[发明专利]一种基于深度学习的训练数据获取方法和系统

权利要求书

1.一种基于深度学习的训练数据获取方法，其特征在于，包括如下步骤：

(1)获取样本数据；

(2)对步骤(1)得到的样本数据进行预处理操作，以得到预处理后的样本数据；

(3)将步骤(2)预处理后的样本数据输入训练好的DCGAN模型中，以得到输出结果作为最终的训练数据。

2.根据权利要求1所述的基于深度学习的训练数据获取方法，其特征在于，步骤(1)中获取样本数据，可以是通过线阵相机对可拍摄物品进行现场采集，并对采集的数据进行分类整理后得到，也可以是利用网络爬虫技术从互联网上爬取可用的标签数据后得到。

3.根据权利要求1或2所述的基于深度学习的训练数据获取方法，其特征在于，步骤(2)具体为，首先对样本数据中存在的模糊、缺损数据进行数据清洗，然后对数据清洗后的样本数据进行数据裁剪，随后，对数据裁剪后的样本数据进行归一化操作，最后对归一化操作后的样本数据进行扩容操作，以得到预处理后的样本数据。

4.根据权利要求1至3中任意一项所述的基于深度学习的训练数据获取方法，其特征在于，DCGAN模型包括彼此连接的生成器网络和判别器网络。

5.根据权利要求4所述的基于深度学习的训练数据获取方法，其特征在于，生成器网络的网络结构如下：

第一层是卷积模块层，其是由卷积层、正则化层以及激活函数组成，输入大小为256*256*3。其中，卷积核大小为3*3，步长为2，输出大小为128*128*64，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。

第二层是卷积模块层，其是由卷积层、正则化层以及激活函数组成，输入大小为128*128*64。其中，卷积核大小为3*3，步长为2，输出大小为64*64*128，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。

第三层是卷积模块层，其是由卷积层、正则化层以及激活函数组成，输入大小为64*64*128。其中，卷积核大小为3*3，步长为2，输出大小为32*32*256，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。

第四层是卷积模块层，其是由卷积层、正则化层以及激活函数组成，输入大小为32*32*256。其中，卷积核大小为3*3，步长为1，输出大小为32*32*256，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。

第五层是卷积模块层，其是由卷积层、正则化层以及激活函数组成，输入大小为32*32*256。其中，卷积核大小为3*3，步长为1，输出大小为32*32*256，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。

第六层是卷积模块层，其是由卷积层、正则化层以及激活函数组成，输入大小为32*32*512。其中，卷积核大小为3*3，步长为1，输出大小为32*32*256，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。

第七层是上卷积模块层，由上采样层、正则化层、激活函数按顺序前后串联形成，输入大小为32*32*256。其中，上采样步长为2，输出大小64*64*128，卷积核尺寸为3*3，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。

第八层是卷积模块层，其是由卷积层、正则化层以及激活函数组成，输入大小为64*64*256。其中，卷积核大小为3*3，步长为1，输出大小为64*64*128，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。

第九层是上卷积模块层，由上采样层、正则化层、激活函数按顺序前后串联形成，输入大小为64*64*128。其中，上采样步长为2，输出大小128*128*64，卷积核尺寸为3*3，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。

第十层是卷积模块层，其是由卷积层、正则化层以及激活函数组成，输入大小为128*128*128。其中，卷积核大小为3*3，步长为1，输出大小为128*128*64，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。

第十一层是上卷积模块层，由上采样层、正则化层、激活函数按顺序前后串联形成，输入大小为128*128*64。其中，上采样步长为2，输出大小256*256*3，卷积核尺寸为3*3，正则化层的local_size是5，alpha值是0.0001，beta值是0.75，激活函数采用ReLU。