1.一种纹理图像分割方法，其特征在于，所述方法包括以下步骤：
s1：搭建d-net卷积神经网络模型，包括：
s11：建立u-net卷积神经网络，所述u-net卷积神经网络包括压缩路径和扩张路径，所述压缩路径和所述扩张路径二者均包括有若干标准卷积；
s12：建立mobilenetv2网络结构，所述mobilenetv2网络结构包括bottleneck处理，所述bottleneck处理依次包括升维操作、正常卷积以及降维操作，将所述压缩路径和所述扩张路径二者的所有标准卷积均替换为bottleneck处理；
s2：训练所述d-net卷积神经网络模型，包括：
s21:获取训练集，所述训练集包括已知纹理图像以及与所述已知纹理图像一一对应的标签；
s22：将所述训练集输入到所述d-net卷积神经网络模型进行训练；
s3:利用训练好的所述d-net卷积神经网络模型进行图像分割，包括：
s31:获取测试集，所述测试集包括未知纹理图像；
s32：将所述测试集输入到所述d-net卷积神经网络模型进行图像分割。
2.根据权利要求1所述的一种纹理图像分割方法，其特征在于，还包括以下步骤：
s13：建立inception结构模型，将所述bottleneck处理中的正常卷积替换为所述inception结构模型。
3.根据权利要去2所述的一种纹理图像分割方法，其特征在于，还包括以下步骤：
s14：建立se-net模块，在所述压缩路径和所述扩张路径二者的每个所述bottleneck处理后连接一个所述se-net模块。
4.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可以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计算机程序时，实现权利要求1-3中任一项所述的纹理图像分割方法。
5.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现如权利要求1-3任一项所述的纹理图像分割方法。