1.一种基于深度学习的布匹疵点智能识别方法，其特征在于：所述方法包括以下步骤：
步骤s1、利用相机对包含不同形态疵点的布匹进行拍摄以获取图片素材，按比例划分图片为训练集和验证集；
步骤s2、将步骤s1所得图片素材进行标注；
步骤s3、将步骤s2已经标注完成的标注数据，输入物体检测模型进行训练，把训练得到的模型参数保存下来；
步骤s4、输入测试图像进行缺陷检测，把步骤s3得到的模型参数赋予原始的物体检测模型，并且把测试图像作为训练好的物体检测模型的输入，对输入的图像测试进行处理，然后模型根据特征图预测疵点的类型和计算疵点的位置。
2.根据权利要求1所述的一种基于深度学习的布匹疵点智能识别方法，其特征在于：所述疵点的形态包括正常、扎洞、毛斑和油迹。
3.根据权利要求1所述的一种基于深度学习的布匹疵点智能识别方法，其特征在于：训练集和验证集比例为8:2。
4.根据权利要求1所述的一种基于深度学习的布匹疵点智能识别方法，其特征在于：步骤s2包括以下步骤：
步骤s201、确定图像的标注规则，模型的最后一层输出属于softmax输出，属于概率分布输出，在构建图片标签过程中，对正常的布匹标注为(1,0,0,0),对包含扎洞的布匹标注为(0,1,0,0)，对包含毛斑的布匹标注为(0，0,1,0)，对包含油迹的布匹标注为(0,0,0,1)；
步骤s202、利用标注工具labelimg，根据步骤s201的标注规则，把图片中的疵点位置标识出来，并且对疵点类别进行人工分类，分类完毕后生成特定的标注文件，文件内容包括疵点的分类类别和位置坐标。
5.根据权利要求1所述的一种基于深度学习的布匹疵点智能识别方法，其特征在于：所述物体检测模型为ssd模型。
6.根据权利要求1所述的一种基于深度学习的布匹疵点智能识别方法，其特征在于：步骤s3包括以下步骤：
步骤a、把步骤s200标注完成的训练集和验证集中的图片输入物体检测模型，基于训练集的数量没有达到训练要求的考虑，使用数据增广对训练集的数据进行一系列的扩展，包括图片翻转，图片剪裁，图像模糊，图像旋转，把扩展到的数据和原始数据一起输入模型进行训练；
步骤b、把步骤a获得的数据输入模型之后，使用dropout，在每一次迭代训练当中，以提前设定的概率，消除部分神经网络中的神经元，降低单个神经元对于训练效果的作用，同时使权重随着迭代次数增加而衰减，避免模型过于复杂导致的过拟合；
步骤c、在步骤b的前提下，使用adam优化算法来加速迭代计算的收敛过程，同时使用深度可分离卷积减少模型的计算量，减低模型的复杂度；当验证集误差在n轮迭代之内没有下降，则停止训练。
7.根据权利要求1所述的一种基于深度学习的布匹疵点智能识别方法，其特征在于：步骤s4所述的处理包括把测试图像尺寸修改到符合物体检测模型的输入尺寸。