本发明涉及坯布纺织，具体涉及一种边织边检坯布缺陷检测系统。
背景技术：
1、坯布在实际生产过程中，分为织布阶段和验布阶段，在织布的过程中目前主要是帮机工巡检，发现布面上的缺陷进行，进行干预和修正。在坯布纺织完成后，验布阶段需要运送到工厂的验布区，验布工对布面的区域进行二次的符合，记录下来当前坯布的缺陷，根据这些缺陷记录对坯布进行定品定级。
2、通过上述内容可以看出，坯布生产过程中需要两次的缺陷检测，第一次是在织机上织布的过程中进行缺陷检测，第二次是在织布完成以后要送到验布区域进行缺陷检测，两次缺陷检测分别需要帮机工和验布工的进行缺陷的检测，消耗大量帮机工和验布工的人力。
3、工厂的工作环境比较恶劣，噪声污染极其严重，温度闷热，对于长期工作在织机工厂的人们非常不友好。并且世界的工人技能需要培训，不同工人之间质检的标注差异也比较大。
4、这些客观的问题存在导致坯布生产的质量和品控难以把控，如何做到平稳和稳定的质量的把控，对实际的生产过程的质量控制有重要的意义。
技术实现思路
1、针对现有技术存在的不足，本发明的目的在于提供一种边织边检坯布缺陷检测方法、系统、介质及计算机，以克服现有的技术中存在的坯布生产需要两次缺陷检测消耗大量的人力，且不同工人对坯布质检的标准差异较大、难以统一的缺点。
2、为达到上述目的，本发明采用如下技术方案：
3、一种边织边检坯布缺陷检测系统，包括：用于拍摄坯布照片的坯布拍摄模块、用于对拍摄到的图像进行拼接和初步检测的边缘计算模块以及用于对初步检测中存在瑕疵的坯布照片进行二次检测的云端服务器；所述坯布拍摄模块包括：用于指示缺陷位置和缺陷种类的指示灯单元、相机、滑轨、滑块、驱动单元以及支撑架；所述支撑架横向跨过纺织设备的两侧；所述滑轨与支撑架的顶部固定连接；所述滑块与滑轨滑动连接；所述驱动单元的本体与支撑架固定连接，所述驱动单元的驱动端与滑块传动连接；所述相机与滑块固定连接；所述指示灯单元与支撑架的顶端固定连接；所述边缘计算模块包括：计算单元、控制单元以及存储单元；所述计算单元与控制单元通信连接，所述驱动单元与控制单元通信连接，所述存储单元与控制单元通信连接；所述指示灯单元与控制单元电连接；所述控制单元与云端服务器通信连接。
4、可选的，所述相机拍摄坯布上表面，得到第一坯布照片和第二坯布照片；所述边缘计算模块对第一坯布照片和第二坯布照片进行拼接，包括以下步骤：
5、s101、分别对第一坯布照片和第二坯布照片进行矫正，对应得到预定尺寸的第一矫正照片和第二矫正照片；
6、s102、对所述第一矫正图片和第二矫正图片分别进行预处理，生成对应的第一增强图片和第二增强图片；
7、s103、将所述第一增强图片和第二增强图片输入预先训练好的深度学习神经网络中，获得预拼接图片；
8、s104、对所述预拼接图片进行后处理，生成拼接部位过渡平滑的拼接图片。
9、可选的，所述分别对第一坯布照片和第二坯布照片进行矫正，对应得到预定尺寸的第一矫正照片和第二矫正照片，包括：
10、对所述第一坯布照片和第二坯布照片分别使用opencvresize函数进行尺寸调整，对应获得第一裁切图和第二裁切图；对所述第一裁切图和第二裁切图的边缘进行畸变调整，获得第一矫正图片和第二矫正图片；
11、所述对所述第一矫正图片和第二矫正图片分别进行预处理，生成对应的第一增强图片和第二增强图片，包括：
12、对所述第一矫正图片和第二矫正图片分别进行灰度处理，对应生成第一灰度图片和第二灰度图片；对所述第一灰度图和第二灰度图分别进行亮度调整，生成对应的第一增强图片和第二增强图片。
13、可选的，所述将所述第一增强图片和第二增强图片输入预先训练好的深度学习神经网络中，获得预拼接图片，包括：
