1.一种基于机器视觉的针织面料瑕疵检测方法，其特征在于，包括：通过高分辨率相机实时采集围巾的生产过程数据，获得第一图像集；所述第一图像集包括围巾生产实时图像和背景动态图像；

构建围巾多尺度边缘检测模型对所述第一图像集进行识别，通过获取不同尺度的标准图像集的图像亮度，根据图像的实际亮度和梯度分布动态调整阈值，生成第一边缘特征集；

将所述背景动态图像和所述第一边缘特征集进行梯度信息融合，构建围巾区域分割模型；通过所述围巾区域分割模型对所述围巾生产实时图像进行分割，获得围巾不同区域时序分割图像集和围巾瑕疵边缘数据；

通过光流法对所述围巾瑕疵边缘数据和所述时序分割图像集进行实时分析，获得围巾时序边缘瑕疵轨迹数据；

构建围巾瑕疵边缘复杂度评估模型对所述围巾时序边缘瑕疵轨迹数据进行分析，通过综合分析瑕疵边缘的轨迹变化幅度、轨迹平滑性以及时序连贯性，获取围巾瑕疵边缘的分形维数；所述围巾瑕疵边缘的分形维数具体计算公式为：；

其中， 为围巾瑕疵边缘的分形维数， 为对数函数， 为分形尺度， 为在尺度 下瑕疵边缘的分割数目， 为瑕疵边缘的轨迹变化幅度系数， 为瑕疵边缘的轨迹平滑性指标；

基于所述围巾瑕疵边缘的分形维数，获取围巾瑕疵边缘的复杂度。

2.根据权利要求1所述的一种基于机器视觉的针织面料瑕疵检测方法，其特征在于：所述围巾多尺度边缘检测模型包括第一图像预处理层、多尺度边缘特征提取层和边缘特征图融合层；

所述第一图像预处理层通过对所述第一图像集中的围巾生产实时图像进行灰度化处理得到第一标准图像集；对所述第一标准图像集进行高斯滤波平滑处理获得第二标准图像集；

所述多尺度边缘特征提取层通过对所述第二标准图像集进行多尺度处理，获得不同尺度的标准图像集；依据边缘检测算法对不同尺度的所述标准图像集进行特征提取，生成初始边缘特征图；对所述初始边缘特征图进行方向和强度分析，获得不同尺度的边缘特征图；

所述边缘特征图融合层通过将不同尺度的所述边缘特征图放大到第一图像集中原始图像大小，获得第一边缘特征集。

3.根据权利要求2所述的一种基于机器视觉的针织面料瑕疵检测方法，其特征在于：所述多尺度处理通过对围巾生产实时的所述第二标准图像集进行高斯金字塔分解，得到不同尺度的标准图像集；

所述边缘检测算法获取不同尺度的标准图像集的图像亮度；

依据所述图像亮度获取不同尺度图像的高阈值和低阈值；

依据所述高阈值、低阈值和图像的梯度强度提取图像中不同尺度的边缘特征；所述边缘检测算法的具体计算公式为：；

其中， 为边缘图像， 为水平方向边缘， 为垂直方向边缘， 为输入图像的灰度值， 为水平方向的梯度， 为垂直方向的梯度， 为边缘梯度强度的高阈值， 为边缘梯度强度的低阈值， 为梯度强度的均值， 为梯度强度的标准差，为梯度强度均值的权重， 为梯度强度标准差的权重， 为高阈值权重。

4.根据权利要求2所述的一种基于机器视觉的针织面料瑕疵检测方法，其特征在于：所述边缘特征图融合层通过引入多尺度融合机制，将不同像素点下提取的边缘特征点按梯度强度加权融合；梯度强度加权融合所述计算公式为：；

其中， 为不同像素点在梯度强度加权融合后的边缘特征点， 为分形尺度， 为尺度的数量， 为第 尺度的权重， 为第 尺度图像， 为第尺度图像， 为高斯滤波器。

5.根据权利要求1所述的一种基于机器视觉的针织面料瑕疵检测方法，其特征在于：所述围巾区域分割模型包括第二图像预处理层、时序边界检测层、时序区域分割层、瑕疵变化分析层和瑕疵边缘数据提取层；

所述第二图像预处理层通过对所述第一图像集中的围巾生产实时图像进行灰度化、去噪和对比度增强，生成标准分割图像集；通过对所述背景动态图像中图像进行差分运算，获得初始瑕疵变化区域；

