[發明專利]基于改進生成對抗網絡的種苗生長勢評估的數據增強方法

有效

• 申請號: 202010102260.5
• 申請日: 2020-02-19
• 公開（公告）號: CN111369498B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 朱逢樂;鄭增威;何夢竹
• 申請（專利權）人: 浙江大學城市學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/194;G06N3/08;G06N3/04
• 代理公司: 杭州九洲專利事務所有限公司 33101
• 代理人: 張羽振

1.一種基于改進生成對抗網絡的種苗生長勢評估的數據增強方法，其特征在于，包括以下步驟：

S1：采集兩類蝴蝶蘭種苗的RGB圖像，進行圖像預處理后，將所有圖像劃分為訓練集、驗證集和測試集；所述圖像預處理包括圖像背景分割；

S2：基于所有圖像訓練條件深度卷積生成對抗網絡，獲得改進生成對抗網絡：對條件深度卷積生成對抗網絡的生成圖像進行效果改進、優化網絡框架結構和超參數，直至條件深度卷積生成對抗網絡生成高質量且帶有類別標簽y的種苗圖像；改進生成對抗網絡采用反卷積神經網絡和卷積神經網絡分別作為生成模型和判別模型的主框架；

所述生成模型用于學習真實樣本的潛在分布，并生成和真實樣本難以區分的假樣本；

所述判別模型用于學習辨別真假樣本，計算出樣本來自于真實訓練集的概率；

所述改進生成對抗網絡的目標損失函數為：

式中G為生成模型，D為判別模型，x為真實數據，為真實數據的數學期望，z為輸入生成模型G的噪音，為生成數據的數學期望；

所述生成模型由6層反卷積層構成；

第1個反卷積層的輸入為100維的隨機噪音z與2維獨熱編碼的類別標簽y的拼接；

所述獨熱編碼的類別標簽y在前5層反卷積輸出后均有拼接；

生成模型的主框架上加入稀疏的跳躍反卷積連接，用于將前面層的信息直接跨越拼接到后面層；

所述生成模型輸入層的通道數為102；從反卷積層1到反卷積層5，每層拼接后的通道數分別為1024、512、256、128和64；反卷積層6的輸出通道數為3；

所述跳躍反卷積在第3層、第4層和第5層均有拼接，通道數分別為64、32和16；

所有的反卷積核大小均設置為4×4；

所述生成模型對前5層的反卷積輸出進行批量歸一化和LeakyReLU非線性激活，生成模型對最后一層的反卷積輸出進行tanh非線性激活，生成128×128×3的RGB圖像；

判別模型由6層卷積層按照與生成模型的相反順序組成；

第一個卷積層的輸入為：128×128×3的RGB圖像與128×128×2獨熱編碼的類別標簽y的拼接；

所述判別模型的前5層卷積輸出后均拼接獨熱編碼的類別標簽y；

所述判別模型的主框架上添加有稀疏的跳躍卷積連接；

所述判別模型輸入層的通道數為5；從卷積層1到卷積層5，每層拼接后的通道數分別為64、128、256、512和1024；卷積層6的輸出通道數為1；

所述跳躍卷積在第3層、第4層和第5層均有拼接，通道數分別為64、128和256；

所有的卷積核大小均設置為4×4；

所述判別模型對前5層的卷積輸出進行批量歸一化和LeakyReLU非線性激活；判別模型對最后一層的卷積輸出進行sigmoid非線性激活，計算輸入圖像被分類為真實圖像的概率；sigmoid函數的表達式如下：

上式中，x為判別模型最后一層的卷積輸出；

S3：將S1中訓練集圖像輸入S2獲得的改進生成對抗網絡中進行訓練，生成新的圖像，將新的生成圖像與S1中原始的訓練集圖像混合，得到增強后訓練集；

S4：分別基于S1中原始的訓練集和S3中增強后訓練集，訓練深度卷積神經網絡種苗生長勢評估模型，并用測試集圖像進行模型效果驗證，測試生成圖像的增強效果。

2.根據權利要求1所述的基于改進生成對抗網絡的種苗生長勢評估的數據增強方法，其特征在于：S1所述兩類蝴蝶蘭種苗包括根據種苗生長勢情況打標的健康苗和弱苗；

S1所述圖像背景分割的方式為：在HSV顏色空間對圖像分塊，對不同區塊采用不同的H通道和S通道的組合閾值將種苗從背景中分割出來；

S1所述圖像劃分為訓練集、驗證集和測試集的方式為隨機抽取方式；在深度卷積神經網絡種苗生長勢評估模型中，所述訓練集用于模型訓練，所述驗證集用于模型參數選優；所述測試集用于模型最終評估。

3.根據權利要求1所述的基于改進生成對抗網絡的種苗生長勢評估的數據增強方法，其特征在于：S2所述優化后的條件深度卷積生成對抗網絡的超參數為：批處理大小為16，損失函數優化器為Adam，學習率為0.0002，Beta1為0.5，迭代次數為10000；所述批處理大小為一次訓練所選取的樣本數；所述Beta1為一階矩估計的指數衰減率。