本發(fā)明涉及圖像生成技術領域，具體來說是基于生成式對抗網(wǎng)絡的病蟲害圖像生成方法。

背景技術：

病蟲害是農(nóng)作物生長中的大敵，在農(nóng)作物整個生長期內(nèi)都有發(fā)生，可造成農(nóng)作物大量減產(chǎn)，通過軟件技術對病蟲害進行有效識別已經(jīng)成為行業(yè)內(nèi)的研究熱點。而現(xiàn)行的基于圖像識別的病蟲害診斷方法，需要大量的病蟲害圖像樣本作為原始數(shù)據(jù)的支持。但在實際應用中，現(xiàn)有的病蟲害圖像樣本比較少，且田間病蟲害圖像的采集工作量比較困難、量也很大。

因此，如何能夠利用少量已有的病蟲害圖像實現(xiàn)病蟲害圖像的再生成已經(jīng)成為急需解決的技術問題。

技術實現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有技術中病蟲害圖像采樣圖像少的缺陷，提供一種基于生成式對抗網(wǎng)絡的病蟲害圖像生成方法來解決上述問題。

為了實現(xiàn)上述目的，本發(fā)明的技術方案如下：

一種基于生成式對抗網(wǎng)絡的病蟲害圖像生成方法，包括以下步驟：

對訓練圖像進行收集和預處理，收集若干幅圖像作為訓練圖像，對所有訓練圖像進行大小歸一化處理，將其處理為256×256像素，得到若干個訓練樣本；

基于深度卷積神經(jīng)網(wǎng)絡模型來構造判別網(wǎng)絡和生成網(wǎng)絡；

對判別網(wǎng)絡和生成網(wǎng)絡進行訓練；

根據(jù)訓練好的生成網(wǎng)絡生成病蟲害圖像。

所述的基于深度卷積神經(jīng)網(wǎng)絡模型來構造判別網(wǎng)絡和生成網(wǎng)絡包括以下步驟：

使用深度卷積神經(jīng)網(wǎng)絡模型構造判別網(wǎng)絡，設置深度卷積神經(jīng)網(wǎng)絡模型的網(wǎng)絡層數(shù)為5層，其中前3層為卷積層，第4層為全連接層，最后一層為輸出層，輸出層的節(jié)點數(shù)為1，其輸入為一幅圖像，輸入的圖像大小為256*256；

使用深度卷積神經(jīng)網(wǎng)絡模型構造生成網(wǎng)絡，設置深度卷積神經(jīng)網(wǎng)絡模型的網(wǎng)絡層數(shù)為4層，其中前3層為反卷積層，最后一層為輸出層，輸出層的節(jié)點個數(shù)為256*256，其輸入為隨機噪聲。

所述的對判別網(wǎng)絡和生成網(wǎng)絡進行訓練包括以下步驟：

設定損失函數(shù)，其公式如下：

其中，d(x)為判別網(wǎng)絡在訓練數(shù)據(jù)集上的輸出，x～pdata(x)為數(shù)據(jù)集的真實概率分布，d(g(z))為判別網(wǎng)絡在生成網(wǎng)絡生成的圖片的輸出，z～pz(x)為生成網(wǎng)絡模擬的訓練數(shù)據(jù)集概率分布，z為隨機向量，為使判別網(wǎng)絡能夠區(qū)分輸入真實的數(shù)據(jù)，為使生成網(wǎng)絡能夠欺騙判別網(wǎng)絡；

