基于改进CycleGAN的水稻叶片病害图像增强方法

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：安徽农业大学工学院 安徽省农业科学院植物保护与农产品质量安全研究所 

出 版 物：《智慧农业(中英文)》 (Smart Agriculture)

年 卷 期：2024年

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 09[农学] 0904[农学-植物保护] 090401[农学-植物病理学] 0802[工学-机械工程] 090402[农学-农业昆虫与害虫防治] 

基　　金：国家重点研发计划子课题(2022YFD2001801-3) 国家自然科学基金项目(32201665) 

主　　题：水稻叶片病害 数据增强 CycleGAN CBAM 感知相似度损失 

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。