1.一种基于自适应掩码重建的异常检测方法，其特征在于，包括：获取与待检测图像属于同一类型的训练图像集，所述训练图像集中均为正常图像；

对所述训练图像集中的图像进行预处理，得到伪异常图像，包括：将所述训练图像集中的图像大小变换为256×256，并进行随机旋转，得到标准化图像；

在所述标准化图像中随机选取一块长方形区域，并将所述长方形区域内图像的亮度和对比度进行随机调整；

将随机调整后的长方形区域内图像随机粘贴到所述标准化图像的任意位置，得到伪异常图像；

对所述伪异常图像进行自适应掩码覆盖，每张伪异常图像生成三张具有不同掩码区域的异常图像，包括：将所述标准化图像变为灰度图；

构建所述灰度图的灰度共生矩阵并标准化；

计算所述标准化灰度共生矩阵的纹理特征并映射到0‑1内，所述纹理特征包括对比度、能量和熵；

基于所述纹理特征的映射值计算掩码边长：

；

其中，为掩码边长， 为对比度映射值， 为能量映射值， 为熵映射值；

将所述伪异常图像复制成三张，对每张伪异常图像分别基于所述掩码边长进行掩码覆盖，生成三张具有不同掩码区域的异常图像，具体生成方式为：将所述伪异常图像从（0，0）位置开始，按行顺序划分成若干边长为 的网格，如果图像边缘的剩下长度不足 ，则放弃剩余的边缘部分，将所述划分网格后的伪异常图像复制为三张，并分别按如下方式进行处理：第一张：将图像中网格的第一个方格内像素点值变为0，之后每隔两个方格涂黑一个方格，以此类推，直到图像内的最后一个方格；

第二张：将图像中网格的第二个方格内像素点值变为0，之后每隔两个方格涂黑一个方格，以此类推，直到图像内的最后一个方格；

第三张：将第一张和第二张图像未涂黑的区域全部涂黑；

搭建U‑net网络，以带掩码区域的异常图像为输入，训练所述U‑net网络，得到训练好的U‑net网络，作为图像重构模型；

将待检测图像进行预处理及自适应掩码覆盖后，得到三张具有不同掩码区域的异常图像；

将待检测图像生成的三张具有不同掩码区域的异常图像输入所述图像重构模型，得到三张重构图像，并基于损失计算选取待检测图像最终的重构图像；

基于待检测图像和待检测图像最终的重构图像进行异常判断。

2.根据权利要求1所述的一种基于自适应掩码重建的异常检测方法，其特征在于，所述待检测图像为以下任意一种图像：工业检测图像、视频监控图像、医学影像分析图像和智能交通图像。

3.根据权利要求2所述的一种基于自适应掩码重建的异常检测方法，其特征在于，对所述训练图像集中的图像进行预处理，得到伪异常图像，包括：将所述训练图像集中的图像大小变换为256×256像素点，每张随机旋转0°，90°，180°，

270°中的一种，得到标准化图像；

按如下方式对所述标准化图像重复操作四次，得到伪异常图像：在10‑25中随机抽取一个数z，在0‑255中随机抽取两个数 与 ，以标准化图像上坐标为 的像素点作为矩形的左上角顶点，生成一个边长为z个像素点的正方形，正方形内包含标准化图像对应区域内的内容；

采用OpenCV的库函数对所述正方形内图像的亮度和对比度进行调整，调整到0.8‑1.2倍；

将调整后的正方形内图像随机粘贴到所述标准化图像的任意位置。

4.根据权利要求2所述的一种基于自适应掩码重建的异常检测方法，其特征在于，训练所述U‑net网络，包括：使用均方误差损失与结构相似性损失作为损失函数，计算损失和，并采用反向传播算法优化所述U‑net网络，直至训练完成，得到图像重构模型。

5.根据权利要求2所述的一种基于自适应掩码重建的异常检测方法，其特征在于，所述基于损失计算选取待检测图像最终的重构图像，包括：得到待检测图像的三种重构图像，并分别计算三张重构图像与所对应的标准化图像的均方误差损失与结构相似性损失的损失和，将损失和最大的重构图像作为待检测图像最终的重构图像。

6.根据权利要求5所述的一种基于自适应掩码重建的异常检测方法，其特征在于，所述基于待检测图像和待检测图像最终的重构图像进行异常判断，包括：将所述待检测图像与待检测图像最终的重构图像转换为LAB颜色空间，计算两个LAB图像之间的颜色差异，得到差异图；

提取所述差异图中的红色通道和蓝色通道；

将所述红色通道和蓝色通道相加得到颜色差异图；

对所述颜色差异图采用平均滤波器进行模糊处理；

将所述模糊处理后的颜色差异图所有像素点值进行归一化操作；

选择归一化操作后最大的像素点值作为异常分数，将异常分数大于0.5的判断为异常，否则为正常。

7.一种基于自适应掩码重建的异常检测装置，用于实现权利要求1至6任意一项所述的基于自适应掩码重建的异常检测方法，其特征在于，所述装置包括：数据获取模块，用于获取与待检测图像属于同一类型的训练图像集，所述训练图像集中均为正常图像；

预处理模块，用于对所述训练图像集中的图像进行预处理，得到伪异常图像；

掩码模块，用于对所述伪异常图像进行自适应掩码覆盖，每张伪异常图像生成三张具有不同掩码区域的异常图像；

模型构建模块，用于搭建U‑net网络，以带掩码区域的异常图像为输入，训练所述U‑net网络，得到训练好的U‑net网络，作为图像重构模型；

重构输出模块，用于将待检测图像进行预处理及自适应掩码覆盖后，得到三张具有不同掩码区域的异常图像，以及将待检测图像生成的三张具有不同掩码区域的异常图像输入所述图像重构模型，得到三张重构图像，并基于损失计算选取待检测图像最终的重构图像；

判断输出模块，用于基于待检测图像和待检测图像最终的重构图像进行异常判断。