1.一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法，其特征在于包括如下步骤：

1)原始图像预处理：首先对工业相机采集的少量原始图像数据进行人工标定，获得不同类别图像数据对应的标签，然后对原始图像数据进行降采样；

2)图像数据分布拟合：通过极大似然估计法对步骤1)得到的图像数据进行分布拟合，获得近似服从其数据分布的概率密度函数f(x)；

3)生成随机噪声：通过Box‑Muller算法或马尔可夫链蒙特卡洛采样算法生成符合概率密度函数为f(x)的随机噪声；

4)数据增强模型的搭建和训练：融合带梯度惩罚项的WGAN‑GP和超分辨率卷积神经网络建立数据增强模型；

5)生成数据质量评价：根据图像的峰值信噪比和结构相似性评价数据增强模型生成图像数据的质量；

步骤4)的具体过程为：

a.搭建WGAN‑GP模型，并将步骤3)中的噪声生成方法构建成噪声生成模块外接在WGAN‑GP模型前端，为模型生成符合原始数据分布的噪声；

b.训练WGAN‑GP模型，训练完成后单独使用WGAN‑GP的生成模块生成一系列低分辨率图像Gn(x),n∈1,2,…,n；

c.搭建超分辨率卷积神经网络模型，并将Gn(x)输入SRCNN进行超分辨率重建，进而得到高分辨率图像数据。

2.如权利要求1所述的一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法，其特征在于步骤1)的具体过程为：通过单层卷积层或池化层方法将原始图像尺寸降采样为所需尺寸，以减少原始图像的数据冗余。

3.如权利要求1所述的一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法，其特征在于步骤2)的具体过程为：a.生成步骤1)中得到图像的灰度直方图；

b.根据灰度直方图初步判断数据近似服从的分布，写出近似服从分布估计参数的概率密度函数gn(x),n∈1,2,…,n；

c.根据gn(x)构建最大似然函数；

d.求解最大似然函数，得到待估计参数值；

e.根据灰度直方图值与gn(x)值之间的误差平方和评价拟合程度，误差平方和值最小的gn(x)即为原始图像数据分布的概率密度函数f(x)。

4.如权利要求1所述的一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法，其特征在于步骤3)中，若f(x)的概率分布函数F(x)和F(x)的反函数均可求，则采用Box‑Muller算法生成随机噪声，否则采用马尔可夫链蒙特卡洛采样算法生成随机噪声。