复杂光照环境下基于改进生成对抗网络的甘蔗病害样本增强应用分析＊

广东农工商职业技术学院计算机学院 李冬睿 邱尚明 杨颖

甘蔗病害的识别与检测是农业领域的一个重要课题。然而，在实际应用中，受限于光照环境的复杂性以及甘蔗病害样本的不足，传统的数据增强方法难以满足实际需求。为了解决这一问题，提出一种基于改进的生成对抗网络（Improved GAN）的复杂光照环境下甘蔗病害样本增强技术。该方法引入了自注意力机制和渐进式生成对抗网络（ProGAN），实现对甘蔗病害样本的增强。实验结果表明，与传统的数据增强方法相比，提出的方法能够有效提高甘蔗病害识别模型的泛化能力和准确率。

甘蔗是全球重要的经济作物之一，其产量对于糖和生物能源等产业具有举足轻重的地位。然而，甘蔗病害的发生给甘蔗产量带来了严重影响。为了减轻甘蔗病害对农业产量的影响，研究者们采用了计算机视觉和深度学习技术，对甘蔗病害进行识别和检测。然而，由于光照环境的复杂性以及甘蔗病害样本的不足，传统的数据增强方法难以满足实际需求。

为了解决上述问题，本文提出了一种基于改进的生成对抗网络的复杂光照环境下甘蔗病害样本增强技术。首先，引入了自注意力机制[1]，以捕捉图像中的长距离依赖关系，提高生成器的生成能力；其次，采用渐进式生成对抗网络（ProGAN）[2]进行训练，逐层增加生成器和判别器的分辨率，从而提高生成样本的质量。

1 农作物病害识别的相关技术

基于图像处理的方法主要通过对作物病害图像进行预处理，提取图像特征，然后利用分类器进行病害识别。例如，杨方[3]提出了一种基于颜色、纹理和形状特征的梨树叶部病害识别方法。然而，这类方法对光照变化敏感，容易受到光照条件影响。

基于特征提取的方法主要是利用机器学习算法进行特征提取和分类。例如，孙瑜等人[4]使用支持向量机（SVM）对黄花菜叶部病害进行识别。然而，这类方法需要手动设置特征，其特征提取过程复杂，且泛化能力有限。

基于深度学习的方法通过卷积神经网络（CNN）等模型直接学习图像特征，具有更好的泛化能力。例如，朱帅[5]提出了一种基于深度残差网络的甘蔗病害识别方法。但深度学习方法需要大量样本进行训练，而实际应用中，甘蔗病害样本往往不足。

生成对抗网络（GAN）[6]作为一种有效的样本生成方法，在样本增强领域取得了显著成果。例如，于雪莹等人[6]提出了一种基于生成对抗网络和混合注意力机制残差网络的苹果病害识别方法。然而，传统的GAN 在训练过程中存在不稳定性和生成样本质量不高的问题。

2 改进的生成对抗网络

2.1 自注意力机制

自注意力机制（Self-Attention）是一种用于计算输入特征图中不同空间位置之间依赖关系的方法。它通过计算不同位置之间的相似度，从而为每个位置分配一个权重，以将更多的注意力集中在重要的位置。这种方法可以帮助模型更好地捕捉图像中的长距离依赖关系，提高生成器的生成能力。

在GAN 模型中，采用了多头自注意力机制（Multi-Head Self-Attention），它将输入特征图划分为多个头，每个头都计算自注意力权重，并将不同头计算得到的结果拼接起来。具体来说，假设输入特征图为X，多头自注意力机制的计算可以表示为如式（1）所示：

其中，headi表示第i个头计算得到的注意力权重，h表示头的数量，W0表示输出变换矩阵，Concat表示拼接操作。每个头的计算过程可以表示为如式（2）所示：

其中，WiQ、WiK和WiV分别表示第i个头的查询、键和值变换矩阵，Attention表示自注意力计算操作。

2.2 渐进式生成对抗网络

渐进式生成对抗网络（Progressive GAN，ProGAN）是一种逐层增加生成器和判别器分辨率的方法。在训练过程中，先从一个较低分辨率的生成器和判别器开始训练，然后逐步增加分辨率，直到达到最终的分辨率。这种方法可以帮助模型更好地学习图像的细节和纹理信息，从而提高生成样本的质量。

我们采用了4 层渐进式生成对抗网络，其中每层的分辨率依次为4×4、8×8、16×16 和32×32。在每一层中，生成器和判别器都包括一个卷积层和一个反卷积层。在训练过程中，我们采用了渐进式训练的方法，先训练低分辨率的生成器和判别器，然后逐步增加分辨率，直到达到最终的分辨率。同时，我们还采用了超分辨技术（Super-Resolution，SR）来提高低分辨率图像的质量。

2.3 改进的生成对抗网络

为了解决甘蔗病害样本不足的问题，我们提出了一种基于改进的GAN 的甘蔗病害样本增强技术，采用改进的GAN 生成甘蔗病害图像，以扩大甘蔗病害数据集，提高甘蔗病害识别模型的泛化能力和准确率。为了适应复杂光照环境下的甘蔗病害样本，引入了自注意力机制和ProGAN。

生成对抗网络（GAN）由生成器G 和判别器D 两部分组成。生成器G 的目的是将随机噪声向量转换成逼真的图像，而判别器D 的目的是区分真实图像和生成图像。生成器和判别器之间进行博弈，以提高生成器生成的图像质量。为了提高生成器的生成能力，本文引入了自注意力机制，以捕捉图像中的长距离依赖关系。自注意力机制的公式如式（3）所示：

其中，x为输入特征矩阵，1W、2W、3W为可学习的权重矩阵，dk为注意力头数，y为输出特征矩阵。自注意力机制可以捕捉图像中的长距离依赖关系，从而提高生成器的生成能力。

