1.一种带钢表面缺陷检测方法，其特征在于，包括以下步骤：S1、获取带钢表面缺陷样本，将缺陷样本分为训练集和测试集；

S2、构建基于残差模块优化的改进ACGAN模型，所述改进ACGAN模型包括生成器网络和判别器网络；

S3、以不同的比例训练改进ACGAN模型的判别器网络和生成器网络，并引入生成对抗机制，获得判别器和生成器的判别损失和分类损失；

S4、在判别器中引入梯度惩罚机制，并与判别损失和分类损失相结合，基于训练集利用梯度下降法优化判别器网络模型参数，获得优化后的判别器网络模型；

S5、将生成器判别损失和分类损失相结合，基于训练集利用梯度下降法更新生成器网络模型参数，获得优化后的生成器网络模型；

S6、重复S3至S5，迭代以使得生成器和判别器达到纳什平衡，所述改进ACGAN模型收敛到最佳，保存模型参数，获得优化后的改进ACGAN模型；

S7、将测试集数据输入至优化后的改进ACGAN模型，实现带钢表面缺陷检测；

其中，所述S2包括：

构建生成器网络，所述生成器网络包括依次设置的1个第一全连接层、5个上采样残差块和1个第一卷积层；

构建判别器网络，所述判别器网络包括6个下采样残差块、2个第二全连接层和2个输出层，其中，2个全连接层与基础ACGAN网络一致，分别对应于判别层和分类层，2个输出层对应于判别打分输出和预测类别概率输出；

G D

分别初始化生成器和判别器的网络参数θ和θ。

2.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，所述上采样残差块包括res1子模块、res2子模块和short‑cut子模块；

所述res1子模块包括依次设置的批归一化、激活函数ReLU、上采样层和3×3卷积层；

所述res2子模块包括依次设置的批归一化、激活函数ReLU和3×3卷积层；

所述short‑cut子模块包括上采样层和1×1卷积层。

3.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，所述下采样残差块包括res1子模块、res2子模块和short‑cut子模块；

所述res1子模块包括3×3卷积层和Leaky ReLU激活函数；

所述res2子模块包括3×3卷积层、Leaky ReLU激活函数和下采样层；

所述short‑cut子模块包含下采样层和1×1卷积层。

4.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，所述S3包括：随机采样满足均匀分布的噪声向量与随机采样的one‑hot类别标签向量联合组成输入生成器网络生成新样本，其样本分布为Pg；

将生成新样本和真实训练集样本输入判别器得到相应的判别打分和预测类别概率，基于生成对抗机制将判别器的真假判别变为生成样本的质量判别；

依据生成样本质量改进判别器的判别对象，改进判别器的判别损失；

依据生成对抗网络的对抗机制，获取对应所述生成器的判别损失；

根据交叉熵函数计算生成器和判别器网络的分类损失。

5.根据权利要求4所述的带钢表面缺陷检测方法，其特征在于，所述依据生成样本质量改进判别器的判别对象，改进判别器的判别损失，包括：判别器的判别损失 为：

其中，D(x)为判别器的判别打分，参数π＝0.3为生成样本质量高低的比例，即生成样本分布为Pg＝πPgr+(1‑π)Pgf，Pgr表示高质量生成样本分布，Pgf表示低质量生成样本分布；

依据生成对抗机制，判别器的目标为当样本为高质量生成样本时，最大化判别器打分D(x)；当样本为低质量生成样本时，最小化判别器打分D(x)，即最大化(1‑D(x))；

当迭代预设周期时，高质量样本分布Pgr能够等同于真实样本分布Pd，低质量样本分布Pgf能够由所述生成样本和高质量样本之差表示：改进后的判别器网络的判别损失通过生成样本和真实样本计算：进一步改进判别器的判别损失为：

6.根据权利要求5所述的带钢表面缺陷检测方法，其特征在于，所述依据生成对抗网络的对抗机制，获取对应所述生成器的判别损失，包括：生成器的判别损失

所述根据交叉熵函数计算生成器和判别器网络的分类损失，包括：分类损失

其中，h是样本序数，B为生成样本总数或真实样本总数， 为对应数据判别器所输出的预测类别概率，Yh为输入样本的真实标签。

7.根据权利要求6所述的带钢表面缺陷检测方法，其特征在于，所述S4包括：梯度惩罚项为：

其中，δ取自服从与真实样本标准差的均匀分布，通过在真实样本周围插入干扰样本(x+δ)以限制判别器在真实样本分布中的梯度；

判别器网络的总损失为：

其中，λ和γ分别表示分类损失与梯度惩罚对于判别器模型的重要程度；

通过反向传播，利用梯度下降法迭代更新模型参数，优化判别器的损失；

D

在每次迭代过程中，判别器的参数θ通过判别器学习率αD进行更新：

8.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，所述将生成器判别损失和分类损失相结合，基于训练集利用梯度下降法更新生成器网络模型参数，包括：生成器网络的损失为：

其中，λ表示分类损失对于生成器模型的重要程度， 为生成器的判别损失，Lc为分类损失；

G

结合生成器学习率αG优化分布差异与分类损失，更新生成器参数θ：

9.一种基于改进辅助分类生成对抗网络的带钢表面缺陷检测系统，其特征在于，包括：样本获取模块，所述样本获取模块用于获取带钢表面缺陷样本，将缺陷样本分为训练集和测试集；

模型构建模块，所述模型构建模块用于构建基于残差模块优化的改进ACGAN模型，所述改进ACGAN模型包括：构建生成器网络，所述生成器网络包括依次设置的1个第一全连接层、

5个上采样残差块和1个第一卷积层；构建判别器网络，所述判别器网络包括6个下采样残差块、2个第二全连接层和2个输出层，其中，2个全连接层与基础ACGAN网络一致，分别对应于判别层和分类层，2个输出层对应于判别打分输出和预测类别概率输出；分别初始化生成器G D

和判别器的网络参数θ和θ；

损失获取模块，所述损失获取模块以不同的比例训练改进ACGAN模型的判别器网络和生成器网络，并引入生成对抗机制，获得判别器和生成器的判别损失和分类损失；

判别器网络优化模块，所述判别器网络优化模块用于在判别器中引入梯度惩罚机制，并与判别损失和分类损失相结合，基于训练集利用梯度下降法优化判别器网络模型参数，获得优化后的判别器网络模型；

生成器网络优化模块，所述生成器网络优化模块用于将生成器判别损失和分类损失相结合，基于训练集利用梯度下降法更新生成器网络模型参数，获得优化后的生成器网络模型；

改进ACGAN模型优化模块，所述改进ACGAN模型优化模块用于迭代以使得生成器和判别器达到纳什平衡，所述改进ACGAN模型收敛到最佳，保存模型参数，获得优化后的改进ACGAN模型；

测试模块，所述测试模块将测试集数据输入至优化后的改进ACGAN模型，实现带钢表面缺陷检测。