基于改进生成对抗网络的甜樱桃数据增强方法

为解决在数据不平衡条件下甜樱桃分类模型出现的长尾类不平衡问题,提出了一种基于深度卷积生成对抗网络(Deep convolutional generative adversarial networks,DCGAN)的缺陷甜樱桃图像增强方法。首先,在生成器部分引入多尺度残差块(MSRB)和CBAM注意力机制,增强了模型特征表达能力和生成图像细节质量,同时改善了梯度流;在判别器部分应用谱归一化技术,并引入Wasserstein距离和加梯度惩罚的损失函数,增强了模型训练稳定性和收敛速度。实验结果表明,与传统的GAN模型相比,本文模型可以生成更高质量的缺陷甜樱桃图像,两种缺陷甜樱桃图像的FID值(Fréchet inception distance)分别为64.36和59.97。本文模型生成的数据增强后,VGG19和MobileNetV3的甜樱桃分类准确率分别提高16.44个百分点和13.94个百分点。