[发明专利]基于深度学习的花卉植物开花过程表征预测图像生成方法

权利要求书

1.基于深度学习的花卉植物开花过程表征预测图像生成方法，其特征在于，在训练过程，以一组序列数据的前两张序列图像作为模型输入条件，第三张作为标签，数据经过8层的U-Net++进行下采样编码，再经过上采样解码生成预测图像，后利用三种损失函数MAE_loss以及Cosine_loss进行不同感受域的损失计算，共同作用，从而优化模型学习。

2.根据权利要求1所述的基于深度学习的花卉植物开花过程表征预测图像生成方法，其特征在于，生成器的输入是两张3×512×512的时序图像进行连接，其输出为一张3×512×512的图像。

3.根据权利要求1所述的基于深度学习的花卉植物开花过程表征预测图像生成方法，其特征在于，U-Net++中，每个卷积或反卷积的卷积核大小为4，Stride为2，Padding为1，整个网络除了最外层的下采样外，其余每层Block都进行归一化处理。

4.根据权利要求1所述的基于深度学习的花卉植物开花过程表征预测图像生成方法，其特征在于，判别器采用Pix2Pix所提到的Patch GAN结构，大小为512×512的图像最终被分成了62×62个Patch。

5.根据权利要求1所述的基于深度学习的花卉植物开花过程表征预测图像生成方法，其特征在于，生成对抗损失，如下式所示：

在归一化操作后，基于MAE的损失计算，如下式所示：

考虑到生成结果为图像颜色值，只利用MAE计算方式，无法很好地表现出R、G、B相互作用的颜色差距，余弦相似度在此则能起到一个很好的作用效果，其原理是计算空间中两个向量之间夹角的余弦值，角度相差越小时，余弦值越接近1，计算方式如下式所示：

这里将对应损失函数进行了相应调整，如下式所示：

Cosine_loss＝1-cosθ  (7)。

6.根据权利要求1所述的基于深度学习的花卉植物开花过程表征预测图像生成方法，其特征在于，采用Adam优化器进行自适应学习率，训练迭代次数为200，Batch Size为2；将图像序列进行了不同的等间隔抽帧组合，并分别进行了随机翻转、色调变换增强，最终获得用于训练的数据集。