1.一种钢材表面缺陷检测模型的训练方法，其特征在于，包括：

获取钢材表面缺陷图像并进行放缩与归一化处理；

将归一化处理后的钢材表面缺陷图像输入数据增强网络，所述数据增强网络包括图像数据生成模块和图像数据鉴别模块，所述图像数据生成模块对所述钢材表面缺陷图像进行正向加噪处理，再对正向加噪处理后的钢材表面缺陷图像进行反向去噪处理，以重复直至获取与所述钢材表面缺陷图像具有相同分布特征的增强合成图像，所述图像数据鉴别模块对所述钢材表面缺陷图像和所述增强合成图像进行真实概率判断，以将筛选获取到的图像制作成钢材表面缺陷图像数据集；

所述再对正向加噪处理后的钢材表面缺陷图像进行反向去噪处理的步骤包括：

图像数据生成模块根据如下公式对钢材表面缺陷图像进行反向去噪，以滤除噪声后获取与原始输入图像具有相同分布特征的新图像，其中， 表示噪声调度因子， 表示当 取 时对应的 的累乘值， 表示当 取中的某个特定值， 表示在经过 时刻加噪后的图像， 表示反向去噪分布，表示反向去噪分布 中的均值， 是反向去噪分布中的方差， 表示通过反向去噪过程得到并符合初始分布的钢材表面缺陷图像， 的计算公式如下：其中，表示添加到 的噪声；

根据所述钢材表面缺陷图像数据集，构建钢材表面缺陷检测模型并进行模型训练，所述钢材表面缺陷检测模型包括自适应矩估计优化模块，所述自适应矩估计优化模块进行动量更新，再进行梯度平方的指数移动平均更新，以进行学习率的自适应调整，又进行参数更新，以迭代后获取最终钢材表面缺陷检测模型。

2.根据权利要求1所述的钢材表面缺陷检测模型的训练方法，其特征在于，所述获取钢材表面缺陷图像并进行放缩与归一化处理的步骤包括：采集原始钢材表面缺陷图像并根据缺陷种类进行分类分割，以获取钢材表面缺陷图像，所述钢材表面缺陷图像包括碳化痕迹缺陷图像、斑点缺陷图像、凹坑缺陷图像、氧化层缺陷图像、划痕缺陷图像、焊缝线缺陷图像、油斑缺陷图像、丝斑缺陷图像和新月形缝隙缺陷图像；

根据预先设定的模型网络输入尺寸进行放缩与归一化处理。

3.根据权利要求1所述的钢材表面缺陷检测模型的训练方法，其特征在于，所述图像数据生成模块对所述钢材表面缺陷图像进行正向加噪处理的步骤包括：图像数据生成模块根据如下公式对钢材表面缺陷图像进行正向加噪处理，以将钢材表面缺陷图像转化为各向同性的高斯纯噪声图像，其中， 表示钢材表面缺陷图像的集合， 表示钢材表面缺陷图像， 表示噪声调度因子，表示从均匀分布 中随机采样的时刻，表示正向加噪的过程， 表示逐步加噪后的图像， 表示在经过 时刻加噪后的图像， 表示在已知 的分布下求 的分布，表示单位矩阵。

4.根据权利要求1所述的钢材表面缺陷检测模型的训练方法，其特征在于，所述图像数据鉴别模块对所述钢材表面缺陷图像和所述增强合成图像进行真实概率判断，以将筛选获取到的图像制作成钢材表面缺陷图像数据集的步骤包括：将钢材表面缺陷图像和增强合成图像输入图像数据鉴别模块，以根据如下公式进行图像筛选：其中，是钢材表面缺陷图像的真实数据样本，是从图像数据生成模块中随机采样的噪声向量， 表示随机向量 服从真实数据分布 ， 表示将随机噪声 输入给图像数据生成模块， 是图像数据生成模块给定噪声 时生成的非真实数据样本， 与 分别表示图像数据鉴别模块对真实图像数据样本和图像数据生成模块生成的非真实图像数据样本的输出， 表示图像数据鉴别模块的损失函数，表示图 像数 据鉴 别模块 对真实 数据 的预测 误差 ，表示图像数据鉴别模块对生成数据的预测误差；

并进行真实概率判断，若 接近于1，则图像数据鉴别模块判定样本 是真实数据样本，若 接近于0，则图像数据鉴别模块判定 是非真实数据样本，将钢材表面缺陷图像和被筛选为真实数据样本的增强合成图像制作为钢材表面缺陷图像数据集。

5.根据权利要求1所述的钢材表面缺陷检测模型的训练方法，其特征在于，所述自适应矩估计优化模块进行动量更新，再进行梯度平方的指数移动平均更新，以进行学习率的自适应调整，又进行参数更新的步骤包括：自适应矩估计优化模块根据如下公式进行动量更新：

