SinGAN-CBAM:一个多尺度的GAN,专注于为数次拍摄的植物疾病图像生成
Mengyao Wu1,2, Xinrui Wang1, Rongbiao Ji1
1College of Big Data, Yunnan Agricultural University, Kunming, Yunnan, China.
Frontiers in plant science
|December 1, 2025
概括
这项研究介绍了SinGAN-CBAM,这是一种创新的方法,用于生成高质量的茶和咖啡疾病图像. 增强图像提高了植物疾病识别模型的准确性,为农业应用提供了实际的解决方案.
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:
- 稀缺和低质量的图像样本限制了自动茶和咖啡疾病识别模型的性能.
- 短暂的学习方法对于在有限的数据基础上开发强大的诊断工具至关重要.
研究的目的:
- 提出一个几次拍摄的多尺度图像生成方法 (SinGAN-CBAM),以提高图像细节和语义可用性,用于植物疾病识别.
- 提高生成的农业疾病图像的准确性和实用性.
主要方法:
- 通过将卷积块注意模块 (CBAM) 集成到 SinGAN 框架中来开发 SinGAN-CBAM,以增强特征提取.
- 在CBAM中使用双通道和空间注意力机制,专注于关键疾病特征,如纹理和边缘.
- 从云南省生成了七种常见的茶和咖啡疾病的合成图像.
- 通过训练YOLO v8分类模型来验证生成的图像.
主要成果:
- 在图像质量指标 (SSIM,PSNR,Tenengrad) 中,SinGAN-CBAM在基线GAN模型 (GAN,Fast-GAN,SinGAN) 上表现优越.
- 该模型在生成详细的纹理和精确的病变分布方面表现出色,特别是对于复杂的疾病,如生和叶矿工感染.
- 在SinGAN-CBAM生成的数据上训练的YOLO v8模型实现了显著更高的精度,回忆和F1分数,主要类别的识别性能超过0.98.
结论:
- 双维注意力机制有效地提高了少数拍摄农业图像生成的质量.
- SinGAN-CBAM为智能植物疾病识别系统提供了一个可行的数据增强策略.
- 拟议的方法在精准农业和作物监测中具有实践应用的巨大潜力.