訓練判別網(wǎng)絡時使用v(d,g)作為損失函數(shù)，在訓練生成網(wǎng)絡時使用作為損失函數(shù)；

判別網(wǎng)絡訓練數(shù)據(jù)的生成，設訓練的batch大小為50，則25個正樣本由訓練樣本中隨機選取，則25個負樣本生成過程如下：

生成25個隨機向量；

將25個隨機向量作為生成網(wǎng)絡的輸入，得到25個偽造數(shù)據(jù)，并標定為判別網(wǎng)絡的負樣本；

生成網(wǎng)絡訓練數(shù)據(jù)的生成，設訓練的batch大小為50，則50個正樣本生成過程如下：

生成50個隨機向量；

將50個隨機向量作為生成網(wǎng)絡的輸入，得到50個偽造數(shù)據(jù)，并標定為生成網(wǎng)絡的正樣本；

訓練網(wǎng)絡，其具體步驟如下：

設置超參數(shù)k，每訓練完k次判別網(wǎng)絡后再進行一次生成網(wǎng)絡的訓練；

判別網(wǎng)絡進行訓練，

選取m個噪聲樣本，先驗概率分布為pg(z)，標記為{z⁽¹⁾,...,z^(m)}；

選取m個訓練樣本，概率分布為pdata(x)，標記為{x⁽¹⁾,...,x^(m)}；

根據(jù)隨機梯度下降法，修改判別網(wǎng)絡的參數(shù)，其計算隨機梯度公式如下：

生成網(wǎng)絡進行訓練，

選取m個噪聲樣本，先驗概率分布為pg(z)，標記為{z⁽¹⁾,...,z^(m)}，根據(jù)隨機梯度下降法，修改生成網(wǎng)絡的參數(shù)，其計算隨機梯度公式如下：

判別網(wǎng)絡進行圖片真實概率判斷，當判別網(wǎng)絡判定圖片為訓練圖像的概率趨于0.5時，訓練完成。

所述的根據(jù)訓練好的生成網(wǎng)絡生成病蟲害圖像包括以下步驟：

從訓練樣本中隨機選取n個噪聲樣本，先驗概率分布為pg(z)，標記為{z⁽¹⁾,...,z⁽ⁿ⁾}；

分別將噪聲樣本輸入訓練好的生成網(wǎng)絡，生成n個病蟲害圖像。

有益效果

本發(fā)明的基于生成式對抗網(wǎng)絡的病蟲害圖像生成方法，與現(xiàn)有技術相比能夠根據(jù)已有的少量病蟲害圖像生成大量的類似真實的病蟲害圖像，為病蟲害圖像識別提供了樣本圖像，解決了實際中田間病蟲害圖像比較少且獲取成本高的難題。

附圖說明

圖1為本發(fā)明的方法順序圖。

具體實施方式

為使對本發(fā)明的結構特征及所達成的功效有更進一步的了解與認識，用以較佳的實施例及附圖配合詳細的說明，說明如下：

如圖1所示，本發(fā)明所述的一種基于生成式對抗網(wǎng)絡的病蟲害圖像生成方法，包括以下步驟：

第一步，對訓練圖像進行收集和預處理，收集若干幅圖像作為訓練圖像，對所有訓練圖像進行大小歸一化處理，將其處理為256×256像素，得到若干個訓練樣本。

第二步，基于深度卷積神經(jīng)網(wǎng)絡模型來構造判別網(wǎng)絡和生成網(wǎng)絡，深度卷積神經(jīng)網(wǎng)絡強調(diào)了模型結構的深度，突出了特征學習的重要性，能學習到圖像的本質(zhì)特征。病蟲害圖像受到農(nóng)田背景、光照、遮擋等各種因素的影響，因此相對于一般圖像來說比較復雜。因此，基于深度卷積神經(jīng)網(wǎng)絡模型來構造判別網(wǎng)絡和生成網(wǎng)絡在完成網(wǎng)絡訓練后可以生成更加逼真的病蟲害圖像。

其具體步驟如下：

(1)使用深度卷積神經(jīng)網(wǎng)絡模型構造判別網(wǎng)絡。設置深度卷積神經(jīng)網(wǎng)絡模型的網(wǎng)絡層數(shù)為5層，其中前3層為卷積層，第4層為全連接層，最后一層為輸出層，輸出層的節(jié)點數(shù)為1，其輸入為一幅圖像，輸入的圖像大小為256*256。

比較經(jīng)典的深度卷積神經(jīng)網(wǎng)絡模型是lenet-5，該模型應用于手寫體字符識別效果比較好，它只有2個卷積層，而應用于比較復雜的病蟲害圖像時效果不好。通過實驗發(fā)現(xiàn)，當卷積層增加一層即為3層時效果更佳。因此這里設置卷基層數(shù)為3，全連接層和輸出層是必須存在的，因此此處設計一共5層。(在此層數(shù)表達按通常表達方式不包括輸入層)

(2)使用深度卷積神經(jīng)網(wǎng)絡模型構造生成網(wǎng)絡，設置深度卷積神經(jīng)網(wǎng)絡模型的網(wǎng)絡層數(shù)為4層，其中前3層為反卷積層，最后一層為輸出層，輸出層的節(jié)點個數(shù)為256*256，其輸入為隨機噪聲。隨機噪聲為成人為制造的干擾，一般的程序開發(fā)語言都會提供制造隨機噪聲的函數(shù)方法。

