基于循環(huán)一致對抗網(wǎng)絡的玉米灰斑病圖像遷移方法研究*

韓燁，侯睿崢，陳霄

(1. 吉林農業(yè)大學信息技術學院，長春市，130118； 2. 吉林農業(yè)大學智慧農業(yè)研究院，長春市，130118)

0 引言

近年來，深度學習取得了很大的進展，深度學習是機器學習研究中的一個分支，其通過組合低層特征實現(xiàn)對高層特征的抽象表示，從而更加高效的描述和表示結構化數(shù)據(jù)的特征分布[1]，以此發(fā)現(xiàn)數(shù)據(jù)中有用的宏觀信息。隨著計算機視覺在農業(yè)病害圖像上的應用，病害圖像一系列的處理逐漸也變得成熟起來，伴隨著圖像處理的工具和技術的發(fā)展[2-3]，在作物病害監(jiān)測和識別中發(fā)揮著越來越重要的作用。對玉米灰斑病圖像的遷移在一定程度上可以推進深度學習在玉米病害圖像識別領域的應用，并且病害圖像遷移也是圖像風格遷移[4]的一個重要的分支，同時對于玉米灰斑病圖像的數(shù)據(jù)量可以起到擴容作用。目前，數(shù)據(jù)缺乏仍然是阻礙深度學習技術發(fā)展的重要原因之一，且完備的數(shù)據(jù)集應具有大規(guī)模性、多樣性[5]，因為在深度學習中，大多數(shù)任務都是源于基礎數(shù)據(jù)進行驅動的，數(shù)據(jù)的多少對模型的質量有著決定性的作用。當面臨新的應用時，高質量、大批量的數(shù)據(jù)往往是第一需求，但是構造所需要的數(shù)據(jù)集需要經(jīng)過一段時間積累才可以實現(xiàn)。現(xiàn)如今，玉米灰斑病在我國的分布已經(jīng)越來越普遍，對我國東北、華北和西南等地區(qū)的玉米生產威脅越來越大，成為玉米生產中繼大斑病、小斑病之后的又一重要葉部病害玉米[6]?；野卟∽鳛橛衩撞『χ凶顕乐氐牟『χ唬捌诓『μ卣鞔嬖诓幻黠@、不突出的問題，獲取圖像具有一定的難度。在數(shù)據(jù)量較少的情況下，深度學習的應用難以推進。

傳統(tǒng)的圖像風格遷移是非參數(shù)的，主要基于物理、數(shù)學模型的繪制和圖像紋理的合成[7]。Efros等[8]提出了一種簡單的紋理算法，通過對樣本紋理進行拼接和重組以合成新的紋理；Hertzmann等[9]在2001年發(fā)表的Image Analogies中提出了一種基于類推思想的方法，通過圖像特征映射關系合成具有新紋理的圖像；張海嵩等[10]運用多層紋理陣列、國畫光照模型、提取輪廓線等模塊實時繪3D中國畫效果的山巒場景；錢小燕等[11]提出了一種鄰域一致性度量方法，通過把統(tǒng)計特性引入相似性度量中來提高圖像匹配點搜索的效率。雖然此類方法在一定程度上取得了不錯的效果，但是基于是通過單一的配對模型對模型進行訓練，只能提取圖像的低層特征[12]，結合依附的數(shù)學或物理模型對模型進行構造，較為復雜以及耗費大量時間，且對于復雜圖像的構成較為粗糙，難以符合實際的需求，因此傳統(tǒng)的非參數(shù)的風格遷移近年來發(fā)展緩慢[13]。

隨著深度學習[14]的興起，由于非參數(shù)的圖像風格遷移方法存在一定的局限性，Gatys等[15]提出了基于神經(jīng)網(wǎng)絡的圖像風格遷移算法，通過神經(jīng)網(wǎng)絡不同層次提取不同特征來分離圖像的內容與風格。然而這種方法生成的圖像存在噪聲、不清晰、需要大量成對的訓練圖像、需要反復迭代、訓練速度慢、占用極大的內存可能導致程序崩潰的問題[16]。2017年，Zhu等[17]結合GAN和對偶學習的思想提出了CycleGAN (Cycle Generative Adversarial Network)，其思想是使用兩個生成器和兩個判別器完成兩種風格域之間環(huán)形轉換，通過添加循環(huán)一致性損失來保留圖像的內容信息。

