来源：期刊VIP网 时间：
作者：李艳玲;张博翔;董萍;赵雨洋;FERNANDO Bacao;司海平;
单位：河南农业大学信息与管理科学学院;新里斯本大学坎波利德校园NOVA信息管理学院;
摘要：【目的】设计一种基于改进DCGAN(deep convolutional generative adversarial networks,DCGAN)的图像扩充方法 WSAR-DCGAN(wasserstein and self-attention residual networks dcgan,WSAR-DCGAN)，为玉米叶片病害图像的增强与识别提供依据。【方法】首先，将DCGAN原模型中的损失函数进行替换，并将自注意力机制模块融入原有的DCGAN模型中，提高模型对病害斑块特征的学习能力。其次，改进残差结构，并把改进后的残差网络应用到生成器与判别器中，增加网络深度，提取图像更深层次的特征以提高生成图像的真实性。【结果】WSARDCGAN扩充方法相较于DCGAN、DCGAN+和WGAN算法，生成病害图像的F_(ID)值分别降低了167.86、143.63和55.4,Gan-train与Gan-test的值相较于DCGAN提升了22.02%和23.82%。另外，使用WSAR-DCGAN扩充方法得到的图像数据集进行玉米叶片病害识别，在AlexNet、VGGNet和ResNet识别网络上的识别准确率分别提升了6.9%、7.14%和3.44%。【结论】该方法能够解决原始DCGAN训练过程不稳定、生成病害图像真实性多样性差等问题。
关键词：小样本;;数据扩充;;残差网络;;生成对抗网络;;玉米病害叶片图像
基金资助：河南省科技攻关项目（252102520037）;; 河南省重点研发专项（251111211300,231111110100,231111211300）;; 河南省杰出外籍科学家工作室（GZS2024006）;; 河南省中央引导地方科技发展项目（Z20231811005）
