基于改进CycleGAN的水稻叶片病害图像增强方法

TP391%S43; [目的/意义]针对水稻病害图像识别任务存在数据集获取困难、样本不足及不同类别病害样本不均衡等问题,提出了一种基于改进CycleGAN(Cycle-Consistent Adversarial Networks)的水稻叶片病害图像数据增强方法.[方法]以CycleGAN为基本框架,将CBAM(Convolution Block Attention Module)注意力机制嵌入到生成器的残差模块中,增强CycleGAN对病害特征的提取能力,使网络更准确地捕捉小目标病害或域间差异不明显的特征;在损失函数中引入感知图像相似度损失,以指导模型在训练过程中生成高质量的样本图像,并提高...

Full description

Saved in:
Bibliographic Details
Published in智慧农业（中英文） Vol. 6; no. 6; pp. 96 - 108
Main Authors 严从宽, 朱德泉, 孟凡凯, 杨玉青, 唐七星, 张爱芳, 廖娟
Format Journal Article
LanguageChinese
Published 安徽农业大学工学院,安徽合肥 230036,中国%安徽省农业科学院植物保护与农产品质量安全研究所,安徽合肥 230031,中国 30.11.2024
Subjects
transfer learning
感知相似度损失
CBAM
迁移训练
数据增强
data enhancement
perceptual similarity loss
水稻叶片病害
CycleGAN
rice leaf disease
Online AccessGet full text

Cover

More Information
Summary:TP391%S43; [目的/意义]针对水稻病害图像识别任务存在数据集获取困难、样本不足及不同类别病害样本不均衡等问题,提出了一种基于改进CycleGAN(Cycle-Consistent Adversarial Networks)的水稻叶片病害图像数据增强方法.[方法]以CycleGAN为基本框架,将CBAM(Convolution Block Attention Module)注意力机制嵌入到生成器的残差模块中,增强CycleGAN对病害特征的提取能力,使网络更准确地捕捉小目标病害或域间差异不明显的特征;在损失函数中引入感知图像相似度损失,以指导模型在训练过程中生成高质量的样本图像,并提高模型训练的稳定性.基于生成的水稻病害样本,在不同目标检测模型上进行迁移训练,通过比较迁移学习前后模型性能的变化,验证生成的病害图像数据的有效性.[结果和讨论]改进的CycleGAN网络生成的水稻叶片病害图像质量优于原始Cy?cleGAN,病斑区域的视觉特征更加明显,结构相似性(Structural Similarity,SSIM)指标提升约3.15％,峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)指标提升约8.19％.同时,使用YOLOv5s、YOLOv7-tiny和YOLOv8s这3种模型在生成的数据集上进行迁移学习后,模型的检测性能均有提升,如YOLOv5s模型的病害检测精度从79.7％提升至93.8％.[结论]本研究提出的方法有效解决了水稻病害图像数据集匮乏的问题,为水稻病害识别模型的训练提供了可靠的数据支撑.
ISSN:2096-8094
DOI:10.12133/j.smartag.SA202407019