【技术实现步骤摘要】
本专利技术涉及图像数据处理，尤其涉及一种小麦图像数据增强方法、装置、设备及存储介质。
技术介绍
1、近年来，深度学习在各方面取得了显著的成果，在图像处理中，能够通过自身的网络结构挖掘出图像数据集的内在联系，直接从数据中提取特征信息，简化了为每个问题构建特征提取器的任务。在实际应用中，图像采集困难、样本不均衡等问题普遍存在，样本数量较少，模型的泛化能力会受到限制，会直接影响算法的性能，而数据增强技术可以在这些数据约束的环境下，通过一系列变换和扰动操作，生成与原图像相关但不完全相同的新图像，从而扩充数据集，使模型从更多不同的视角学习到数据特征，提高其泛化能力。
2、但是至今为止，在图像数据增强的方法上有大量的探索和研究，从传统的颜色抖动、裁剪等简单变换，到生成对抗网络的提出和优化。许多数据增强技术已经被普遍应用于数据样本扩增任务，同时在实际应用场景中取得了不错的成果。相比于传统的数据增强方法，gan在数据驱动的应用中得到了显著的效果。近年来，gan被应用在人脸识别等多个领域，用来增加数据集的规模，解决样本数量缺乏的问题，让模型更好地理解数据中的模式和关系，从而生成更丰富的数据样本。然而，大部分gan模型都存在模式崩溃、图像模糊和错误分类等问题。
3、因此，亟需一种小麦图像数据增强方法，提高对麦穗图像进行数据增强处理生成图像的质量的技术问题。
技术实现思路
1、本专利技术的主要目的在于提供了一种小麦图像数据增强方法、装置、设备及存储介质，旨在解决如何有效提高对麦穗
2、为实现上述目的，本专利技术提供了一种小麦图像数据增强方法，所述方法包括以下步骤:
3、获取当前麦穗样本图像；
4、将所述麦穗样本图像输入至预设dl-cyclegan模型进行数据增强处理，所述预设dl-cyclegan模型是将原始的cyclegan网络中生成器中转换器的resnet模块替换为drb模块，所述预设dl-cyclegan模型中的损失函数为在cyclegan模型的损失函数的基础上引入特征损失函数。
5、可选地，所述获取麦穗图像数据集，对所述麦穗图像数据集进行预处理，获得麦穗样本图像的步骤之前，还包括：
6、获取初始dl-cyclegan模型和麦穗图像数据集；
7、通过所述麦穗图像数据集对所述初始dl-cyclegan模型进行训练，获得训练结果；
8、根据所述训练结果对所述初始dl-cyclegan模型中的损失函数的参数进行修正，获得预设dl-cyclegan模型。
9、可选地，所述drb模块包括3x3conv+bn+relu结构和concat+1x1conv结构；
10、其中，bn为归一化模块，relu为激活函数，1x1conv为1x1卷积，3x3conv为3x3卷积，concat为拼接函数。
11、可选地，所述预设dl-cyclegan模型中的生成器包括编码器、转换器和解码器组成；
12、所述编码器用于通过卷积层从输入数据中获取相关特征，并利用relu激活函数使网络模型更加稳定；
13、所述转换器由多个drb模块组成，用于将输入图像的相关语义信息进行组合，实现不同域之间的特征转换，并且在转换的过程对原始图像特征信息进行保留；
14、所述解码器由反卷积和卷积层构成，用于完成从提取到的特征向量中还原出浅层特征，并输出生成的图像。
15、可选地，所述特征损失函数的表达式为：
16、
17、式中，和代表风格x域和风格y域的样本分布，生成器g代表风格x域到风格y域的映射关系，生成器f代表风格y域到风格x域的映射关系，f(x)表示图像x通过生成器f生成的图像，g(y)表示图像y通过生成器g生成的图像。
18、可选地，所述预设dl-cyclegan模型中的损失函数的表达式为：
19、l(g,f,dx,dy)＝lgan(g,dy,x,y)+lgan(f,dx,y,x)+λlcyc(g,f)+μlide(g,f)
20、式中，lgan表示对抗损失函数，lcyc表示循环一致损失函数，lide表示特征损失函数，λ和μ分别是循环一致损失函数和特征损失函数的权值参数，dx和dy表示所述预设dl-cyclegan模型中的判别器。
21、可选地，所述根据所述训练结果对所述初始dl-cyclegan模型中的损失函数的参数进行修正，获得预设dl-cyclegan模型的步骤，包括：
22、获取所述训练结果的生成图像；
23、根据所述生成图像与所述生成图像对应的原始图像的峰值信噪比和结构相似性对所述初始dl-cyclegan模型中的特征损失函数的权值参数进行修正，获得参数修正结果；
24、根据参数修正结果，确定目标权值参数；
25、根据所述目标权值参数获得预设dl-cyclegan模型。
26、此外，为实现上述目的，本专利技术还提出一种小麦图像数据增强装置，所述装置包括：
