基于生成对抗网络的木材微观图像数据集增强研究
1College of Science and Information, Qingdao Agricultural University, Qingdao 266109, China.
Journal of imaging
|December 24, 2025
概括
生成对抗网络有效地增强了微观木材图像的小型数据集. BGAN和WGAN-GP模型产生了高质量,多样化的图像,在木材识别研究中表现优于其他模型.
科学领域:
- 木材科学 木材科学 木材科学
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 微观木材图像对于木材分析和分类至关重要.
- 由于高收购成本,样本数据不足限制了深度学习模型的性能.
研究的目的:
- 评估生成对抗网络 (GANs) 来增强小型微观木材图像数据集.
- 为了比较五个GAN模型 (BGAN,DCGAN,WGAN-GP,LSGAN,StyleGAN2) 在生成高质量的木材图像中的有效性.
主要方法:
- 应用基本图像处理用于初始数据增强.
- 在增强数据集上训练了五种不同的GAN模型.
- 使用细胞结构忠实度,清晰度,多样性,KID,IS和SSIM指标评估生成的图像质量.
主要成果:
- BGAN和WGAN-GP生成了高质量的图像,具有良好的细胞结构忠实性和多样性.
- 这些模型实现了较低的内核初始距离 (KID) 和更高的初始分数 (IS) 值.
- DCGAN,LSGAN和StyleGAN2遭受模式崩,导致图像质量和多样性降低.
结论:
- 生成对抗网络对于木材识别中小样本图像数据增强是可行的和有效的.
- BGAN和WGAN-GP在生成真实的微观木材图像方面表现出卓越的性能.
- 这项研究为在木材科学研究中应用GAN提供了宝贵的参考.
