基于Tea DCGAN网络和Fake Tea框架的茶鲜叶数据增强方法

• Published in: 农业工程学报 Vol. 40; no. 23; pp. 274 - 282
• Main Authors: 俞焘杰, 陈建能, 彭伟杰, 李亚涛, 喻陈楠, 武传宇
• Format: Journal Article
• Language: Chinese
• Published: 浙江海洋大学,舟山,316022 01.12.2024; 浙江省农业智能感知与机器人全省重点实验室,杭州 310018%浙江理工大学机械工程学院,杭州 310018; 浙江理工大学机械工程学院,杭州 310018%浙江理工大学机械工程学院,杭州 310018
• Subjects: 小样本数据集; 茶叶嫩梢; 机器视觉; data augmentation; 数据增强; computer vision; 图像生成; image generation; adversarial generative network; 对抗生成网络; small sample dataset; tea shoots
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202405076

S24; 当茶叶图片的原始数据数量不足时,深度学习模型泛化性不足导致对茶叶嫩梢的检测能力大幅度下降.为解决这一问题,该研究提出一种Tea DCGAN(tea deep convolution generative adversarial networks)的对抗生成网络及其数据增强方法.首先,在DCGAN(deep convolution generative adversarial networks)网络的生成器和判别器中分别添加了64x64x64的网络层来优化模型对低维度特征感知与学习能力.同时,DCGAN中的LeakyReLU(leaky rectified linear unit)函数被更加线性可控的ELU(exponential linear units)函数替换,提升模型训练稳定性与训练精度.其次,基于Tea DCGAN网络构建Fake Tea数据增强算法框架,对已有数据集的真实茶叶嫩梢分布进行数据分析,得到分布规律.根据分布规律将Tea DCGAN网络生成的样本图像分布进已有的露天茶树图像中,并自动形成深度学习数据集.最后,对该研究提出的数据增强方法进行对抗生成网络消融试验、罕见茶种对照试验以及不同量级下的多种数据增强方法对比试验.消融试验结果显示,Tea DCGAN在FID(frechet inception distance)指标上表现最优,特别是在100 000训练轮次时,紫鹃茶种的FID值从322.10降至265.63,龙井43茶种的FID值从396.38降至323.09,提升了生成图像的质量.在多个检测模型的多种数据增强方法试验中,该研究Fake Tea方法在不同检测模型中均优于其他方法.其中,Faster R-CNN模型在25张龙井43和25张紫鹃茶种形成的数据集上mAP(平均精度,Mean Average Precision)分别达到42.71％和38.46％.随着数据集规模的增加,所有方法的性能均有所提升,但Fake Tea方法在所有规模的数据集上均保持最高mAP值,尤其是在原始数据为200张时,mAP值达到89.41％,可用于智能化茶叶采摘.研究结果证明了 Tea DCGAN和Fake Tea数据增强方法在茶叶图像生成和目标检测任务中的有效性和优越性.该研究提出的Tea DCGAN和Fake Tea数据增强方法可有效缓解数据获取困难、样本不足等问题,有效提升小样本下的茶叶嫩梢目标检