相對于經(jīng)典生成模型VAE(變分自編碼)來說，它是由Kingma等[18]于2014年提出的基于變分貝葉斯(Variational Bayes，VB)推斷的生成式網(wǎng)絡結構。VAE旨在通過對樣本分布的學習，采用估計分布近似逼近樣本真實分布，進而由估計分布生成原始樣本的類似樣本[19]。其通過加入隨機噪聲，經(jīng)過編碼解碼的過程生成對應的圖像，它是直接對真實圖片和生成圖片進行像素級別的監(jiān)督，無法更好的關注全局信息，導致生成的圖片整體模糊。對于另外一個生成模型GAN(生成對抗網(wǎng)絡)來說，它是Goodfellow等[20]在2014年提出的。GAN中的博弈方[21]是一個生成器和一個判別器，生成器的目標是生成逼真的偽樣本讓判別器無法判別出真?zhèn)?，判別器的目標是正確區(qū)分數(shù)據(jù)是真實樣本還是來自生成器的偽樣本。當前GAN博弈對抗[22]過程中，生成器通過判別器與真實數(shù)據(jù)間接地建立關系，判別器未利用輸入數(shù)據(jù)一半為真一半為假的先驗知識，導致訓練過程穩(wěn)定性不足，翻譯圖像質量不佳，且易出現(xiàn)model collapse問題，模式坍塌可以總結為生成器結果為真，但是生成的圖像多樣性不足。并且傳統(tǒng)的生成模型VAE、GAN需要一一配對的數(shù)據(jù)集進行模型的訓練，數(shù)據(jù)前期的處理需要耗費大量的時間。

因此本文選用CycleGAN網(wǎng)絡對玉米灰斑病圖像進行遷移，在不需要一對一配對數(shù)據(jù)的前提下，通過加入殘差網(wǎng)絡使得在圖像信息進行傳遞時對原圖像的部分特征也進行了傳遞，使得圖像特征提取時更加合理。基于玉米灰斑病的程度分為輕微和嚴重，因此本文對患病程度不同的灰斑病圖像進行了遷移，不僅可以生成病害特征符合與原始灰斑病的圖像，也可以滿足對玉米灰斑病數(shù)據(jù)集的擴容。

1 試驗數(shù)據(jù)

1.1 圖像數(shù)據(jù)選取

試驗數(shù)據(jù)來源于2018 AI challenger植物病害程度圖片數(shù)據(jù)集，該數(shù)據(jù)是通過官方發(fā)布的兩次數(shù)據(jù)進行一個整合，在整合過程中處理了標簽交叉的問題，數(shù)據(jù)大致可以分為，訓練圖像總數(shù)為31 718張，驗證圖像總數(shù)為4 540張，測試集A圖像總數(shù)為4 514張，測試集B圖像總數(shù)為4 513張?？偣舶?1個類別(按“物種—病害—程度”分)，10個物種，27種病害(其中24個病害有分一般和嚴重兩種程度)，10個健康分類。

在本試驗中，主要是研究玉米灰斑病圖像遷移問題，因此，選取玉米灰斑病作為訓練對象，對中間不清晰或者不易分辨的圖像人為進行剔除，得到的訓練集里健康的玉米圖像370輕微灰斑病的玉米圖像191張，嚴重灰斑病的玉米圖像167張，所選取的樣本數(shù)據(jù)中包含不同光照強度、背景、拍攝角度下不同玉米病害的圖像，部分玉米圖像如圖1所示。

(a) 健康玉米圖像

1.2 數(shù)據(jù)預處理

神經(jīng)網(wǎng)絡模型的精準度對于樣本的數(shù)據(jù)量有著很高的要求，828張訓練集不足以滿足網(wǎng)絡的訓練，采用順時針旋轉45°、逆時針旋轉45°、垂直翻轉、水平翻轉的傳統(tǒng)方法對三個數(shù)據(jù)集均擴容到1 000張采用7∶2∶1的比例將數(shù)據(jù)劃分為訓練集、驗證集、測試集。由于公共數(shù)據(jù)集中圖像分辨率大小不同，而本模型需要輸入固定維度，因此對圖像進行歸一化處理，將圖像大小統(tǒng)一轉化為256像素×256像素，然后才能輸入網(wǎng)絡中進行訓練。增強后部分玉米圖像如圖2所示。

