[发明专利]基于生成式对抗网络的病虫害图像生成方法

说明书

技术领域

本发明涉及图像生成技术领域，具体来说是基于生成式对抗网络的病虫害图像生成方法。

背景技术

病虫害是农作物生长中的大敌，在农作物整个生长期内都有发生，可造成农作物大量减产，通过软件技术对病虫害进行有效识别已经成为行业内的研究热点。而现行的基于图像识别的病虫害诊断方法，需要大量的病虫害图像样本作为原始数据的支持。但在实际应用中，现有的病虫害图像样本比较少，且田间病虫害图像的采集工作量比较困难、量也很大。

因此，如何能够利用少量已有的病虫害图像实现病虫害图像的再生成已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中病虫害图像采样图像少的缺陷，提供一种基于生成式对抗网络的病虫害图像生成方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于生成式对抗网络的病虫害图像生成方法，包括以下步骤：

对训练图像进行收集和预处理，收集若干幅图像作为训练图像，对所有训练图像进行大小归一化处理，将其处理为256×256像素，得到若干个训练样本；

基于深度卷积神经网络模型来构造判别网络和生成网络；

对判别网络和生成网络进行训练；

根据训练好的生成网络生成病虫害图像。

所述的基于深度卷积神经网络模型来构造判别网络和生成网络包括以下步骤：

使用深度卷积神经网络模型构造判别网络，设置深度卷积神经网络模型的网络层数为5层，其中前3层为卷积层，第4层为全连接层，最后一层为输出层，输出层的节点数为1，其输入为一幅图像，输入的图像大小为256*256；

使用深度卷积神经网络模型构造生成网络，设置深度卷积神经网络模型的网络层数为4层，其中前3层为反卷积层，最后一层为输出层，输出层的节点个数为256*256，其输入为随机噪声。

所述的对判别网络和生成网络进行训练包括以下步骤：

设定损失函数，其公式如下：

其中，D(x)为判别网络在训练数据集上的输出，x～P_data(x)为数据集的真实概率分布，D(G(z))为判别网络在生成网络生成的图片的输出，z～P_z(x)为生成网络模拟的训练数据集概率分布，z为随机向量，为使判别网络能够区分输入真实的数据，为使生成网络能够欺骗判别网络；

训练判别网络时使用V(D,G)作为损失函数，在训练生成网络时使用作为损失函数；

判别网络训练数据的生成，设训练的batch大小为50，则25个正样本由训练样本中随机选取，则25个负样本生成过程如下：

生成25个随机向量；

将25个随机向量作为生成网络的输入，得到25个伪造数据，并标定为判别网络的负样本；

生成网络训练数据的生成，设训练的batch大小为50，则50个正样本生成过程如下：

生成50个随机向量；

将50个随机向量作为生成网络的输入，得到50个伪造数据，并标定为生成网络的正样本；

训练网络，其具体步骤如下：

设置超参数k，每训练完k次判别网络后再进行一次生成网络的训练；

判别网络进行训练，

选取m个噪声样本，先验概率分布为p_g(z)，标记为{z⁽¹⁾,...,z^(m)}；

选取m个训练样本，概率分布为p_data(x)，标记为{x⁽¹⁾,...,x^(m)}；

根据随机梯度下降法，修改判别网络的参数，其计算随机梯度公式如下：

生成网络进行训练，

选取m个噪声样本，先验概率分布为p_g(z)，标记为{z⁽¹⁾,...,z^(m)}，根据随机梯度下降法，修改生成网络的参数，其计算随机梯度公式如下：

判别网络进行图片真实概率判断，当判别网络判定图片为训练图像的概率趋于0.5时，训练完成。

所述的根据训练好的生成网络生成病虫害图像包括以下步骤：

从训练样本中随机选取n个噪声样本，先验概率分布为p_g(z)，标记为{z⁽¹⁾,...,z⁽ⁿ⁾}；