1.一种光纤端面缺陷检测方法，包括：

采集光纤端面的第一正常样本数据集和第一缺陷样本数据集；

构造条件生成对抗网络模型，通过所述条件生成对抗网络模型对所述第一正常样本数据集的特征和高斯噪声进行处理，获得第一生成图像；

根据所述第一生成图像、第一缺陷样本数据集和所述特征对条件生成对抗网络模型进行对抗训练；

将所述第一生成图像加入第一缺陷样本数据集中，构成第二缺陷样本数据集；

构造循环生成对抗网络模型，根据所述第一正常样本数据集和第二缺陷样本数据集对所述循环生成对抗网络模型进行对抗训练，获得第二生成图像和第二正常样本数据集；

将所述第二生成图像加入第二缺陷样本数据集进行扩充，获得扩充后的第二缺陷样本数据集，扩充后的所述第二缺陷样本数据集用于继续训练所述循环生成对抗网络模型；

根据第二缺陷样本数据集与所述第二正常样本数据集进行差分处理，获得缺陷区域。

2.如权利要求1所述的光纤端面缺陷检测方法，其中，所述条件生成对抗网络模型的训练过程包括:将所述第一正常样本数据集输入到深度卷积神经网络中提取特征，使用格拉姆矩阵表示所述特征；

将所述格拉姆矩阵作为条件c输入到所述条件生成对抗网络模型中，输出第一生成图像；

将所述第一生成图像、第一缺陷样本数据集和所述条件c输入判别器网络进行对抗训练。

3.如权利要求1所述的光纤端面缺陷检测方法，其中，所述循环生成对抗网络模型的训练过程包括：所述循环生成对抗网络模型包括正向生成器、反向生成器和判别器，将所述第二缺陷样本数据集输入所述正向生成器，获得第二正常样本数据集；

将所述第二正常样本数据集与所述第一正常样本数据集输入判别器中，利用判别器优化损失函数，使所述正向生成器学习正常样本的分布；

将所述第二生成图像输入到所述反向生成器中生成缺陷图像，通过循环一致性损失函数使所述反向生成器学习所述缺陷图像的分布。

4.如权利要求1所述的光纤端面缺陷检测方法，其中，所述对抗训练还包括：输入所述第二缺陷样本数据集到正向生成器中，获得第二正常样本数据集；

将第二正常样本数据集输入到反向生成器中，获得第二生成图像；

将所述第二生成图像加入所述第二缺陷样本数据集，用于扩充第二缺陷样本数据集。

5.一种光纤端面缺陷检测设备，其特征在于，所述光纤端面缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光纤端面缺陷检测程序，所述光纤端面缺陷检测程序被所述处理器执行时实现如权利要求1至4中任一项所述的光纤端面缺陷检测方法的步骤。

6.一种计算机可读存储介质，所述存储介质上存储有光纤端面缺陷检测程序，所述光纤端面缺陷检测程序被处理器执行时实现如权利要求1至4中任一项所述的光纤端面缺陷检测方法的步骤。