[发明专利]基于平均绝对误差的烟虫数据增强模型训练方法

说明书

本发明公开了一种基于平均绝对误差的烟虫数据增强模型训练方法，结合计算机视觉与深度学习的数据预处理技术，对用来进行烟虫识别的检测模型算法基于特定场景进行改进，将激活函数改为指数线性单元激活函数，极大地避免了梯度消失的问题，保障了算法的稳健性，并将均方误差改为采用重构图像与真实图像的平均绝对误差，有效提高生成图片的多样性。本发明可以生成烟虫数量及位置皆有变化的多样式图片，将有限的图片数据集扩充到足以进行网络训练的数据集，在实现对不同场景下烟虫图像增强的同时，极大地降低了数据采集的成本，并有效提高烟虫识别算法准确性和泛化能力，为提升烟虫识别技术的准确率提供了数据保障与关键技术支持。

技术领域

本发明涉及卷烟制造领域，尤其涉及一种基于平均绝对误差的烟虫数据增强模型训练方法。

背景技术

在烟草的存储和加工过程中，病虫害是一个严重的问题，而烟草甲虫(以下简称烟虫)是其中最常见的害虫之一。为了预防虫害并提高烟草生产质量，将计算机自动识别烟虫作为一种重要的技术手段。

然而，由于烟虫图片资源较少，业内又缺乏专业的烟虫图片数据集，现有方法无法对烟虫图片检测模型进行充分训练，导致烟虫识别算法准确性和泛化能力不足，从而降低算法可信度。

而若烟企增加摄像设备拍摄烟草图片，虽然在一定程度上可增加图片数量，但仍需耗费大量时间和人力成本寻找存在烟虫的图片，同时也会增加设备成本。

发明内容

鉴于上述，本发明旨在提供一种基于平均绝对误差的烟虫数据增强模型训练方法，目的是提出基于平均绝对误差的SinGAN烟虫数据增强思路，在保留SinGAN策略对单幅烟虫图像出色的增强能力的同时，实现对烟虫细节的改善。

本发明采用的技术方案如下：

本发明提供了一种基于平均绝对误差的烟虫数据增强模型训练方法，其中包括：

读取一张原始烟虫图像；

将所述原始烟虫图像作为预设的对抗网络中的训练样本进行下采样，得到每个尺度各自对应的图片生成器及图片判别器；

图片生成器直接将当前尺度对应的噪声图谱作为输入进行卷积及归一化处理，并通过ELU激活函数进行激活，再由反卷积操作生成图像；在除最粗糙尺度外的其余尺度下，第n个尺度上的图片生成器的输入为第n+1个尺度上图片生成器生成的图像与对应当前尺度的噪声图谱相加，并经过卷积及归一化处理后，由ELU激活函数进行激活，再由反卷积操作生成图像；其中，所述噪声图谱的方差采用重构图像与真实图像的平均绝对误差来决定；

将当前尺度生成的图片样本和已有的经过下采样后的原始图像样本作为图片判别器的输入，判断生成的烟虫图片是否真实；若判断结果为不真实，则返回至图片生成环节继续生成图片；若判断结果为真实，则向上输出图片样本；

在每个尺度上，对图片生成器与图片判别器进行多次训练，使得图片生成器生成真实有效的样本。

在其中至少一种可能的实现方式中，所述对图片生成器与图片判别器进行多次训练包括：

在最粗糙的尺度下，图片生成器学习输入的图片的布局及特点，将空间高斯白噪声映射成一个图片样本；

在后续其他尺度中，图片生成器接收较粗糙尺度生成图片的上采样版本作为输入，并加入前一尺度下没有生成的细节，再将当前尺度生成的图片样本和已经过下采样后的原始图像样本作为图片判别器的输入；

图片判别器通过比对，计算出输入图像的真实度得分并将得分返回至图片生成器；

图片生成器根据得分进行调整并生成新的图片样本，相应地，图片判别器更新自身参数；

当图片判别器判断结果为真实时，向上输出有效的图片样本；

重复上述过程，直至生成的图片达到期望的图像分辨率。