SM-CycleGAN:基于自注意机制CycleGAN的作物图像数据增强方法
Dian Liu1, Yang Cao2, Jing Yang1,3
1School of Mechanical Engineering, Guizhou University, Guiyang, 550025, China.
Scientific reports
|April 23, 2024
概括
这项研究使用自我注意力生成对抗网络 (GAN) 增强了作物图像数据集,以改善疾病检测和生长阶段分析. 这种新的方法提高了图像质量,有助于农业AI应用.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 准确的作物疾病检测和生长阶段识别依赖于广泛的图像数据.
- 由于环境因素,现有的数据集存在不对称性和图像质量差,阻碍了模型性能.
研究的目的:
- 增强作物图像数据集,以提高疾病检测和生长阶段分析的准确性.
- 解决现有数据集的局限性,包括不对称性和图像质量问题.
主要方法:
- 提出了一种创新的作物图像数据增强方法,使用循环生成对抗网络 (GAN) 与自我注意机制融合.
- 在CycleGAN (SM-CycleGAN) 中引入了一个自我注意模块,以改善数据相关性捕获.
- 开发了一个新的增强损失函数来优化模型性能.
主要成果:
- 与标准CycleGAN相比,SM-CycleGAN显示了更好的感知和信息捕获能力.
- 烟草和茶叶图像的峰值信号噪声比 (PSNR) 分别提高了2.13%和3.55%.
- 烟草和茶叶图像的结构相似度指数 (SSIM) 分别提高了1.16%和2.48%.
结论:
- 拟议的SM-CycleGAN有效地提高了作物图像数据的质量和稳定性.
- 这种方法为改善依赖图像分析的农业人工智能任务提供了强大的解决方案.
- 增强的数据集有助于更准确的作物监测和管理.