(a) 玉米原始圖像

(b) 順時針旋轉45°

(c) 逆時針旋轉45°

(d) 水平翻轉

(e) 垂直翻轉

2 基于循環(huán)一致對抗網(wǎng)絡的玉米灰斑病圖像遷移算法

2.1 基于玉米灰斑病遷移的循環(huán)一致對抗模型

2.1.1 玉米灰斑病的遷移算法

病害遷移是利用遷移學習對病害圖像特征進行遷移的一個過程，健康玉米圖像數(shù)據(jù)集稱之為源域，玉米灰斑病數(shù)據(jù)集稱之為目標域，本文要實現(xiàn)的就是將健康玉米圖像通過循環(huán)一致對抗模型轉化為患有不同程度玉米灰斑病的圖像，在此過程中，會涉及兩個特征分布不相同的域，本文采用重建的領域自適應方法，實現(xiàn)不同域之間的轉化，并且循環(huán)一致對抗網(wǎng)絡是基于對抗的不同域之間的對抗過程，并且加入了循環(huán)重建作為約束性條件，對于圖像轉化的質量有較好的效果，因此選擇使用CycleGAN算法實現(xiàn)不同域之間圖像的轉化。

2.1.2 玉米灰斑病遷移的網(wǎng)絡結構圖

在圖3的網(wǎng)絡結構中，首先，對健康圖像h1和玉米灰斑病圖像s1的特征進行提取；然后，將兩種圖像的特征輸入到生成器Gs中，得到所需要的風格遷移圖像Generated_hs；最后通過判別器Dh和Ds分別判別所生成的病害遷移圖像的風格和內容是否與要求一致，在進行訓練時，加入了循環(huán)一致性損失函數(shù)對生成器Gs進行補充，使得兩個對抗網(wǎng)絡達到一個循環(huán)的訓練狀態(tài)。

圖3 灰斑病病害遷移的CycleGAN結構圖

2.2 循環(huán)一致網(wǎng)絡結構

CycleGAN是GAN網(wǎng)絡的一種變體網(wǎng)絡，它可以學習兩個域之間的兩個數(shù)據(jù)轉換函數(shù)，核心思想是兩個轉換器F和G。CycleGAN使用了兩個傳統(tǒng)GAN網(wǎng)絡，該網(wǎng)絡學習如何根據(jù)需要轉換數(shù)據(jù)，每個GAN內部都有一個生成器網(wǎng)絡，GAN的第一生成器學習計算F，GAN的第二生成器學習計算G。此外，每個生成器都與一個鑒別器相關聯(lián)，該鑒別器學習將實際數(shù)據(jù)y與合成數(shù)據(jù)G(x)區(qū)分開。

圖4 兩組對抗網(wǎng)絡結構圖

此時對于圖4的兩組對抗來說，其循環(huán)一致?lián)p失滿足

(1)

(2)

模型中循環(huán)一致結構的目的在與輸入的健康玉米圖像和經(jīng)過對抗重建后生成的健康圖像，兩者盡可能地保持一致，在對抗的過程中加入了約束條件，對圖像特征的遷移起到了約束性的作用。

2.3 循環(huán)生成對抗網(wǎng)絡結構

CycleGAN的整體結構主要是由生成器和判斷器組成，分別是GeneratorA/B, GeneratorB/A，DiscriminatorA，DiscriminatorB四個部分。其中生成器是由編碼器、轉化器和解碼器構成。

2.3.1 生成器結構分析

如圖5所示，首先輸入圖像經(jīng)過編碼器中的卷積神經(jīng)網(wǎng)絡對輸入圖像中提取特征，將具有高維信息的圖像壓縮為低維特征向量。然后轉換器通過組合兩類訓練集圖像域中的不相近特征，將健康圖像域中的特征向量分布轉換為患病域中的特征向量分布。生成器中各層的參數(shù)如表1所示。

圖5 循環(huán)一致對抗網(wǎng)絡生成器結構圖

表1 循環(huán)一致對抗網(wǎng)絡生成器結構參數(shù)Tab. 1 Cyclic consistent adversarial network generator structure parameters

