1.基于改进YOLOv11与生成网络的商标缺陷检测方法，其特征在于：包括的过程具体为：从织物上采集商标图像，经过预处理后并统一缩放图像尺寸，然后输入离线训练好的MGS-YOLOv11n模型，获得商标缺陷类别、候选边界框及类别概率；

所述MGS-YOLOv11n模型基于YOLOv11n网络改进而来，在主干网络，将负责提取特征P3和特征P4对应层级中的 C3k2 模块替换为MG_C3k2模块；在颈部，将位于P4和P5特征融合分支中的C3k2模块替换为MG_C3k2 模块，同时，在颈部特征融合过程中，针对特征P3至P4以及P4至P5的下采样环节中均采用CIM_SPDConv模块替代普通卷积；MG_C3k2模块包括浅层、中层和深层三种不同语义级别的特征分支；CIM_SPDConv模块包括串行的SPD-Conv模块、通道交互模块和逐通道乘法加权，以及依次连接的卷积层、批归一化和激活函数；

所述MG_C3k2 模块的操作具体为：

首先在输入特征通过卷积压缩通道数，随后在通道维度平均分为两路，其中一路分支作为浅层特征 ，另一路分支首先通过MPBottleneck_GAM模块和卷积层，生成中间特征 ，然后将中间特征 继续通过MPBottleneck_GAM模块和卷积层生成深层特征 ；最后，将浅层特征 、中间特征 和深层特征 在通道维度拼接，再通过卷积和非线性激活后的特征图作为MG_C3k2 模块的输出；

所述MGS-YOLOv11n模型的离线训练采用改进pix2pix生成网络生成的商标缺陷数据集；改进pix2pix生成网络包括残差式生成器，且训练过程采用了基于自适应掩码改进的生成器损失函数。

2.根据权利要求1所述的基于改进YOLOv11与生成网络的商标缺陷检测方法，其特征在于：所述MPBottleneck_GAM模块的操作为：

输入特征 经过多尺度卷积单元、卷积层和GAM注意力机制单元获得的特征，再与输入特征 进行残差连接后作为MPBottleneck_GAM模块的输出；

所述多尺度卷积单元包括并行的三条卷积分支，输入特征 同时经过三条卷积分支，然后将三条卷积分支的输出在通道维度进行拼接；

所述残差连接包括可开关的残差连接参数shortcut。

3.根据权利要求2所述的基于改进YOLOv11与生成网络的商标缺陷检测方法，其特征在于：CIM_SPDConv模块的所述通道交互模块的操作具体为：输入特征首先通过一层卷积压缩通道数，随后通过另一层卷积将通道数恢复至原有数量；

CIM_SPDConv模块的所述逐通道乘法加权的公式为：其中， 为通道交互模块输出的第k个通道的特征， 为可学习的第k个通道缩放系数。

4.根据权利要求3所述的基于改进YOLOv11与生成网络的商标缺陷检测方法，其特征在于：改进 pix2pix生成网络中的所述残差式生成器包括将无缺陷原图A作为输入，仅学习从无缺陷原图A到缺陷图像B的像素变化量以生成残差图R，再通过叠加与截断操作得出合成的缺陷图像：其中，为合成的缺陷图像，clip(·)为表示将数值约束在[−1,1]区间的截断操作。

5.根据权利要求4所述的基于改进YOLOv11与生成网络的商标缺陷检测方法，其特征在于：基于自适应掩码改进的所述生成器损失函数为：

其中， 为缺陷区域调节参数， 背景区域调节参数， 残差激活调节参数， 为总变差平滑调节参数， 为条件生成对抗网络的全局对抗损失函数，为缺陷区域损失函数：

其中， 表示生成的缺陷图像在坐标 处的像素值， 表示真实的缺陷图像在(i,j)上的像素值， 表示通过自适应掩码生成算法生成的在坐标 处的二值缺陷掩码；

为背景区域损失函数：

其中， 为无缺陷图像在(i,j)位置的像素值；

为残差激活损失函数：

其中， 为缺陷区域内的目标残差幅度， 为缺陷区域内每个像素的平均残差幅度：其中， 为在(i,j)位置上的残差值；

为总变差平滑损失函数：

其中，为掩码内有效像素数。

6.根据权利要求5所述的基于改进YOLOv11与生成网络的商标缺陷检测方法，其特征在于：所述自适应掩码生成算法具体为：

（1）计算配对样本在通道维度上的平均绝对差得到差异图D：其中，C表示图像的通道数；

（2）计算差异图D的动态阈值 ：

其中， 表示分位数函数， 为预设上限阈值；

（3）将差异图D中大于动态阈值 的像素标记为初始缺陷区域M0，并通过卷积核进行膨胀处理得到最终的缺陷掩码M，对应地，取反得到背景掩码Mbg=1-M。

7.根据权利要求6所述的基于改进YOLOv11与生成网络的商标缺陷检测方法，其特征在于：MGS-YOLOv11n模型离线训练使用的所述商标缺陷数据集的构建过程为：（1）采集织物上的商标图像作为数据集一，包括商标缺陷和正常商标的图像，并按比例随机划分为训练集一、验证集一和测试集一；

（2）使用训练集一、验证集一和测试集一对改进的pix2pix生成式网络进行离线训练获得训练好的改进pix2pix生成网络，然后，将数据集一的所有正常商标图像使用训练好的改进pix2pix生成网络生成带有商标缺陷的新图片；

（3）将新生成的缺陷图片按比例随机分配给训练集一，验证集一和测试集一构建为商标缺陷数据集。