14、将所述第一增强图片和第二增强图片输入预先训练好的深度学习神经网络中生成对应的平移参数、旋转参数以及放缩参数；所述旋转参数包括：图片的旋转角度α；所述放缩参数包括：像素点的横坐标的放大倍数sx，像素点的纵坐标的放大倍数sy；所述平移参数包括：像素点的水平移动距离tx，像素点的纵坐标的放大倍数ty；
15、使用旋转公式对所述第二增强图片进行旋转处理，生成对应的旋转图片；所述旋转公式为：
16、
17、其中，x1和y1为像素点在第二增强图片上的坐标，x2和y2为对应的像素点在旋转图片上的坐标；
18、使用尺度放缩公式对所述旋转图片进行旋转处理，生成对应的放缩图片；所述尺度放缩公式为：
19、
20、其中，x2和y2为对应的像素点在旋转图片上的坐标；x3和y3为像素点在放缩图片上的坐标；
21、使用平移公式对所述放缩图片进行旋转处理，生成对应的第三增强图片；所述平移公式为：
22、
23、其中，x3和y3为像素点在放缩图片上的坐标；x4和y4为对应的像素点在第三增强图片上的坐标。
24、可选的，所述指示灯单元包括第一指示灯、第二指示灯以及第三指示灯；
25、所述第一指示灯固定设置在支撑架的一端；所述第二指示灯固定设置在支撑架的中部；所述第三指示灯固定设置在支撑架的另一端；
26、在云端服务器检测到断经、双经、筘路或者筘痕的情况下，所述指示灯单元控制对应位置的指示灯亮红灯；
27、在云端服务器检测到纬向缺陷的情况下，所述指示灯单元控制对应位置的指示灯亮蓝灯；
28、在云端服务器检测到耳丝散边缺陷的情况下，所述指示灯单元控制对应位置的指示灯亮黄灯。
29、可选的，所述相机的镜头与坯布表面的距离为90cm-99cm；所述相机拍摄到的坯布面积的尺寸为4cm*5cm。
30、可选的，所述边缘计算模块对拍摄到的图像进行初步检测，包括：
31、s201、获取拼接图片；
32、s202、利用目标检测神经网络模型，对所述拼接图片进行目标识别，判断所述拼接图片上是否存在缺陷；若是，则使用矩形框框选所述拼接图片上的缺陷所在的目标区域，得到对应的缺陷框区域；
33、s203、对所述缺陷框区域中的缺陷进行预分类，得到对应的预分类结果；根据所述预分类结果，将所述预分类结果对应的所有缺陷框区域输入到预先训练好与所述预分类结果相对应的缺陷分类神经网络模型中，以判断所述预分类结果对应的各个缺陷框区域中的缺陷是否为纺织缺陷；
34、s204、分别计算每一个纺织缺陷对应的置信度。
35、可选的，所述边缘计算模块将缺陷识别置信度大于0.5的坯布缺陷照片上传到云端服务器中进行二次检测。
36、可选的，所述边缘计算模块将缺陷识别置信度大于0.1，且小于等于0.5的坯布缺陷照片存储单元中。
37、可选的，所述云端服务器对坯布照片进行二次检测，包括：利用缺陷检测模型对坯布照片上的缺陷进行二次判断，或者利用人工识别的方法，对坯布照片上的缺陷进行复核和纠正；还包括：根据坯布上的缺陷情况，按照美标四分制的标准，对每一匹坯布进行打分。
38、与现有技术相比，本发明的有益效果：
39、本发明提供一种边织边检坯布缺陷检测系统，包括边缘计算端以及云端服务器，在边缘计算模块上根据实际的生产环境部署深度学习模型，把基于深度学习的算法模型在设备上进行定点化优化，算法模型有较强的鲁棒性，可以识别布面的12类主要的缺陷。同时设计的光学方案可以很好鲁棒掉织机工程环境光照的影响。边缘端识别到有缺陷的图片在上传到云端，云端在利用大模型进行第二次的模型判断，进一步提升对布面缺陷检测的精度，可以过滤掉布面绝大部分的干扰区域和对象。采用本系统能够有效地提升坯布检测的缺陷，降低帮机工人的工作量，并且在发现坯布缺陷的时候，能够及时发出告警，避免浪费生产材料。