技术特征：
1.一种基于深度学习的实时布匹缺陷检测方法，其特征在于，包括：步骤1：采集不同种类布匹缺陷图像，构建缺陷数据集；步骤2：先对缺陷数据集的图像进行数据扩充，再使用生成对抗网络对缺陷数据集进行数据扩充；步骤3：对扩充后的缺陷数据集进行标注处理；步骤4：构建深度学习目标检测网络进行布匹缺陷检测；步骤5：训练布匹缺陷检测网络；步骤6：利用摄像机对布匹进行实时图像抓取，将抓取的图像输入到训练好的布匹缺陷检测网络中判断图中是否存在缺陷并确定缺陷类别，定位缺陷，最后将结果保存到输出文件中。2.如权利要求1所述的基于深度学习的实时布匹缺陷检测方法，其特征在于，步骤1中，布匹缺陷种类分为正常、黑点、划痕、孔、油渍、毛斑、破边、缺经、缺纬、吊弓中的一种或多种，并将采集的图像的比例切割成512*512大小进行分类。3.如权利要求1所述的基于深度学习的实时布匹缺陷检测方法，其特征在于，步骤2中，生成对抗网络由一个生成器g和一个判别器d构成，生成器g接收一个正常的布匹图像z，然后生成带有指定缺陷的图像g(z)，再经过判别器d判断图像是否属于原始数据集，得到d(g(z))，生成对抗网络的优化公式为：其中，x表示真实布匹缺陷图像，z表示输入生成器g的正常布匹图像，g(z)表示生成器g生成的缺陷图像，d(x)表示判别器d判断真实缺陷图像是否真实的概率，该值越接近1越好，d(g(z))表示判别器d判断生成器g生成的图像是否真实的概率，p
data
表示真实数据的分布，p
z
表示生成器输入图像的分布，表示期望，表示判别器d判别样本是否是从p
data
(x)中取出来的期望，表示生成器g生成图像能够骗过判别器的期望。4.如权利要求1所述的基于深度学习的实时布匹缺陷检测方法，其特征在于，步骤4中，采用yolov3检测网络架构，并采用leaky relu作为激活函数，其表达式为：其中x
i
表示输入，y
i
表示输出，a
i
是(1，+∞)区间内的固定参数。5.如权利要求4所述的基于深度学习的实时布匹缺陷检测方法，其特征在于，在yolov3中，整体loss分为位置坐标损失lbox、置信度损失lobj以及类别损失lcls三部分，公式如下所示：
lloss＝lbox+lobj+lcls；其中，λ
coord
表示定位误差的权值；x
i
，y
i
，w
i
，h
i
表示预测的目标框的位置信息，分别表示框的左上角处的横坐标，纵坐标以及框的宽度和高度；s2表示网格数有s*s个，具体为13*13，26*26，52*52，b表示每个网格产生b个候选框anchor box，表示第i个网格的第j个anchor box负责预测这个目标的概率，如果负责，则否则该值为0，表示第i个网格的第j个anchorbox不负责预测该目标的概率，与正好相反；p
i
(c)表示属于类别c的概率；c
i
表示类别标签置信度，表示预测的类别置信度。6.一种基于深度学习的实时布匹缺陷检测系统，其特征在于，包括：采集模块：采集不同种类布匹缺陷图像，构建缺陷数据集；扩充模块：先对缺陷数据集的图像进行数据扩充，再使用生成对抗网络对缺陷数据集进行数据扩充；标注模块：对扩充后的缺陷数据集进行标注处理；构建模块：构建深度学习目标检测网络进行布匹缺陷检测；训练模块：训练布匹缺陷检测网络；检测模块：利用摄像机对布匹进行实时图像抓取，将抓取的图像输入到训练好的布匹缺陷检测网络中判断图中是否存在缺陷并确定缺陷类别，定位缺陷，最后将结果保存到输出文件中。7.如权利要求6所述的基于深度学习的实时布匹缺陷检测系统，其特征在于，采集模块中，布匹缺陷种类分为正常、黑点、划痕、孔、油渍、毛斑、破边、缺经、缺纬、吊弓中的一种或多种，并将采集的图像的比例切割成512*512大小进行分类。8.如权利要求6所述的基于深度学习的实时布匹缺陷检测系统，其特征在于，扩充模块中，生成对抗网络由一个生成器g和一个判别器d构成，生成器g接收一个正常的布匹图像z，然后生成带有指定缺陷的图像g(z)，再经过判别器d判断图像是否属于原始数据集，得到d(g(z))，生成对抗网络的优化公式为：其中，x表示真实布匹缺陷图像，z表示输入生成器g的正常布匹图像，g(z)表示生成器g生成的缺陷图像，d(x)表示判别器d判断真实缺陷图像是否真实的概率，该值越接近1越好，d(g(z))表示判别器d判断生成器g生成的图像是否真实的概率，p
data
表示真实数据的分布，p
z
表示生成器输入图像的分布，表示期望，表示判别器d判别样本是否是从p
data
(x)中取出来的期望，表示生成器g生成图像能
够骗过判别器的期望。9.如权利要求6所述的基于深度学习的实时布匹缺陷检测系统，其特征在于，构建模块中，采用yolov3检测网络架构，并采用leaky relu作为激活函数，其表达式为：其中x
i
表示输入，y
i
表示输出，a
i
是(1，+∞)区间内的固定参数。10.如权利要求9所述的基于深度学习的实时布匹缺陷检测系统，其特征在于，在yolov3中，整体loss分为位置坐标损失lbox、置信度损失lobj以及类别损失lcls三部分，公式如下所示：式如下所示：式如下所示：lloss＝lbox+lobj+lcls；其中，λ
coord
表示定位误差的权值；x
i
，y
i
，w
i
，h
i
表示预测的目标框的位置信息，分别表示框的左上角处的横坐标，纵坐标以及框的宽度和高度；s2表示网格数有s*s个，具体为13*13，26*26，52*52，b表示每个网格产生b个候选框anchor box，表示第i个网格的第j个anchor box负责预测这个目标的概率，如果负责，则否则该值为0，表示第i个网格的第j个anchorbox不负责预测该目标的概率，与正好相反；p
i
(c)表示属于类别c的概率；c
i
表示类别标签置信度，表示预测的类别置信度。