁剪方法，包括：计算瑕疵目标像素面积；按照像素量最大瑕疵类的背景占比，动态调整偏移中心点的可移动范围；根据目标偏移量调整裁剪区域的中心点，再计算每个瑕疵目标相对裁剪中心点的距离向量，依据瑕疵目标在裁剪区域四个象限中的分布，动态调整裁剪区域的边界，以确保所有瑕疵目标都包含在裁剪区域内；根据约束公式确保裁剪区域不超出图像边界；通过比例缩放裁剪区域的宽度和高度，以使裁剪后的面积与原始面积一致；

S300、将所述扩充数据集划分为训练集、验证集和测试集；

S400、将训练集中的图像作为YOLOv5s网络模型的输入，经过基于发散路径的特征细粒度增强提取模块进行特征提取后得到全局细粒度特征图，其中，基于发散路径的特征细粒度增强提取模块包括用于将输入特征按照特征通道进行分流处理的信息发送路径，以及用于从分流处理后的特征中提取细粒度特征的特征提取单元；

S500、对于全局细粒度特征图，预测图像中各像素属于待检测物体的概率及物体的边界框信息，生成边界框；

S600、根据所述边界框与对应图片的GT框计算网络损失值，并使用梯度下降法来更新YOLOv5s网络模型的参数；

S700、重复步骤S400‑S600，直到训练集中所有图片都至少输入YOLOv5s网络模型一次；

根据参数更新后的YOLOv5s网络模型对验证集的每张图像进行预测，统计后输出验证集中各个类别的AP值；循环迭代，直至所统计的mAP值稳定在某个值，以得到训练好的YOLOv5s网络模型；

S800、利用测试集对训练好的YOLOv5s网络模型进行测试，并根据测试结果调节YOLOv5s网络模型的参数，以得到最终的YOLOv5s网络模型；

S900、利用最终的YOLOv5s网络模型进行布匹瑕疵的检测。

2.根据权利要求1所述的基于FabricMosaic与改进细粒度特征提取网络的瑕疵检测方法，其特征在于，在计算瑕疵目标像素面积之后并通过KMeans聚类算法，将瑕疵目标按像素面积分为四类，聚类的目标是最小化类内差异平方和，计算公式为：；

；

其中， 为瑕疵目标的像素面积， 为给定图像的宽度， 为给定图像的高度，边界框的相对坐标 ， 是簇 的像素面积均值， 为该簇中的个体面积值。

3.根据权利要求2所述的基于FabricMosaic与改进细粒度特征提取网络的瑕疵检测方法，其特征在于，偏移中心点的可移动范围计算公式为：；

式中： 为偏移中心点可移动范围的宽， 为偏移中心点可移动范围的高， 为聚类后的瑕疵最大像素量， 为调整偏移量， 为检测图像尺寸，为类总数。

4.根据权利要求3所述的基于FabricMosaic与改进细粒度特征提取网络的瑕疵检测方法，其特征在于，根据目标偏移量调整裁剪区域的中心点，裁剪区域中心根据瑕疵目标的分布情况灵活偏移的偏移量为：；

；

其中，动态裁剪区域的中心点为 ， ；

原裁剪区域的中心点为 ，裁剪区域中心根据瑕疵目标的分布情况灵活偏移的偏移量为 ；

计算每个瑕疵目标相对裁剪中心点的距离向量，对于每个瑕疵目标，其约束边界参考点为 ，各象限约束边界参考点为 ，其中 为对应象限序号，则目标约束点相对于各象限约束边界参考点的距离向量 为：；

；

依据瑕疵目标在裁剪区域四个象限中的分布，动态调整裁剪区域的边界，以确保所有瑕疵目标都包含在裁剪区域内，各象限的边界调整按照瑕疵目标分布情况进行扩展，为各象限调整后坐标偏置集合，则：左上象限 ：

；

；

右上象限 ：

；

；

左下象限 ：

；

；

右下象限 ：

；

。

5.根据权利要求4所述的基于FabricMosaic与改进细粒度特征提取网络的瑕疵检测方法，其特征在于，所述约束公式为：；

。

6.根据权利要求5所述的基于FabricMosaic与改进细粒度特征提取网络的瑕疵检测方法，其特征在于，通过比例缩放裁剪区域的宽度和高度，包括：计算原始裁剪区域的面积   和调整后的新面积  ：；

；

若调整后的新面积   大于原始裁剪区域的面积  ，按以下比例缩放裁剪区域以保持原始面积：；

；

；

；

。

7.一种基于FabricMosaic与改进细粒度特征提取网络的瑕疵检测系统，其特征在于，采用如权利要求1‑6中任一项所述的方法，所述系统包括：获取模块，用于获取布匹图像并建立样本数据集；

样本扩充模块，用于采用基于目标前景与布匹纹理背景特征的动态FabricMosaic数据增强策略进行样本扩充，以得到扩充数据集，在样本扩充过程的裁剪中，根据瑕疵目标的形态特征和布匹纹理背景特征的先验信息，动态调整裁剪中心偏移点以确保瑕疵目标的完整性，在样本扩充过程的裁剪方法，包括：计算瑕疵目标像素面积；按照像素量最大瑕疵类的背景占比，动态调整偏移中心点的可移动范围；根据目标偏移量调整裁剪区域的中心点，再计算每个瑕疵目标相对裁剪中心点的距离向量，依据瑕疵目标在裁剪区域四个象限中的分布，动态调整裁剪区域的边界，以确保所有瑕疵目标都包含在裁剪区域内；根据约束公式确保裁剪区域不超出图像边界；通过比例缩放裁剪区域的宽度和高度，以使裁剪后的面积与原始面积一致；

划分模块，用于将所述扩充数据集划分为训练集、验证集和测试集；

特征提取模块，用于将训练集中的图像作为YOLOv5s网络模型的输入，经过基于发散路径的特征细粒度增强提取模块进行特征提取后得到全局细粒度特征图，其中，基于发散路径的特征细粒度增强提取模块包括用于将输入特征按照特征通道进行分流处理的信息发送路径，以及用于从分流处理后的特征中提取细粒度特征的特征提取单元；

边界框生成模块，用于预测全局细粒度特征图中各像素属于待检测物体的概率及物体的边界框信息，生成边界框；

参数更新模块，用于根据所述边界框与对应图片的GT框计算网络损失值，并使用梯度下降法来更新YOLOv5s网络模型的参数；

训练模块，用于重复执行特征提取模块、边界框生成模块和参数更新模块，直到训练集中所有图片都至少输入YOLOv5s网络模型一次；根据参数更新后的YOLOv5s网络模型对验证集的每张图像进行预测，统计后输出验证集中各个类别的AP值；循环迭代，直至所统计的mAP值稳定在某个值，以得到训练好的YOLOv5s网络模型；

测试模块，用于利用测试集对训练好的YOLOv5s网络模型进行测试，并根据测试结果调节YOLOv5s网络模型的参数，以得到最终的YOLOv5s网络模型；

检测模块，用于利用最终的YOLOv5s网络模型进行布匹瑕疵的检测。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储用于设备执行的程序代码，该程序代码包括用于执行如权利要求1‑6中任一项所述方法的步骤。

9.一种电子设备，其特征在于，所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1‑6中任一项所述方法。