所述时序边界检测层通过对所述第一边缘特征集和所述背景动态图像进行梯度信息融合，确定围巾区域和非围巾区域，生成围巾时序图像区域的边界；

所述时序区域分割层通过所述围巾时序图像区域的边界进行识别，获得围巾不同区域时序分割图像集；

所述瑕疵变化分析层通过对比正常区域的边缘分布模式，获取第一边缘特征集检测动态变化区域中的异常边缘特征；

所述瑕疵边缘数据提取层通过所述围巾不同区域时序分割图像集，获取瑕疵区域；对所述瑕疵区域的边缘点进行特征分析，生成围巾瑕疵边缘数据；所述围巾瑕疵边缘数据包含瑕疵边缘坐标和边缘特征值。

6.根据权利要求5所述的一种基于机器视觉的针织面料瑕疵检测方法，其特征在于：所述时序区域分割层通过使用分割模型能量函数对围巾区域进行精细化分割，所述能量函数公式为：；

其中， 为分割的总能量， 为图像中的一个像素点， 为图像像素点集合，为对数函数， 像素点 的特征值， 像素点 的分割标签， 为像素特征值 属于分割标签 的概率， 为像素邻域中的两个相邻像素点， 为所有相邻像素对集合， 为确定像素点 和 是否属于相同的分割区域，为指数函数， 像素点 的特征值， 为平滑因子。

7.根据权利要求1所述的一种基于机器视觉的针织面料瑕疵检测方法，其特征在于：通过所述围巾瑕疵边缘数据提取的瑕疵边缘像素点；

通过所述围巾不同区域时序分割图像集获取围巾各区域的时间变化信息；

基于所述瑕疵边缘像素点和围巾各区域的时间变化信息获取瑕疵边缘空间坐标；

基于光流方程得到每个像素点的运动矢量，生成围巾时序边缘瑕疵轨迹数据。

8.一种基于机器视觉的针织面料瑕疵检测系统，其特征在于，包括：数据获取单元，用于通过高分辨率相机实时采集围巾的生产过程数据，获得第一图像集；所述第一图像集包括围巾生产实时图像和背景动态图像；

边缘特征获取单元，用于构建围巾多尺度边缘检测模型对所述第一图像集进行识别，通过获取不同尺度的标准图像集的图像亮度，根据图像的实际亮度和梯度分布动态调整阈值，生成第一边缘特征集；

图像分割单元，用于将所述背景动态图像和所述第一边缘特征集进行梯度信息融合，构建围巾区域分割模型；通过所述围巾区域分割模型对所述围巾生产实时图像进行分割，获得围巾不同区域时序分割图像集和围巾瑕疵边缘数据；

瑕疵轨迹获取单元，用于通过光流法对所述围巾瑕疵边缘数据和所述时序分割图像集进行实时分析，获得围巾时序边缘瑕疵轨迹数据；

瑕疵边缘复杂度获取单元，用于构建围巾瑕疵边缘复杂度评估模型对所述围巾时序边缘瑕疵轨迹数据进行分析，通过综合分析瑕疵边缘的轨迹变化幅度、轨迹平滑性以及时序连贯性，获取围巾瑕疵边缘的分形维数；所述围巾瑕疵边缘的分形维数具体计算公式为：；

其中， 为围巾瑕疵边缘的分形维数， 为对数函数， 为分形尺度， 为在尺度 下瑕疵边缘的分割数目， 为瑕疵边缘的轨迹变化幅度系数， 为瑕疵边缘的轨迹平滑性指标；

基于所述围巾瑕疵边缘的分形维数，获取围巾瑕疵边缘的复杂度。

9.根据权利要求8所述的一种基于机器视觉的针织面料瑕疵检测系统，其特征在于：所述围巾多尺度边缘检测模型包括第一图像预处理层、多尺度边缘特征提取层和边缘特征图融合层；

所述第一图像预处理层通过对所述第一图像集中的围巾生产实时图像进行灰度化处理得到第一标准图像集；对所述第一标准图像集进行高斯滤波平滑处理获得第二标准图像集；

所述多尺度边缘特征提取层通过对所述第二标准图像集进行多尺度处理，获得不同尺度的标准图像集；依据边缘检测算法对不同尺度的所述标准图像集进行特征提取，生成初始边缘特征图；对所述初始边缘特征图进行方向和强度分析，获得不同尺度的边缘特征图；

所述边缘特征图融合层通过将不同尺度的所述边缘特征图放大到第一图像集中原始图像大小，获得第一边缘特征集。

10.根据权利要求8所述的一种基于机器视觉的针织面料瑕疵检测系统，其特征在于：通过所述围巾瑕疵边缘数据提取的瑕疵边缘像素点；通过所述围巾不同区域时序分割图像集获取围巾各区域的时间变化信息；基于所述瑕疵边缘像素点和围巾各区域的时间变化信息获取瑕疵边缘空间坐标；基于光流方程得到每个像素点的运动矢量，生成围巾时序边缘瑕疵轨迹数据。