1.基于图形数据分析的抗菌涤棉复合纤维中纤维识别系统，其特征在于：包括以下终端：复合纤维待测样本终端、双通道显微成像终端、纤维图像预处理分割终端、纤维分类识别终端；所述复合纤维待测样本终端用于存储原始复合纤维待测样本；所述双通道显微成像终端用于通过多模态光学信号协同采集复合纤维图像特征信息；所述纤维图像预处理分割终端用于从复合纤维待测样本成像数据库中调取目标复合纤维图像数据集进行区域分割和对应标签标注；纤维分类识别终端用于将复合纤维的形态特征及纹理特征进行融合重组，利用支持向量机进行纤维分类识别，其中，所述复合纤维待测样本终端与所述双通道显微成像终端网络连接，所述纤维图像预处理分割终端与所述双通道显微成像终端网络连接，所述纤维分类识别终端与所述纤维图像预处理分割终端网络连接。

2.根据权利要求1所述的基于图形数据分析的抗菌涤棉复合纤维中纤维识别系统，其特征在于：所述双通道显微成像终端中包括第一通道和第二通道，所述第一通道包括共聚焦显微镜、偏振光成像单元、上位机一模块；所述第二通道包括拉曼光谱点扫描单元、多光谱荧光标记单元、上位机二模块。

3.根据权利要求2所述的基于图形数据分析的抗菌涤棉复合纤维中纤维识别系统，其特征在于：所述双通道显微成像终端的具体运行流程包括以下步骤：

步骤S11：将原始复合纤维待测样本输入到所述第一通道中的共聚焦显微镜中，通过激光逐层扫描待测样本，基于扫描对生成的纤维三维体数据构建纤维三维结构，获取待测样本层析图像；

步骤S12：基于所述偏振光成像单元旋转偏振片组，对待测样本层析图像依次进行0°、

45°、90°、135°四个方向偏振角度的采集触发，得到不同角度下的最大对比度待测样本纤维图像；

步骤S13：同步将原始复合纤维待测样本输入到所述第二通道中，基于共焦显微镜获取待测样本的散射光谱图像，并使用多光谱荧光标记单元激发待测样本中的荧光标记物，获取待测样本在不同波长下的荧光光谱成像；

步骤S14：将所述第一通道获取的待测样本的最大对比度待测样本纤维图像传输至所述上位机一模块，将所述第二通道获取的待测样本的散射光谱图像和荧光光谱成像传输至所述上位机二模块；

步骤S15：将所述上位机一模块和所述上位机二模块的待测样本图像数据进行整合汇总输出，得到复合纤维图像数据集，存储进复合纤维待测样本成像数据库中。

4.根据权利要求3所述的基于图形数据分析的抗菌涤棉复合纤维中纤维识别系统，其特征在于：所述纤维图像预处理分割终端包括：复合纤维目标区域划分模块、基于自适应距离正则化水平集算法模块、复合纤维形态特征测量提取模块、纹理特征提取计算模块；

所述复合纤维目标区域划分模块用于将目标复合纤维图像进行多个联通区域的划分标记；所述基于自适应距离正则化水平集算法模块用于利用图像梯度信息动态调整正则化项的权重，得到每个目标区域的纤维轮廓二值图；所述复合纤维形态特征测量提取模块用于对复合纤维包括直接指标和相对指标的形态特征进行测量提取；所述纹理特征提取计算模块用于提取灰度共生矩阵，计算基于灰度共生矩阵的特征参数。

5.根据权利要求4所述的基于图形数据分析的抗菌涤棉复合纤维中纤维识别系统，其特征在于：所述纤维图像预处理分割终端的运行流程包括以下步骤：

步骤S21：基于所述复合纤维目标区域划分模块对目标复合纤维图像进行纤维区域联通或不联通的划分，利用构建的深度学习网络模型对孤立纤维区域和纤维粘连区域进行划分；

步骤S22：利用所述基于自适应距离正则化水平集算法模块初始化水平集函数，将其零水平集设定为初始轮廓，基于标记化的多区域二值图像进行目标图像选择后计算图像梯度，并根据梯度信息计算自适应距离正则化项的权重，基于梯度信息和自适应距离正则化项对水平集函数进行迭代更新，直至收敛，水平集函数收敛后得到的零水平集为最终的分割结果；

步骤S23：所述复合纤维形态特征测量提取模块中的直接指标包括：纤维直径、鳞片高度、鳞片周长、鳞片面积，相对指标包括：纤维径高比、鳞片密度、鳞片相对周长、鳞片相对面积，对直接指标进行直接测量记录，对相对指标则利用直接指标与相对之间的线性和非线性关系进行计算；

