书目详细信息
： 一种基于双GAN网络的高质量水稻叶部病害图像数据增广方法研究
书目信息 机读格式(MARC)
| ISBN/价格： | CNY20.00 (估\呈缴)学位论文 |
|---|---|
| 作品语种： | chi |
| 出版国别： | CN 530000 |
| 题名责任者项： | 一种基于双GAN网络的高质量水稻叶部病害图像数据增广方法研究/.张昭著/.高泉指导 |
| 出版发行项： | 2023.06.19 |
| 载体形态项： | 47页:;+图表:;+30cm |
| 一般附注： | 大数据学院（信息工程学院）, 学号2021240538 |
| 提要文摘： | 我国是水稻主产国之一，水稻也是我国的主要粮食作物，因此保持水稻的连年高产，在维护粮食安全上具有重要的地位。病害是水稻生产过程中经常存在的问题，如何快速、准确识别病害类型对保障水稻的产量具有极为重要的意义。 深度学习是病害图像识别的热点主流方法，常被应用于水稻病害识别。深度学习模型在训练过程中需要充足的训练样本做支撑，否则极易出现过拟合问题，导致模型失效。但在农业领域高质量病害样本存在着获取困难、成本高的普遍问题。为了解决该问题，本文提出了一种基于双GAN（Generative Adversarial Networks, GAN）网络的高质量水稻叶部病害图像生成方法HQIA(High quality image augmentation)。首先，将原始样本划分为训练集样本和测试集样本，使用训练集样本训练WGAN-GP（Improved Training of Wasserstein GANs）后生成伪数据样本，将伪数据样本放入Opt-Real-ESRGAN网络生成高质量伪数据样本，最后将高质量伪数据样本放入病害分类卷积神经网络，并通过指标验证该方法有效性。 通过实验验证，该方法能够生成高质量水稻叶部病害图像，且使用该方法数据增广的高质量水稻病害图像样本比仅使用原始训练集在ResNet18上识别准确率提升4.57%，在VGG11上准确率提升4.1%。比使用传统单一WGAN-GP数据增广方法，在ResNet18上准确率提升3.08%，在VGG11上准确率提升3.55%。结果证明了在有限训练数据集的情况下，本文方法的有效性。 本文主要工作创新主要有两点，第一点提出了HQIA方法，使用图像超分辨模型用于改进原始GAN图像成像质量差，尺寸小的问题。第二点优化了超分辨率基准模型，提出了Optimized-Real-ESRGAN（named Opt-Real-ESRGAN）模型，优化后的Opt-Real-ESRGAN超分辨率基准模型，增强了网络的稳定性，加快了图像超分辨率生成速度，使生成的样本更适合水稻病害图像识别任务。分别使用病害图像识别研究领域常用的模型VGG11和ResNet18进行了实验，验证了本文方法生成图像数据样本的有效性，这些样本有效扩充病害图像模型的训练样本数据集，从而提升病害识别模型的性能。 |
| 并列题名： | A High-quality Rice Leaf Disease image data augmentation Method based on dual GAN Network eng |
| 题名主题： | 水稻病害 数据增广 生成对抗网络 深度学习 图像超分辨率 学位论文 |
| 中图分类： | S511-533 |
| 个人名称等同： | 张昭 著 |
| 个人名称次要： | 高泉 指导 |
| 团体名称等同： | 云南农业大学 授予 |
| 记录来源： | CN YNAUL 20240301 |