如圖6所示，轉換器中使用了多層殘差網(wǎng)絡ResNet模塊。每個 ResNet模塊都是一個由兩個卷積層組成的神經(jīng)網(wǎng)絡層，可以實現(xiàn)在轉換特征的同時保留原始域中圖像數(shù)據(jù)集的特征的目的。一個殘差塊用式(3)表示。

xL+1=xL+F(xL，WL)

(3)

式中：xL——L層輸入的數(shù)據(jù)；

WL——在L層時的權重參數(shù)；

xL+1——在L層的輸出，即L+1層的輸入。

圖6 ResNet殘差塊結構

在轉化器中使用了殘差網(wǎng)絡，可以避免層數(shù)過多對于梯度的影響，利用殘差網(wǎng)絡可以使得在參數(shù)跳躍傳輸時，信息中包含了一部分為病害遷移的原始圖像信息，對于生成圖像信息的準度有了一部分的提升。

編碼器利用三層卷積層級實現(xiàn)從圖像中提取出特征向量，解碼器利用三層反卷積層實現(xiàn)從特征向量中還原出低級特征的功能，最后得到變換后的近似符合目標域數(shù)據(jù)分布的圖像。編碼器的第一層和解碼器最后一層都采用7×7的卷積核，其他層均采用3×3的卷積核，轉換器中的殘差網(wǎng)絡使用Relu作為激活函數(shù)，且都采用IN方法歸一化處理，解碼器的最后一層解碼器的最后一層不做歸一化處理，且采用Tanh作為激活函數(shù)。

2.3.2 鑒別器結構分析

與生成器相對應的是鑒別器模塊，網(wǎng)絡結構如圖7所示，它是將生成的患病圖像和真實的患病像作為輸入，對輸入圖像判斷其為原始真實圖像還是生成的虛假圖像。鑒別器采用五層卷積層，卷積層卷積核的大小均為4×4，CycleGAN網(wǎng)絡的鑒別器模型能夠將一個圖像經(jīng)過卷積后生成1個一維向量，加上1個偏置向量后，通過Sigmod函數(shù)根據(jù)概率值完成二分類任務。CycleGAN網(wǎng)絡的鑒別器結構的各層參數(shù)如表6所示。

圖7 鑒別器網(wǎng)絡結構

表2 循環(huán)一致對抗網(wǎng)絡生鑒別器結構參數(shù)Tab. 2 Circular consistent adversarial network raw discriminant structure parameters

2.4 模型損失函數(shù)

CycleGAN的損失函數(shù)(L)由兩部分組成：兩個對抗損失(Lgan)和兩個平均絕對誤差(L1)，整個CycleGAN框架采用end-to-end方式訓練，其公式如式(4)所示。

L(G、F、DX、DY)=Lgan(G、DY、X、Y)+

Lgan(F、DX、Y、X)+λLcyc(G、F)

(4)

式中：Lcyc(G、F)——循環(huán)一致網(wǎng)絡損失；

λ——權重系數(shù)。

對抗損失Lgan使用KL散度計算兩個不同域之間分布的差異，計算公式如式(5)和式(6)所示。

1)G:X→Y的對抗

Lgan(G、DY、X、Y)=Ey-pdata(y)[logDY(y)]+

Ex-pdata(x)[log(1-DY(G(x)))]

(5)

式中：y——真實玉米灰斑病圖像；

x——生成玉米灰斑病圖像；

DY(y)——鑒別器判斷輸入為真實玉米病害葉片圖像的概率；

DY(G(x))——鑒別器判斷輸入為生成玉米病害葉片圖像的概率；

Ey-pdata(y)[logDY(y)]——玉米灰斑病圖像樣本集Y域分布中的樣本y的logDY(y)的期望；

Ex-pdata(x)[log(1-DY(G(x)))]——健康玉米圖像樣本集X域分布中樣本x的log(1-DY(G(x)))的期望。

水土流失量以徑流含沙數(shù)據(jù)反映。根據(jù)1965～2010年資料分析，潛山和石牌站多年平均含沙量分別為0.28 kg/m3和0.13 kg/m3。石牌站多年平均輸沙量6.0×104 t，年際變化、月際變化都很大。含沙量的年內和年際波動如圖2和圖3所示。

2)F:Y→X的對抗

Lgan(F、DX、X、Y)=Ed-pdata(d)[logDX(d)]+

Ee-pdata(e)[log(1-DX(F(e)))]

(6)

