1.一种基于深度学习的毛毯压花定位方法，其特征在于，包括以下步骤：S1、数据采集：以与毛毯传输速度同步的帧率采集压花区域的连续图像序列；同时实时获取毛毯张力、传输速度、辊轴位移生产参数，构建数据集；

S2、粗定位引导：对连续图像序列快速扫描，提取压花图案轮廓关键点作为定位锚点；

基于定位锚点划定局部ROI区域，对ROI内图像内得到粗定位结果；

S3、生产参数驱动定位：将毛毯张力、传输速度和辊轴位移参数输入改进时序卷积网络，预测当前毛毯的形变偏移量，所述形变偏移量包括平移偏移量和旋转角度偏移；基于预测的形变偏移量对粗定位结果进行空间变换校正，生成定位掩码；

S4、精定位优化：预存压花模板的几何参数，将定位掩码与模板进行匹配计算，根据设定的匹配阈值判断定位掩码是否匹配度值达标，以用于压花定位；

所述步骤S4的具体实现步骤为：

首先建立压花模板和定位掩码的图结构模型，其中节点为特征点，边为特征点间的几何约束关系；

计算两图 的匹配度，所述匹配 度计算为先 计算节点位 置的匹配 度，其中，N代表为节点的总数， 代表当前定位掩码图第 个节点的坐标， 代表当前模版图第 个节点的坐标；边匹配度，其中， 代表边的总数， 代表当前定位掩

码图中边 的归一化距离， 代表压花模板图中边 的归一化距离， 代表当前定位掩码图中边 的归一化角度， 代表压花模板图中边 的归一化角度；对节点位置的匹配度边匹配度进行加权计算得到总的匹配度值；

根据设定的阈值判断是否匹配度值达标，若是则将当前定位掩码用于压花定位，若否则重新生成定位掩码进行匹配计算，循环操作直至匹配度符合设定阈值；

所述步骤S3中利用改进时序卷积网络，预测当前毛毯的形变偏移量的具体包括：将采集的毛毯张力，传输速度，辊轴位移拼接为特征矩阵；

对特征矩阵进行标准化处理；

采用多层扩张因果卷积，每层卷积核大小为3，进行特征提取，所述特征提取的计算方式为： ，其中， 表示第 层在时间步sj时的隐藏状态， 代表第 层的权重矩阵， 为扩张卷积操作， 代表第 层的扩张因子， 表示为第 层在时间步 时的隐藏状态，作为当前卷积操作的输入， 代表第 层的偏置项；

对每层扩张因果卷积的输出进行残差连接，计算方式为：当层数大于等于2时，，其中 为两层前的特征输出；

通过注意力机制对不同层的特征进行加权聚合得到聚合后的特征 ；

将聚合后的特征输入独立的预测头，分别输出平移偏移量 和旋转角度偏移，其中 ， ， ，其中， 代表独立的全连接层。

2.根据权利要求1所述的一种基于深度学习的毛毯压花定位方法，其特征在于，所述步骤S2中定位锚点的提取方法具体包括图像预处理，关键点检测，锚点筛选；

图像预处理：对连续图像序列进行灰度化及高斯滤波处理，抑制噪声并增强图案边缘对比度；

关键点检测：对连续图像序列进行差分运算，识别压花边缘的角点和端点并进行筛选出粗定位锚点集合；

锚点筛选：基于粗定位锚点的空间分布密度，通过DBSCAN聚类算法去除离群点，保留聚类中心作为定位锚点。

3.根据权利要求2所述的一种基于深度学习的毛毯压花定位方法，其特征在于，所述关键点检测的具体实现包括特征增强，角点检测，端点检测以及非冗余筛选；

特征增强：对连续图像序列中第t帧图像与第t‑1帧图像进行帧间差分，计算差分图像；

同时对单帧图像计算梯度幅值，通过加权融合差分图像和梯度幅值生成特征增强图；

角点检测：对特征增强图进行角点响应计算，生成角点响应矩阵，计算方式为：，其中 代表角点响应矩阵，M表示为梯度结构矩阵，k为经验系数；提取角点响应矩阵中大于设定阈值的像素点作为候选角点；

端点检测：对特征增强图进行边缘检测，生成二值边缘图，然后提取所有边缘线段，对每条线段的两个端点进行坐标标定，定义端点为边缘线段中度数等于1的像素点，对检测到的端点进行连通性验证：若端点在边缘图中与至少3个连续边缘像素相连，则判定为有效端点，否则视为噪声剔除；

非冗余筛选：将候选角点集合与有效端点集合进行合并，生成初步锚点集合，对初步锚点集合进行非极大值抑制处理，得到无冗余的粗定位锚点集合。

4.根据权利要求1所述的一种基于深度学习的毛毯压花定位方法，其特征在于，所述步骤S2中使用ROI内图像内得到粗定位结果的具体实现为：首先采用卷积网络将当前帧ROI与前后相邻帧对应区域进行对齐；

使用对齐后的图像，针对定位锚点通过质心算法计算锚点的坐标；

基于锚点的坐标采用最小二乘法对压花图案边缘进行几何轮廓拟合，得到粗定位结果。

5.根据权利要求1所述的一种基于深度学习的毛毯压花定位方法，其特征在于，所述偏移量预测中，平移偏移量的损失函数采用L1损失函数，旋转角度采用余弦相似度损失函数，损失函数的表达式为： ，其中， 代表预测值， 代表为目标值。

6.根据权利要求1所述的一种基于深度学习的毛毯压花定位方法，其特征在于，基于预测的形变偏移量对粗定位结果进行空间变换校正，生成定位掩码的实现的具体过程为：首先通过预测的形变偏移量构建平移变换矩阵和旋转变换矩阵；

组合平移与旋转变换矩阵形成复合变换矩阵；

将粗定位结果的坐标通过复合变换矩阵进行坐标变换得到校正后的坐标；

基于校正后的坐标，在图像中绘制闭合轮廓区域，将闭合轮廓区域的像素点赋值为1，区域外的像素点赋值为0，生成定位掩码。