步骤S24：所述纹理特征提取计算模块利用得到标记化的多区域二值图像划定提取纹理特征的感兴趣区域，计算感兴趣区域的灰度共生矩阵和基于灰度共生矩阵的特征参数，对纹理特征参数进行量化。

6.根据权利要求5所述的基于图形数据分析的抗菌涤棉复合纤维中纤维识别系统，其特征在于：所述利用构建的深度学习网络模型对孤立纤维区域和纤维粘连区域进行划分包括：构建基于目标复合纤维图像划分的深度学习网络模型，输入需要划分的目标复合纤维图像和目标纤维图像中初始定义的每个纤维类别对应的标签数据集，标签数据集包括对同一复合纤维图像内的多种纤维样本添加有多个标签的标签数据集合，对需要划分的目标复合纤维图像进行图像的增强和去噪的预处理，并采用OTSU自适应阈值算法生成二值化掩膜，初步分离图像背景区域与纤维区域；进一步通过8邻域连通域分析标记每个包括孤立纤维区域和粘连纤维区域的独立纤维团块，形成标记矩阵，基于形成的标记矩阵输出每个标记区域的几何中心坐标、面积及边界框数据值，得到标记化的多区域二值图像。

7.根据权利要求6所述的基于图形数据分析的抗菌涤棉复合纤维中纤维识别系统，其特征在于：所述划定提取纹理特征的感兴趣区域包括：遍历标记的区域二值图像，在灰度图中提取目标纤维区域的的外接矩，将所述外接矩作为感兴趣区域，分别提取灰度共生矩阵在0°、45°、90°、135°四个方向上的灰度共生矩阵，将获得的四个灰度共生矩阵求和，得到一个新的灰度共生矩阵，并进行归一化，通过利用四个灰度共生矩阵求和提取出的新的共生矩阵反映了各个方向的纹理特征，计算四个归一化共生矩阵的能量、熵、对比度、相关性的纹理特征参数，针对同一特征参数进行平均值计算，基于所述平均值描述纤维的纹理特征。

8.根据权利要求7所述的基于图形数据分析的抗菌涤棉复合纤维中纤维识别系统，其特征在于：所述纤维分类识别终端包括：多特征融合模块、特征数组重组模块、支持向量机训练模型；所述多特征融合模块用于将合纤维的形态特征及纹理特征进行融合；所述特征数组重组模块用于对融合后的特征数组进行更高维度的组合；所述支持向量机训练模型用于基于构建的支持向量机训练模型分类识别，输出最终的分类识别结果。

9.根据权利要求8所述的基于图形数据分析的抗菌涤棉复合纤维中纤维识别系统，其特征在于：所述纤维分类识别终端的运行流程包括以下步骤：

步骤S31：所述多特征融合模块对提取的复合纤维的形态特征和纹理特征进行归一化处理，将形态特征及纹理特征定义到统一范围内，所述特征数组重组模块将融合组成更高维的特征数组；即通过将复合纤维的形态特征和纹理特征均归一化到 0‑1 之间，重组成无量纲的新的五维特征数组；

步骤S32：在所述复合纤维的形态特征和纹理特征归一化后，通过五折交叉验证方法对归一化后的形态特征和纹理特征组成的各 n组新的五维特征数组进行处理；

步骤S33：所述支持向量机训练模型中，利用高斯核径向基函数自动确定每一个特征向量的权重，将通过五折交叉验证方法处理后的特征数组依次输入到支持向量机中进行训练和识别，输出最终的分类识别结果。

10.根据权利要求9所述的基于图形数据分析的抗菌涤棉复合纤维中纤维识别系统，其特征在于：所述五折交叉验证方法具体的处理方法包括：通过五折交叉验证方法对归一化后的形态特征和纹理特征组成的各 n组新的五维特征数组进行处理，即对新的五维特征数组进行五折交叉验证实验，每一次进行五折交叉验证试验时，将五维特征数组中所有的特征数据样本随机分成五份，每份中含有相同数量的形态特征数组和纹理特征数组，轮流将其中四份作为训练数据集，一份作为测试数据集进行试验，输出五次试验的识别率，计算五次实验结果的平均值，将计算的平均值作为本次五折交叉验证的识别精度，计算五次五折交叉验证识别精度的平均值，将该识别精度的平均值作为支持向量机训练模型的最终识别精度。