基于改进CycleGAN的小样本玉米病害图像扩充方法

摘要

针对玉米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，设计一种基于改进CycleGAN(cycle-consistent adversarial networks)的图像数据增强方法。首先，使用较小感受野的卷积核优化CycleGAN网络结构，生成高质量样本图像，减少过拟合现象发生；其次，将SE(squeeze-excitation)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。结果显示，改进后的CycleGAN相较于原始CycleGAN、DCGAN、DCGAN+和WGAN算法，生成病害图像的FID分数分别降低了43.33、32.67、24.24和19.72,GAN-train与GANtest相较于原始CycleGAN提升了3.13、4.25百分点；采用改进的CycleGAN图像扩充方法构建玉米病害数据集，基于该数据集的玉米叶片病害识别模型准确率在3种网络架构上均得到有效提升：AlexNet提升3.90百分点，VGGNet提升4.41百分点，ResNet提升3.44百分点，在ResNet网络架构上与传统数据增强算法相比病害识别率提升5.79百分点。结果表明，改进的CycleGAN网络有效解决了玉米病害图像数据集匮乏的问题。

关键词

数据增强 / 玉米叶片病害 / 残差模块 / 循环一致性生成对抗网络

基金资助

河南省科技攻关项目（252102520037）; 河南省重点研发专项（251111211300,231111110100,231111211300）; 河南省杰出外籍科学家工作室项目（GZS2024006）; 河南省教育厅高等学校重点项目（25A520044）