1.基于改进srgan模型的超分辨率螺栓图像生成方法，其特征在于：包括步骤s1模型训练使用的数据集、s2建立生成式对抗网络模型、s3生成器损失函数构建、s4判别器损失函数构建和s5高分辨率螺栓图像生成，在步骤s4判别器损失函数构建的srgan模型的损失函数中加入相对均值鉴别器以平衡生成器和判别器的能力。
2.根据权利要求1所述的基于改进srgan模型的超分辨率螺栓图像生成方法，其特征在于：在所述步骤s2建立生成式对抗网络模型中去除生成器网络中的bn层以降低模型计算复杂度。
3.根据权利要求1所述的基于改进srgan模型的超分辨率螺栓图像生成方法，其特征在于：所述步骤s4判别器损失函数构建包括判别器损失函数为生成的高分辨率图像和真实的高分辨率图像通过判别网络得到的差异损失，在判别器损失函数中引入相对均值鉴别器，相对均值鉴别器的计算公式如下所示：
dra(xr,xf)＝σ(c(xr)-exf[c(xf)])(4)
其中，σ为激活函数，c(xr)是真实高分辨率图像未经判别器最后层激活函数的输出，e()代表期望函数，c(xf)是低分辨率图像未经判别器最后层激活函数的输出；
加入相对均值鉴别器之后，判别器损失函数计算公式如下所示：
式(6)中，xr代表高分辨率图像，p是高分辨率图像的概率分布，xf是经过生成器生成的高分辨率样本，q是生成的高分辨率图像的概率分布，e()代表期望函数。
4.根据权利要求1所述的基于改进srgan模型的超分辨率螺栓图像生成方法，其特征在于：所述步骤s2建立生成式对抗网络模型包括生成器g采用残差网络结构，移除残差网络中的批量归一化层即bn层。
5.根据权利要求4所述的基于改进srgan模型的超分辨率螺栓图像生成方法，其特征在于：在所述s2建立生成式对抗网络模型的步骤中，螺栓图像超分辨率网络基于生成式对抗网络gan，由一个生成器g和一个判别器d构成，生成器g生成服从真实数据分布的假样本，判别器d是一个二分类器，用来评估所述假样本是真实图像的概率，产生的概率值反作用到生成器g来帮助其继续训练，直到最后生成判别器d无法辨真假的假样本。
6.根据权利要求4所述的基于改进srgan模型的超分辨率螺栓图像生成方法，其特征在于：在所述s2建立生成式对抗网络模型的步骤中，生成器g使用15个卷积层，输入为低分辨率螺栓图像，经过一个卷积核大小为9×9的卷积层，prelu激活层，经过5个去除了bn层的残差结构块，中间采用跳层连接，第一层的输出作为第三层的输入，第三层的输出作为第五层的输入，通过两个亚像素卷积层来增加输入图像的分辨率，最后输出高分辨率的螺栓图像。
7.根据权利要求4所述的基于改进srgan模型的超分辨率螺栓图像生成方法，其特征在于：在所述s2建立生成式对抗网络模型的步骤中，判别器d的网络使用了vgg网络，输入是真实的高分辨率螺栓图像和生成的螺栓图像，判别器d的网络包含8个卷积层，全部为3×3大小的卷积核，每两个卷积层的输出映射数是一样的，从64到512，成两倍的变化，每次输出映射数变化，卷积网络就降低图像的分辨率，512个特征映射后是两个密度层denselayer、一个leakyrelu激活函数以及一个sigmoid激活函数，增加了区分hr图像和sr图像可能性，两个密度层一个是1024层，另外一个只有1层。
8.根据权利要求1所述的基于改进srgan模型的超分辨率螺栓图像生成方法，其特征在于：所述步骤s1模型训练使用的数据集包括收集模型训练使用的数据集，将高分辨率图像和低分辨率图像一一对应。
9.根据权利要求1所述的基于改进srgan模型的超分辨率螺栓图像生成方法，其特征在于：所述步骤s3生成器损失函数构建包括以下步骤，生成器损失函数为：
式1中，
基于内容的损失函数通过重构图像的特征表示和对应的高清晰度图像之间的欧式距离表示，计算公式如下所示：
式(2)中，wi,j、hi,j描述了vgg网络中对应特征图宽度和高度的维数，φi,j表示第i个最大值池化层前第j个卷积层的特征图，ihr为高分辨率图像，ilr为低分辨率图像，
基于对抗学习的代价函数的计算公式如下所示：
式(3)中，
10.根据权利要求1所述的基于改进srgan模型的超分辨率螺栓图像生成方法，其特征在于：所述步骤s5高分辨率螺栓图像生成包括将低分辨率的螺栓图像输入训练好的生成器模型中，获得高分辨率的螺栓图像。