基于改进CycleGAN的水稻叶片病害图像增强方法

文献类型： 中文期刊

第一作者： 严从宽

作者： 严从宽;朱德泉;孟凡凯;杨玉青;唐七星;张爱芳;廖娟

作者机构：

关键词： 水稻叶片病害;数据增强;CycleGAN;CBAM;感知相似度损失;迁移训练

期刊名称： 智慧农业(中英文)

ISSN： 2096-8094

年卷期： 2024 年 6 卷 006 期

页码： 96-108

摘要： [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CycleGAN，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。

分类号： S435.111%TP391.41

  • 相关文献

[1]基于循环一致性生成对抗网络的地震数据随机噪声压制方法. 吴学锋,张会星. 2021

[2]基于改进YOLO v5的宁夏草原蝗虫识别模型研究. 马宏兴,张淼,董凯兵,魏淑花,张蓉,王顺霞. 2022

[3]农业科学数据共享技术系统研究. 彭秀媛,王枫,周国民. 2019

[4]遮挡条件下多视角甜椒果实点云三维重构方法. 王昱,易振峰,谭文超,郭金菊,周星星,赵俊宏. 2024

[5]水族馆鱼类目标检测网络优化研究. 刘洋,张胜茂,王书献,王斐,樊伟,邹国华,伯静. 2022

[6]基于空间特征融合ViT的枸杞虫害细粒度分类方法. 孙露露,刘建平,周国民,王健,刘立波. 2024

[7]改进YOLOv5测量田间小麦单位面积穗数. 黄硕,周亚男,王起帆,张晗,邱朝阳,康凯,罗斌. 2022

[8]基于改进YOLOv8卷积神经网络的蟹味菇检测方法. 林宗缪,马超,胡冬. 2024

[9]复杂场景下害虫目标检测算法:YOLOv8-Extend. 张荣华,白雪,樊江川. 2024

[10]基于CBAM-UNet的大菱鲆鱼卵识别计数方法. 钱程,张佳鹏,涂雪滢,刘晃,乔淦,刘世晶. 2024

[11]基于改进YOLOv8n卷积神经网络的玉米雄穗检测方法. 胡冬,班松涛,马超,田明璐,袁涛,李琳一,庄洁. 2025

作者其他论文 更多>>

微信小程序