[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

说明书

本发明提供了一种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，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，以及进行不同感受域的损失计算，共同作用，从而优化模型学习；应用本技术方案能有效地在花卉开放过程表征研究观察上缩短时间。

技术领域

本发明涉及花卉表征预测技术领域，特别是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。

背景技术

近年来随着人们生活水平的不断提高，花卉作为提升生活情调的一种装饰品，逐渐进入大多数人的家庭之中。面对越来越多的花卉市场需求，人们对花卉的研究也更加重视，为减少研究过程的观察等待时间，通过花卉过去的开花过程的时序图像，预测未来时段的表征形态，对提升研究花卉的效率具有重要意义。

在过去，对于植物的预测研究大部分处于数字数据阶段，一般利用统计学的相关算法进行相应的预测，随着近年来深度学习算法的飞快发展，相关技术也被运用到了各个领域，如图像分类、艺术创作、机器翻译、预测未来、目标检测等，几乎包含了生活的方方面面。在时序预测方面，也出现了许多基于深度学习的解决方案。然而，数字数据的呈现方式相较于图像表达并不直观。

发明内容

有鉴于此，本发明的目的在于提供一种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，能有效地在花卉开放过程表征研究观察上缩短时间，直观反馈图像。

为实现上述目的，本发明采用如下技术方案：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，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。

在一较佳的实施例中，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。

在一较佳的实施例中，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。

在一较佳的实施例中，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。

在一较佳的实施例中，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)。

在一较佳的实施例中，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。