1.一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述方法包括以下步骤：

S1：获取数据，通过实验装置设备采集牛顿‑拉夫逊MIT电导率分布图；

S2：数据处理，根据物场内导体所处的位置和形状得出真实电导率图；

S3：构建Deep‑MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；

所述步骤S3包括以下步骤：

S3‑1：构建Deep‑MIT生成对抗网络的生成网络，借鉴U‑Net的结构，生成网络包含一个用于捕捉上下文语义信息的收缩路径(contracting path)和一个用于精准定位的扩展路径(expanding path)，是一个端到端的网络，将源域图像xi作为网络的输入，经过生成网络，生成器生成出近似目标域y的图像G(xi)，使得G(xi)≈yi；

S3‑2：构建Deep‑MIT生成对抗网络的判别网络，判别网络的任务与传统的生成对抗网络不同，不仅需要对由生成网络生成的图片和真实电导率图判断真假，还需判断该图片是否与输入的牛顿‑拉夫逊MIT电导率分布图为对应图，因此将输入的电导率图与生成图像、真实的电导率图分别在第3通道进行拼接，然后一起作为输入判别器，其损失函数如下：LGAN(G,D)＝Ex,y[logD(x,y)]+Ex[log(1‑D(x,G(x)))]

其中x表示源域图像，y表示真实图片像，G(x)为生成图像，D(x,y)表示判别网络判断真实图片是否真实的概率，而D(x,G(x))是判别网络判断生成网络生成的图片是否真实的概率；

另外加入了L1损失用来保证输入图像与输出图像之间的相似度，选择L1距离，是因为相比于L2，L1距离产生的模糊更小，L1损失函数如下：S3‑3：Deep‑MIT网络的生成网络和判别网络交替训练，使用Adam优化器，整个Deep‑MIT网络的目标函数如下：整个式子由两项构成，生成器G的目标是最小化LGAN(G,D)，判别器D目标是最大化LGAN(G,D)；λ为L1损失函数的权重；

S4：将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。

2.如权利要求1所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S1中，实验装置采用16通道的复用线圈MIT数据采集系统，实验装置为圆形物场，在此圆形区域内划分749个坐标，将以两个不同直径的实心橡胶棒的圆心为中心，分别放置于各个坐标点上，共有1498种电导率分布模型，通过实验装置的图像重构模块得到牛顿‑拉夫逊电导率分布图，保存为PNG格式，考虑到实验装置中噪声对成像的影响，每个坐标采集20帧数据图片，并只选取第15帧的数据作为有效数据，共采集6个周期，即每种电导率分布模型有6个不同数据。

3.如权利要求1或2所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S2中，根据物场区域内目标物所处的位置和形状，得到每种电导率分布模型对应的真实电导率分布图，作为对应牛顿‑拉夫逊电导率分布图的条件标签，将所有的数据图片进行预处理，转换成256*256的尺寸，这样有利于加快卷积神经网络的训练，有利于提高模型的精度，按照9：1的比例将数据集划分为训练集和测试集，训练集{xi,yi}i，xi表示第i对数据中由牛顿‑拉夫逊算法得出的MIT电导率分布图，yi表示第i对数据中的真实电导率分布图。

4.如权利要求1所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S3‑1中，生成网络将源域图像xi作为网络的输入，首先经过卷积核尺寸为5*5的无填充卷积，每次卷积后都经过ReLU函数作用，以及尺寸为2*2，步长为2的max pooling来进行降采样，每次降采样，feature map变为原来的一半，channels变为原来的2倍，重复该步骤4次；而后进入扩展路径，经过5*5的反卷积，反卷积的output channels为原先的一半，feature map的长和宽加倍，再进行跳跃连接层方法，即将i层直接与第n‑i层通过通道串接，n为总的层数，合并层会导致平移不变性，这对于减少重建过程中的位置偏差非常重要，最后经过两个尺寸为5*5的卷积及经过ReLU作用，重复该扩展网络步骤4次，生成器生成出近似目标域y的图像G(xi)，使得G(xi)≈yi。

5.如权利要求1所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S3‑3中，使用Adam优化器，不但存储了过去梯度的平方vt的指数衰减平均值，也保持了过去梯度mt的指数衰减平均值：mt＝β1mt‑1+(1‑β1)gt

如果mt和vt被初始化为0向量，那它们就会向0偏置，所以做了偏差校正，通过计算偏差校正后的mt和vt来抵消这些偏差：梯度更新规则：

超参数设定值，β1＝0.9，β2＝0.999，∈＝10e‑8。

6.如权利要求1或2所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S4中，将测试集中的牛顿‑拉夫逊电导率图输入训练模型中，生成出对应的深度电导率分布图。