本文还采用了渐进式生成对抗网络（ProGAN）进行训练，逐层增加生成器和判别器的分辨率，从而提高生成样本的质量。ProGAN 将初始为低分辨率的图像生成器逐渐扩展到更高分辨率的图像生成器。

ProGAN 的损失函数如式（4）所示：

其中，pdata和pz分别表示真实数据和噪声分布。ProGAN 的损失函数中，生成器的目标是最小化生成样本与真实样本的差距，即最大化D(G(z))的输出。而判别器的目标是最大化真实样本的输出D(Xr)和最小化生成样本的输出D(G(z))。

采用改进的生成对抗网络和渐进式生成对抗网络相结合和通过自注意力机制和逐层增加分辨率的方式，实现了对甘蔗病害样本的增强。

3 实验结果与分析

3.1 数据集

使用的甘蔗病害数据集包括五类病害，分别是：凤梨病、赤腐病、黑穗病、眼斑病和梢腐病。数据集中的甘蔗病害图像采集于田间，光照环境复杂，包含不同程度的光照变化、阴影和反光等。每种病害有400 张图像，共2000张图像。本文将数据集按照6:2:2 的比例划分为训练集、验证集和测试集。训练集用于训练模型，验证集用于调节超参数和选择最优模型，测试集用于评估模型的性能。

3.2 实验设置

实验使用的硬件环境为NVIDIA GeForce GTX 1080Ti GPU、 Intel(R) Core(TM) i7-8700K CPU @ 3.70GHz和DDR4-2933@64G，使用PyTorch 深度学习框架进行实验。

本文将提出的方法与三种传统的数据增强方法进行对比，包括随机裁剪、随机旋转和随机亮度调整。对于本文提出的方法，使用Adam 优化器进行训练，噪声向量维度为512，每个Batch 包含64 个样本，学习率设为0.0002，权重衰减系数为0.0001。训练过程中，每隔500 个Epoch，记录一次生成样本与真实样本的差距，并保存生成器和判别器的参数。

3.3 实验效果

将本文提出的方法与三种传统的数据增强方法进行了对比，包括随机裁剪（RandomCrop）、随机旋转（Random Rotation）和随机亮度调整（RandomBrightness）。如表1所示，本文提出的方法在测试集上取得了良好的表现，准确率达到了92.3%，相比于其他方法都有显著的提升。

表1 不同数据增强方法下的模型准确率比较Tab.1 Comparison of model accuracy under different data enhancement methods

同时，为了进一步验证本文提出的方法在复杂光照环境下的有效性，本文对比了不同光照条件下的模型性能。如表2 所示，本文提出的方法在不同光照条件下均表现出了显著的优势，证明了本文提出的方法具有较强的适应性和泛化能力。

表2 不同光照条件下的模型性能比较Tab.2 Comparison of model performance under different lighting conditions

此外，为了验证本文提出的方法的可行性，本文还对比了不同噪声维度下的模型性能。如表3 所示，本文提出的方法在不同噪声维度下均表现出了较好的效果表现，证明了本文提出的方法具有一定的稳健性。

为了验证本文提出的方法生成的样本质量，将生成样本与原始样本进行了对比，显示本文提出的方法生成的样本与原始样本在视觉上非常相似，具有很高的逼真度。同时，还使用FID 指标对生成样本的质量进行了评估。如表4 所示，本文提出的方法生成的样本质量比传统GAN 方法更高，证明了本文提出的方法在生成样本质量上具有一定的优势。

表4 生成样本质量评估结果Tab.4 Generate sample quality evaluation results

为了探究自注意力机制和渐进式生成对抗网络对样本增强效果的影响，对不使用自注意力机制和不使用渐进式生成对抗网络这两种情况分别做准确率测试实验，如表5 所示，本文提出的方法在使用自注意力机制和渐进式生成对抗网络的情况下表现最好，证明了这两种改进方法对于甘蔗病害样本增强的有效性。

表5 自注意力机制和渐进式生成对抗网络对样本增强效果的影响Tab.5 The impact of self attention mechanism and progressive generative adversarial network on sample enhancement effect

4 结论

本文提出了一种基于改进的生成对抗网络的复杂光照环境下甘蔗病害样本增强技术，该方法引入了自注意力机制和渐进式生成对抗网络，并在保证生成样本与原始样本类别一致的同时，实现对甘蔗病害样本的增强。通过对比实验，验证了该方法在复杂光照环境下甘蔗病害样本增强的有效性和优越性。实验结果表明，本文提出的方法能够有效提高甘蔗病害识别模型的泛化能力和准确率。在未来的研究中，将会拓展该方法在其他作物病害识别领域的应用，为农业生产提供更加智能、高效的技术支持。

引用

[1] 岳焕景,廖磊,杨敬钰.基于双重自注意力机制的人脸图像修复[J].湖南大学学报(自然科学版),2023,50(08):32-41.

[2] 王军,刘小芳.基于注意力机制生成对抗网络的遥感图像增强算法[J].无线电工程,2023,53(6):1382-1389.

[3] 杨方.基于深度学习的梨树叶部病害识别研究[D].晋中:山西农业大学,2020.

[4] 孙瑜,张永梅,武玉军.基于粒子群算法和支持向量机的黄花菜叶部病害识别[J].中国农学通报,2022,38(8):135-140.

[5] 朱帅.基于深度残差网络的番茄叶片病害识别研究[D].哈尔滨:东北林业大学,2022.

[6] 于雪莹,高继勇,王首程,等.基于生成对抗网络和混合注意力机制残差网络的苹果病害识别[J].中国农机化学报,2022,43(6):166-174.