1.一种基于生成对抗网络的异常检测系统，其特征在于，包括数据采集模块、训练模块、检测模块，所述数据采集模块用于收集无病变图像和有病变图像，并形成训练集；所述训练模块用于采用训练集训练网络模型得到训练后的网络模型；所述检测模块用于将待测数据输入训练后的网络模型并输出检测结果；

所述网络模型包括特征映射网络部分、生成器网络部分以及判别器网络部分，所述特征映射网络部分用于将图像样本映射成隐藏空间张量，所述生成器网络部分用于从隐藏空间张量中学习图像的真实分布，以生成重构图，所述判别器网络部分用于区分真实图像与重构图像；

所述生成器网络部分包括从左至右依次设置的卷积层、批归一化层、激活函数层、细节注意力模块、特征拼接层、残差块，所述细节注意力模块的输入为特征映射网络部分和生成器网络部分中不同层次的特征信息，且输出为融合细节信息的特征信息；所述细节注意力模块用于将特征映射网络部分底层包含的细节特征补充到生成器网络部分上，以增加重构图的细腻度；

所述细节注意力模块包括从左至右依次设置的特征点乘层、反卷积层、硬注意力模块、特征相加层；所述特征映射网络部分和生成器网络部分中不同层次的特征信息通过特征点乘层处理得到相关性，所述反卷积层用于对相关性矩阵进行变换，使相关性矩阵的维度与用于提取细节信息的特征图的维度保持一致；所述硬注意力模块用于从用于提取细节信息的特征图中提取对应高相关性位置的细节信息并构成细节特征图块，所述细节特征图块与用于提取细节信息的特征图通过特征相加层进行融合。

2.根据权利要求1所述的一种基于生成对抗网络的异常检测系统，其特征在于，所述细节注意力模块还包括从左至右依次设置在特征相加层后的卷积层、批归一化层、激活函数层；所述卷积层用于提高融合后信息的通道方向上的融合度。

3.根据权利要求1或2所述的一种基于生成对抗网络的异常检测系统，其特征在于，所述特征映射网络部分采用VGG19网络。

4.根据权利要求1或2所述的一种基于生成对抗网络的异常检测系统，其特征在于，所述判别器网络部分包括从左至右依次设置的卷积层、批归一化层、激活函数层、全连接层。

5.一种基于生成对抗网络的异常检测方法，采用权利要求1‑4任一项所述的异常检测系统进行，其特征在于，包括以下步骤：步骤S100：收集无病变和有病变的图像，并形成训练集，步骤S200：搭建网络模型并进行训练，首先选取优化器和衰减方式，并同时初始化网络模型，然后采用交替训练的方式进行学习，先固定特征映射网络部分和生成器网络部分的权重参数，训练判别器网络部分，直到训练次数达到预设值；再固定判别器网络部分的权重参数，训练特征映射网络部分和生成器网络部分；

步骤S300：将待测数据输入训练后的网络模型并输出检测结果。

6.根据权利要求5所述的一种基于生成对抗网络的异常检测方法，其特征在于，所述步骤S200中，所述网络模型使用重构图误差损失函数和对抗损失函数计算损失值，所述重构图误差损失函数用于计算重构图与真实图像之间的误差。

7.根据权利要求6所述的一种基于生成对抗网络的异常检测方法，其特征在于，所述重构图误差损失函数采用L1损失函数。

8.根据权利要求6所述的一种基于生成对抗网络的异常检测方法，其特征在于，所述对抗损失函数包括交叉熵损失函数和回归损失函数，所述交叉熵损失函数对引入与输入数据分布一致的条件进行计算，回归损失函数采用L1损失函数。

9.一种计算机可读存储介质，存储有计算机程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求5‑8任一项所述的异常检测方法。