27、样本获取模块，用于获取当前麦穗样本图像；
28、数据增强模块，用于将所述麦穗样本图像输入至预设dl-cyclegan模型进行数据增强处理，所述预设dl-cyclegan模型是将原始的cyclegan网络中生成器中转换器的resnet模块替换为drb模块，所述预设dl-cyclegan模型中的损失函数为在cyclegan模型的损失函数的基础上引入特征损失函数。
29、此外，为实现上述目的，本专利技术还提出一种小麦图像数据增强设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的小麦图像数据增强程序，所述小麦图像数据增强程序配置为实现如上文所述的小麦图像数据增强方法的步骤。
30、此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有小麦图像数据增强程序，所述小麦图像数据增强程序被处理器执行时实现如上文所述的小麦图像数据增强方法的步骤。
31、本专利技术通过获取当前麦穗样本图像；将所述麦穗样本图像输入至预设dl-cyclegan模型进行数据增强处理，所述预设dl-cyclegan模型是将原始的cyclegan网络中生成器中转换器的resnet模块替换为drb模块，所述预设dl-cyclegan模型中的损失函数为在cyclegan模型的损失函数的基础上引入特征损失函数。由于本专利技术是通过将将获取的当前麦穗样本图像输入至预设dl-cyclegan模型进行数据增强处理，其中，预设dl-cyclegan模型是将原始的cyclegan网络中生成器中转换器的resnet模块替换为drb模块，并在cyclegan模型的损失函数的基础上引入特征损失函数。相比于现有技术，本专利技术采用drb模块优化cyclegan生成器中的转化器模块，减少图像内部细节关联信息的丢失，同时引入特征损失函数增加生成本文档来自技高网...
【技术保护点】
1.一种小麦图像数据增强方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的小麦图像数据增强方法，其特征在于，所述获取麦穗图像数据集，对所述麦穗图像数据集进行预处理，获得麦穗样本图像的步骤之前，还包括：
3.如权利要求1所述的小麦图像数据增强方法，其特征在于，所述DRB模块包括3x3Conv+BN+ReLU结构和Concat+1x1Conv结构；
4.如权利要求1所述的小麦图像数据增强方法，其特征在于，所述预设DL-CycleGAN模型中的生成器包括编码器、转换器和解码器组成；
5.如权利要求1所述的小麦图像数据增强方法，其特征在于，所述特征损失函数的表达式为：
6.如权利要求5所述的小麦图像数据增强方法，其特征在于，所述预设DL-CycleGAN模型中的损失函数的表达式为：
7.如权利要求6所述的小麦图像数据增强方法，其特征在于，所述根据所述训练结果对所述初始DL-CycleGAN模型中的损失函数的参数进行修正，获得预设DL-CycleGAN模型的步骤，包括：
8.一种小麦图像数据增
9.一种小麦图像数据增强设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的小麦图像数据增强程序，所述小麦图像数据增强程序配置为实现如权利要求1至7中任一项所述的小麦图像数据增强方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有小麦图像数据增强程序，所述小麦图像数据增强程序被处理器执行时实现如权利要求1至7任一项所述的小麦图像数据增强方法的步骤。
...【技术特征摘要】
1.一种小麦图像数据增强方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的小麦图像数据增强方法，其特征在于，所述获取麦穗图像数据集，对所述麦穗图像数据集进行预处理，获得麦穗样本图像的步骤之前，还包括：
3.如权利要求1所述的小麦图像数据增强方法，其特征在于，所述drb模块包括3x3conv+bn+relu结构和concat+1x1conv结构；
4.如权利要求1所述的小麦图像数据增强方法，其特征在于，所述预设dl-cyclegan模型中的生成器包括编码器、转换器和解码器组成；
5.如权利要求1所述的小麦图像数据增强方法，其特征在于，所述特征损失函数的表达式为：
6.如权利要求5所述的小麦图像数据增强方法，其特征在于，所述预设dl-cyclegan...
【专利技术属性】
技术研发人员：汪红，田莎莎，史梦娟，帖军，郑禄，毛宴斌，芦培杰，方龙飞，徐科，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。