1.一种基于定向空间及多尺度特征提取网络的特征提取方法，其特征在于，包括：获取纺织布匹图像；

利用定向空间及多尺度特征提取模块对所述纺织布匹图像进行特征提取，其中，所述定向空间及多尺度特征提取模块，所述定向空间及多尺度特征提取模块采用多分支并行梯度堆叠的方式编排网络内部特征提取的信息流，在定向空间及多尺度特征提取模块中采用重参数化卷积模块作为分支特征提取组件，所述分支特征提取组件包括结构重参数化卷积RepConv和多尺度坐标权重引导模块，所述结构重参数化卷积RepConv在训练阶段利用多分支结构丰富瑕疵特征图的表达层次，捕获从全局到局部、从小尺度到大尺度的瑕疵特征，并在推理阶段通过重参数化设计将多分支结构转化为单分支形式，所述多尺度坐标权重引导模块通过并行策略，采用多尺度注意力机制分别沿输入特征图的径向、纬向、小目标卷积核和大目标卷积核四个维度进行空间方向聚合特征；

其中，所述结构重参数化卷积RepConv的处理过程包括：

将输入张量通过权重矩阵进行加权求和；

通过批归一化层进行归一化处理；

通过可学习调节参数进行缩放和偏移，以得到提取后的卷积核权重参数与偏置；

所述多尺度坐标权重引导模块的处理过程包括：

将输入特征通过经向、纬向、小尺度和大尺度四个维度进行空间平均池化操作，得到压缩后的空间感知特征；

通过信息编码层对压缩后的空间感知特征进行重新编码和提炼；

采用通道对齐卷积与Sigmod函数对特征信息四个维度的坐标注意力权重进行生成；

将生成的坐标注意力权重应用于输入特征，以实现对各尺度瑕疵特征的增强提取。

2.根据权利要求1所述的基于定向空间及多尺度特征提取网络的特征提取方法，其特征在于，在利用定向空间及多尺度特征提取模块对所述纺织布匹图像进行特征提取之前，还包括：对输入的纺织布匹图像进行预处理，所述预处理包括图像增强和尺寸调整。

3.一种基于定向空间及多尺度特征提取网络的检测系统，其特征在于，包括：特征提取模块，用于采用如权利要求1或2所述的方法进行纺织布匹图像的特征提取；

瑕疵分类和定位模块，用于根据特征提取模块所提取的特征数据进行瑕疵的识别、分类以及定位。

4.根据权利要求3所述的基于定向空间及多尺度特征提取网络的检测系统，其特征在于，还包括：预处理模块，用于在特征提取模块进行特征提取之前，对输入的纺织布匹图像进行预处理，所述预处理包括图像增强和尺寸调整。

5.根据权利要求3所述的基于定向空间及多尺度特征提取网络的检测系统，其特征在于，还包括：显示模块，用于可视化的显示瑕疵的识别、分类以及定位的结果。

6.一种计算机程序产品，其特征在于，所述计算机程序产品内存储有计算机指令，所述计算机指令被处理器执行时实现权利要求1或2所述方法。

7.一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或2所述方法的步骤。

8.一种电子设备，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或2所述方法。