文献类型： 中文期刊

作者： 严从宽 ¹ ; 朱德泉 ¹ ; 孟凡凯 ¹ ; 杨玉青 ¹ ; 唐七星 ¹ ; 张爱芳 ² ; 廖娟 ¹ ;

作者机构： 1.安徽农业大学工学院

2.安徽省农业科学院植物保护与农产品质量安全研究所

关键词： 水稻叶片病害;数据增强;CycleGAN;CBAM;感知相似度损失;迁移训练

期刊名称： 智慧农业(中英文)

ISSN： 2096-8094

年卷期： 2024 年 6 卷 006 期

页码： 96-108

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。