其中， 是当前时刻的动量， 是前一时刻的动量， 是动量的指数衰减率，设置为

0.9， 是当前时刻的梯度， 是当前时刻的参数， 是前一时刻的参数，是学习率；

再根据梯度的二阶矩估计进行自适应学习率调整，所述自适应学习率调整根据如下公式进行梯度平方的指数移动平均更新：其中， 为当前时刻的梯度平方的指数移动平均， 为前一时刻的梯度平方的指数移动平均， 是梯度平方的指数移动平均的衰减率，设置为0.999；

最后根据如下公式进行参数更新：

其中，是一个无限接近于0但不等于0的常数。

6.根据权利要求1所述的钢材表面缺陷检测模型的训练方法，其特征在于，所述自适应矩估计优化模块进行动量更新，再进行梯度平方的指数移动平均更新，以进行学习率的自适应调整，又进行参数更新的步骤之后还包括：根据二元交叉熵损失函数进行目标对象损失和目标类别损失的计算，计算公式如下：其中， 表示目标对象损失， 表示目标类别损失， 表示预测的第i个格子中第j个边界框是否包含目标， 表示特征图高和宽的乘积，B表示每个格子预测的边界框数量，表示目标类别数量， 是一个指示函数，当格子i中第j个边界框包含目标时为

1，否则为0， 是一个指示函数，当格子i中第j个边界框不包含目标时为1，否则为0，表示预测的第i个格子中第j个边界框属于第c个类别的概率， 是一个指示函数，当边界框属于第c个类别时为1，否则为0；

根据均方误差损失进行边界框坐标损失计算，计算公式如下：

其中 、 、 、 分别表示第i个格子中第j个边界框的中心点横坐标、中心点纵坐标宽度和高度， 表示预测的第i个格子中第j个边界框的中心点在水平方向上的偏移量，表示预测的第i个格子中第j个边界框的中心点在垂直方向上的偏移量， 表示预测的第i个格子中第j个边界框的宽度相对于真实边界框的缩放比例的对数， 表示预测的第i个格子中第j个边界框的高度相对于真实边界框的缩放比例的对数， 是一个平衡边界框坐标损失和其他损失的权重超参数， 是坐标损失；

根据GIOU损失函数计算预测框与真实框之间的重叠程度，计算公式如下：

其中， 表示GIOU损失， 是一个包含预测框和真实框的最小闭合区域的面积， 表示第i个格子中第j个边界框的真实坐标， 表示第i个格子中第j个边界框的预测坐标， 是预测的边界框与真实边界框之间的 ， 是广义交并比。

7.一种钢材表面缺陷检测模型的训练系统，其特征在于，包括：

图像采集模块，用于获取钢材表面缺陷图像并进行放缩与归一化处理；

数据增强模块，用于将归一化处理后的钢材表面缺陷图像输入数据增强网络，所述数据增强网络包括图像数据生成模块和图像数据鉴别模块，所述图像数据生成模块对所述钢材表面缺陷图像进行正向加噪处理，再对正向加噪处理后的钢材表面缺陷图像进行反向去噪处理，以重复直至获取与所述钢材表面缺陷图像具有相同分布特征的增强合成图像，所述图像数据鉴别模块对所述钢材表面缺陷图像和所述增强合成图像进行真实概率判断，以将筛选获取到的图像制作成钢材表面缺陷图像数据集，所述再对正向加噪处理后的钢材表面缺陷图像进行反向去噪处理的步骤包括：图像数据生成模块根据如下公式对钢材表面缺陷图像进行反向去噪，以滤除噪声后获取与原始输入图像具有相同分布特征的新图像，其中， 表示噪声调度因子， 表示当 取 时对应的 的累乘值， 表示当 取中的某个特定值， 表示在经过 时刻加噪后的图像， 表示反向去噪分布，表示反向去噪分布 中的均值， 是反向去噪分布中的方差， 表示通过反向去噪过程得到并符合初始分布的钢材表面缺陷图像， 的计算公式如下：其中，表示添加到 的噪声；

优化训练模块，用于根据所述钢材表面缺陷图像数据集，构建钢材表面缺陷检测模型并进行迭代训练，所述钢材表面缺陷检测模型包括自适应矩估计优化模块，所述自适应矩估计优化模块进行动量更新，再进行梯度平方的指数移动平均更新，以进行学习率的自适应调整，又进行参数更新，以迭代后获取最终钢材表面缺陷检测模型。

8.一种存储介质，其特征在于，所述存储介质存储一个或多个程序，该程序被处理器执行时实现如权利要求1‑6任一项所述的钢材表面缺陷检测模型的训练方法。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，其中：

所述存储器用于存放计算机程序；

所述处理器用于执行所述存储器上所存放的计算机程序时，实现权利要求1‑6任一项所述的钢材表面缺陷检测模型的训练方法。