不同于判別網(wǎng)絡的是，生成網(wǎng)絡模型沒有卷積層和全連接層，只有反卷積層和輸出層。

第三步，對判別網(wǎng)絡和生成網(wǎng)絡進行訓練。其具體步驟如下：

(1)設定損失函數(shù)，其公式如下：

其中，d(x)為判別網(wǎng)絡在訓練數(shù)據(jù)集上的輸出，x～pdata(x)為數(shù)據(jù)集的真實概率分布，d(g(z))為判別網(wǎng)絡在生成網(wǎng)絡生成的圖片的輸出，z～pz(x)為生成網(wǎng)絡模擬的訓練數(shù)據(jù)集概率分布，z為隨機向量，為使判別網(wǎng)絡能夠區(qū)分輸入真實的數(shù)據(jù)，為使生成網(wǎng)絡能夠欺騙判別網(wǎng)絡。

訓練判別網(wǎng)絡時使用v(d,g)作為損失函數(shù)，在訓練生成網(wǎng)絡時使用作為損失函數(shù)。

(2)判別網(wǎng)絡訓練數(shù)據(jù)的生成，設訓練的batch大小為50，則25個正樣本由訓練樣本中隨機選取，則25個負樣本生成過程如下：

a、生成25個隨機向量；

b、將25個隨機向量作為生成網(wǎng)絡的輸入，得到25個偽造數(shù)據(jù)，并標定為判別網(wǎng)絡的負樣本。

(3)生成網(wǎng)絡訓練數(shù)據(jù)的生成，設訓練的batch大小為50，則50個正樣本生成過程如下：

a、生成50個隨機向量；

b、將50個隨機向量作為生成網(wǎng)絡的輸入，得到50個偽造數(shù)據(jù)，并標定為生成網(wǎng)絡的正樣本。

(4)訓練網(wǎng)絡，其具體步驟如下：

a、設置超參數(shù)k，每訓練完k次判別網(wǎng)絡后再進行一次生成網(wǎng)絡的訓練。即進行k次判別網(wǎng)絡后再進行一次生成網(wǎng)絡的訓練，判別網(wǎng)絡的訓練方法如判別網(wǎng)絡進行訓練步驟所述，生成網(wǎng)絡的訓練方法如生成網(wǎng)絡進行訓練步驟所述。

b、判別網(wǎng)絡進行訓練。

選取m個噪聲樣本，先驗概率分布為pg(z)，標記為{z⁽¹⁾,...,z^(m)}；

選取m個訓練樣本，概率分布為pdata(x)，標記為{x⁽¹⁾,...,x^(m)}；

根據(jù)隨機梯度下降法，修改判別網(wǎng)絡的參數(shù)，其計算隨機梯度公式如下：

表示梯度，θ表示網(wǎng)絡參數(shù)，θd表示判別網(wǎng)絡的參數(shù)。

c、生成網(wǎng)絡進行訓練，

選取m個噪聲樣本，先驗概率分布為pg(z)，標記為{z⁽¹⁾,...,z^(m)}，根據(jù)隨機梯度下降法，修改生成網(wǎng)絡的參數(shù)，其計算隨機梯度公式如下：

表示梯度，θ表示網(wǎng)絡參數(shù)，θg表示生成網(wǎng)絡的參數(shù)。

d、判別網(wǎng)絡進行圖片真實概率判斷，當判別網(wǎng)絡判定圖片為訓練圖像的概率趨于0.5時，訓練完成。

第四步，根據(jù)訓練好的生成網(wǎng)絡生成病蟲害圖像，通過生成網(wǎng)絡輸入噪聲，輸出圖片。其具體步驟如下：

(1)從訓練樣本中隨機選取n個噪聲樣本，先驗概率分布為pg(z)，標記為{z⁽¹⁾,...,z⁽ⁿ⁾}。

(2)分別將噪聲樣本輸入訓練好的生成網(wǎng)絡，生成n個病蟲害圖像。

以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術人員應該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明的范圍內(nèi)。本發(fā)明要求的保護范圍由所附的權利要求書及其等同物界定。