1.基于改进卷积神经网络的布料缺陷太赫兹检测方法，其特征在于，包括：

获取待测布料样品的太赫兹时域光谱信号并进行预处理；

根据预处理后的光谱信号得到待测布料样品的成像图像并进行预处理，根据预处理后的光谱信号反演得到待测布料样品的太赫兹吸收系数，将所述吸收系数和预处理后的成像图像进行融合得到输入数据；

将所述输入数据输入至预先训练好的改进的卷积神经网络模型进行识别分类，得到布料缺陷分类结果；改进的卷积神经网络模型包括依次按照顺序连接的输入层、卷积层、连接层、全局平均池化层和分类层；所述输入层将接收的吸收系数和预处理后的成像图像进行融合得到输入数据，将输入数据输入至卷积层进行特征提取；所述卷积层为多层具有不对称卷积核的卷积块，并在卷积块之间引入跳跃连接；

所述卷积层包括依次按照顺序连接的第一卷积块、池化层、特征融合模块、信息增强模块、两个深度处理模块；

所述特征融合模块接收第一卷积块输出的第一特征图，并分别输入至第一分支和第二分支，第一分支中依次经过第二卷积块和池化层处理得到第一融合特征图，第二分支中经过第三卷积块处理后得到第二融合特征图，第一融合特征图和第二融合特征图共同输入至连接层进行特征融合，得到第二特征图；

所述信息增强模块接收池化层输出的第三特征图并分别输入至第三分支和第四分支，第三分支中第三特征图经过池化层处理后输入至add层，第四分支中第三特征图依次经过池化层和不对称卷积模块处理后得到第一增强特征图，将第一增强特征图输入至第三分支的add层与经过池化层处理后的第三特征图进行特征融合得到第二增强特征图，将第二增强特征图输入至下一个不对称卷积模块进行处理得到第三增强特征图，将第三增强特征图和第二增强特征图共同输入至add层进行特征融合，得到第四特征图；

所述深度处理模块包含第一不对称卷积模块和不对称卷积模块，所述深度处理模块接收信息增强模块输出的第四特征图并分别输入至第五分支和第六分支，第五分支中第四特征图经过池化层处理后输入至add层，第六分支中第四特征图经过第一不对称卷积模块进行处理得到第一深度特征图，将第一深度特征图输入至第五分支的add层与经过池化层处理后的第四特征图进行特征融合得到第二深度特征图，将第二深度特征图输入至不对称卷积模块进行处理得到第三深度特征图，将第三深度特征图和第二深度特征图共同输入至add层进行特征融合，得到第五特征图；其中，第一不对称卷积模块先经过卷积核为1×1的卷积层，再并列进行3×1、1×3、1×1的不对称卷积核后，将大小为3×1的卷积核连接池化层；然后与1×3、1×1的卷积核进行depthConcatenationLayer融合，将融合后的特征与第五分支中经过池化处理后的特征通过addition layer进行拼接；addition layer拼接融合后的特征输入至不对称卷积模块进行处理，先经过卷积核为1×1的卷积层，再并列进行3×

1、1×3、1×1的不对称卷积核后，在连接层按深度维度拼接；拼接后的特征与第五分支输出的特征通过additionLayer进行元素级别的融合，得到融合特征图。

2.如权利要求1所述的基于改进卷积神经网络的布料缺陷太赫兹检测方法，其特征在于，根据太赫兹波与布料样品之间的相互作用建立太赫兹传输模型，通过太赫兹传输模型反演得到待测布料样品的太赫兹吸收系数。

3.如权利要求2所述的基于改进卷积神经网络的布料缺陷太赫兹检测方法，其特征在于，所述吸收系数表示为：

其中，表示样品厚度， 表示样本的实折射率， 表示传递函数的幅度响应。

4.基于改进卷积神经网络的布料缺陷太赫兹检测系统，其特征在于，包括：

数据获取模块，其被配置为：获取待测布料样品的太赫兹时域光谱信号并进行预处理；

数据处理模块，其被配置为：根据预处理后的光谱信号得到待测布料样品的成像图像并进行预处理，根据预处理后的光谱信号反演得到待测布料样品的太赫兹吸收系数，将所述吸收系数和预处理后的成像图像进行融合得到输入数据；

模型识别模块，其被配置为：将所述输入数据输入至预先训练好的改进的卷积神经网络模型进行识别分类，得到布料缺陷分类结果；改进的卷积神经网络模型包括依次按照顺序连接的输入层、卷积层、连接层、全局平均池化层和分类层；所述输入层将接收的吸收系数和预处理后的成像图像进行融合得到输入数据，将输入数据输入至卷积层进行特征提取；所述卷积层为多层具有不对称卷积核的卷积块，并在卷积块之间引入跳跃连接；

所述卷积层包括依次按照顺序连接的第一卷积块、池化层、特征融合模块、信息增强模块、两个深度处理模块；

所述特征融合模块接收第一卷积块输出的第一特征图，并分别输入至第一分支和第二分支，第一分支中依次经过第二卷积块和池化层处理得到第一融合特征图，第二分支中经过第三卷积块处理后得到第二融合特征图，第一融合特征图和第二融合特征图共同输入至连接层进行特征融合，得到第二特征图；

所述信息增强模块接收池化层输出的第三特征图并分别输入至第三分支和第四分支，第三分支中第三特征图经过池化层处理后输入至add层，第四分支中第三特征图依次经过池化层和不对称卷积模块处理后得到第一增强特征图，将第一增强特征图输入至第三分支的add层与经过池化层处理后的第三特征图进行特征融合得到第二增强特征图，将第二增强特征图输入至下一个不对称卷积模块进行处理得到第三增强特征图，将第三增强特征图和第二增强特征图共同输入至add层进行特征融合，得到第四特征图；

所述深度处理模块包含第一不对称卷积模块和不对称卷积模块，所述深度处理模块接收信息增强模块输出的第四特征图并分别输入至第五分支和第六分支，第五分支中第四特征图经过池化层处理后输入至add层，第六分支中第四特征图经过第一不对称卷积模块进行处理得到第一深度特征图，将第一深度特征图输入至第五分支的add层与经过池化层处理后的第四特征图进行特征融合得到第二深度特征图，将第二深度特征图输入至不对称卷积模块进行处理得到第三深度特征图，将第三深度特征图和第二深度特征图共同输入至add层进行特征融合，得到第五特征图；其中，第一不对称卷积模块先经过卷积核为1×1的卷积层，再并列进行3×1、1×3、1×1的不对称卷积核后，将大小为3×1的卷积核连接池化层；然后与1×3、1×1的卷积核进行depthConcatenationLayer融合，将融合后的特征与第五分支中经过池化处理后的特征通过addition layer进行拼接；addition layer拼接融合后的特征输入至不对称卷积模块进行处理，先经过卷积核为1×1的卷积层，再并列进行3×

1、1×3、1×1的不对称卷积核后，在连接层按深度维度拼接；拼接后的特征与第五分支输出的特征通过additionLayer进行元素级别的融合，得到融合特征图。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑3中任一项所述的基于改进卷积神经网络的布料缺陷太赫兹检测方法中的步骤。

6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑3中任一项所述的基于改进卷积神经网络的布料缺陷太赫兹检测方法中的步骤。