[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

本發明涉及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，包括：采集兩類蝴蝶蘭種苗的RGB圖像；基于所有圖像訓練條件深度卷積生成對抗網絡。本發明的有益效果是：本發明針對種苗生長勢評估建模中圖像樣本量不足的問題，對條件深度卷積生成對抗網絡框架進行適應性改進，能夠自動、快速生成大量較為清晰、視覺效果逼真、具有多種姿態、能體現兩類別種苗細微差異的新圖像；本發明能有效擴充種苗圖像小樣本訓練集，基于增強后訓練集建立的卷積神經網絡種苗生長勢評估模型的泛化能力有顯著提升，有明顯的增強效果，達到種苗生長勢評估小樣本建模的目的；可為農業信息化技術領域的其他圖像數據增強問題提供新的思路和技術協助。

技術領域

本發明屬于農業信息化技術領域，具體涉及一種針對蝴蝶蘭種苗生長勢評估的基于改進生成對抗網絡的數據增強方法。

背景技術

蝴蝶蘭(phalaenopsis)，蘭科蝴蝶蘭屬，多年生草本。作為一種名貴觀賞花卉，蝴蝶蘭在世界各國廣為栽培，并帶來可觀的效益回報，受到花卉種植業者的重視。蝴蝶蘭的現代化溫室栽培一般采用組織培養的方式進行人工繁殖，組培苗脫瓶后的種植過程分為小苗、中苗、大苗和催花4個階段。整個生長周期較長，需要約兩年半的時間，每個生長階段都是環環相扣，一個環節出現問題，將影響整個生長過程。所以種苗的長勢和品質不僅直接決定最終的開花品質，還影響企業下一階段的進展和規劃，種苗的生長勢評估是蝴蝶蘭種植過程的重要環節。

目前蝴蝶蘭種苗的生長勢評估基本上以人工觀測為主，但因為大型溫室面積大、種植密集，人工觀測費時費力，而且人眼容易疲勞、主觀性強，易造成誤判。有一些研究基于RGB圖像和機器學習技術，對植物進行生長勢分析。現有研究均從RGB圖像中提取顏色、幾何、紋理等特征，再和因變量建立分類或回歸模型，并取得了一定的成果，但這種人工設計和提取特征的模式有一定的局限性，泛化能力也有限。

近幾年深度學習的發展給機器學習領域帶來了革命性的變化，深度學習善于直接分析海量的原始數據，從中自動、充分地提取特征，同時和因變量建立定性或定量模型，取得較好結果的同時簡化了數據預處理和特征提取的步驟。但有監督的深度學習模型依賴于大量打標數據的訓練才能取得比較好的效果，這也是作物信息化領域深度學習研究的一大瓶頸問題。

為解決模型訓練需要大量打標數據的問題，數據增強的概念應運而生。傳統的圖像數據增強方法是對圖像進行幾何變換，例如旋轉、翻轉、裁剪、放縮、平移等，但這些方法獲得的額外信息有限，且不適用于所有的圖像數據集。Goodfellow等提出的生成對抗網絡(generative adversarial network,GAN)在圖像生成方面已經取得了巨大的成功，通過生成模型(generative model)和判別模型(discriminative model)的對抗訓練學習訓練數據的分布，并挖掘數據中潛在的信息，以生成相似特征的新圖像，用于數據增強。但原始GAN存在著訓練不穩定，生成圖像分辨率不高等缺點。近年來，后人提出了許多改進模型。其中，Radford等提出的深度卷積生成對抗網絡(deep convolutional GAN,DCGAN)借鑒了卷積核處理圖像的優勢，能夠生成更清晰的圖像。Mirza等提出的條件生成對抗網絡(conditionalGAN,cGAN)在輸入層加入額外的條件以限定生成模型和判別模型的訓練，從而生成帶有指定類別標簽的圖像。

種苗生長勢評估屬于細粒度圖像分類問題，因為兩類種苗(健康苗、弱苗)圖像的差異比較細微。但不同于一般的細粒度圖像分類問題，兩類種苗圖像的局部細節特征差異很小，主要在于整體植株形狀上的細微差異。多項研究證明卷積神經網絡能很好地提取圖像中物體的形狀、輪廓特征，但現有的條件深度卷積生成對抗網絡(conditional deepconvolutional generative adversarial network,cDCGAN)不能很好地生成長勢差異細微的兩類種苗圖像。因此，提出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，就顯得尤為重要。

發明內容

本發明的目的在于克服上述不足，提供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。