37、基于生成对抗网络的农业图像与热图像增强技术

基于生成对抗网络的农业图像与热图像增强技术

1. 研究背景与现状

在计算机视觉领域，深度学习技术在图像识别和目标检测等问题上表现出色，但面临着需要大量可靠图像数据集进行有效训练的挑战。在农业疾病预测领域，收集感染植物的图像（如普通图像和热图像）是一项艰巨且成本高昂的任务，公共可用的大型数据集也十分匮乏。

目前，已有许多研究尝试通过不同方法解决数据不足的问题。例如，Maayan等人提出了使用深度学习技术（GAN）生成医学合成图像的方法，利用少量CT扫描图像进行分类，生成的图像使准确率提高了约7%；Arsenovic等人使用传统方法和GAN两种方式对79,265张图像进行增强，在识别植物疾病方面达到了93.67%的准确率；Zhu等人提出了解决风格迁移或图像到图像转换问题的方法；Radford等人提出了一种连接有监督学习和无监督学习的CNN方法；Nazki等人使用GAN生成合成感染植物叶片图像，并结合经典方法扩大数据规模；Karras等人描述了一种新的生成对抗网络训练方法，可加速训练过程并生成高质量图像。

然而，在水稻疾病检测领域，GAN的应用非常有限，且基于深度学习的全自动图像生成系统也较为罕见。

2. 基于DCGAN的农业图像增强方法

2.1 获取用户信息

该模型设计得非常用户友好，用户只需输入要生成的图像数量和图像质量。模型会自动计算其他必要的训练参数，然后检查可用资源，即是否有GPU可用。如果没有GPU，训练将在CPU上进行；如果有GPU，模型将选择GPU，清除其缓存内存，检查内存限制，并分配90%的GPU RAM内存。因此，建议在运行模型前关闭所有使用GPU的应用程序。完成这些设置后，模型将使用输入数据集进行