式中：d——真實健康玉米葉片圖像；

e——生成健康玉米葉片圖像；

DX(d)——鑒別器判斷輸入為真實健康玉米葉片圖像的概率；

DX(F(e))——鑒別器判斷輸入為生成健康玉米葉片圖像的概率；

Ed-pdata(d)[logDX(d)]——健康玉米圖像樣本集X域分布中的樣本d的logDX(d)的期望值；

Ee-pdata(e)[log(1-DX(F(e)))]——玉米灰斑病圖像樣本集Y域分布中樣本e的log(1-DX(F(e)))期望。

G的目標是講這個目標最小化，而D的目標是最大化，因此滿足minGmaxDyLgan(G、DY、X、Y)；F的目標是將這個目標最小化，而D的目標是最大化，因此滿足minFmaxDxLgan(F、DX、X、Y)。

循環(huán)一致?lián)p失Lcyc采用了L1loss計算預測值與真實值之間距離的均值，計算如式(7)所示。

Lcyc(G、F)=Ex-pdata(x)[‖F(xiàn)(G(x))-x‖1]+

Ey-pdata(y)[‖G(F(y))-y‖1]

(7)

式中：G(x)——X→Y的一個映射；

2.5 模型訓練與超參數(shù)設計

CycleGAN模型的訓練在Tensorflow深度學習框架下進行，采用GPU進行加速。在轉換器上使用了殘差塊，解決了深度神經(jīng)網(wǎng)絡的退化問題，也對神經(jīng)的收斂速度有一定的提升。模型的整個訓練分為兩個階段。首先利用小部分自制玉米灰斑病數(shù)據(jù)集進行預訓練權重初始化網(wǎng)絡參數(shù)，然后采用大量的自制玉米灰斑病數(shù)據(jù)集對模型進行訓練，并結合Tensorboard模塊對訓練過程進行實時監(jiān)測。試驗中輸入和輸出的玉米圖像均為256像素×256像素。批量處理batch_size為50，訓練次數(shù)為90 000 輪，每1 000輪保存一次權重，學習率初始為0.002，之后每100 000次線性衰減到0。模型采用非線性修正線性單元Relu作為激活函數(shù)，梯度下降采用Adam算法進行優(yōu)化。用戶感知評價指標0.2a1+0.3a2+0.5a3，其中a1判斷遷移后的圖片質量是否清晰；a2判斷遷移后的病害圖像其他區(qū)域是否出現(xiàn)病害溢出的現(xiàn)象；a3判斷遷移后的病害圖像特點是否明顯。用戶評價指標中A為10，B為20，患病程度輕微、嚴重的情況各自進行200組的對比試驗，均方誤差MSE權重值為0.5，樣本總數(shù)為400。

3 結果與分析

3.1 主客觀評價指標

由于玉米灰斑病病害遷移的效果具有主觀性，只使用客觀的量化指標來評測圖像比較困難。試驗中結合主觀評價指標和客觀評價指標，采用三種測評指標：結構相似、均方誤差、用戶感知評價對CycleGAN模型得到的玉米灰斑病圖像的效果與其他方法進行比較。

1) 結構相似SSIM是評估源健康玉米圖像X與進行風格遷移后的患病圖像Y數(shù)據(jù)分布相似度的指標，如式(8)所示。SSIM的范圍為-1～1，SSIM的數(shù)值越大表示兩幅圖像的分布結構越相似，圖像的質量越高。

(8)

式中：μx、μy——X圖像、Y圖像的均值；

σx、σy——X圖像、Y圖像的方差；

σxy——x和y的協(xié)方差。

2) 均方誤差MSE是參數(shù)估計值與參數(shù)真實值之間差異程度的一種度量，如式(9)所示。MSE越小表示與原圖像的差距越小。

(9)

w——圖像的權重值；

θ——圖像的預期值；

n——樣本的總數(shù)。

3) 用戶評價UE是對病害遷移效果的主觀評價指標。首先，選擇A個學生，從數(shù)據(jù)集中隨機選擇B張測試圖像；然后將B張測試圖像在不同模型輸出的病害圖像提供給用戶進行比較；最后統(tǒng)計學生對各個模型輸出圖像為最佳效果圖的數(shù)量M，得到學生對不同模型進行圖像遷移效果的感知評價，如式(10)所示。

(10)

3.2 基于圖像生成質量的對比試驗

為了驗證本文提出的方法在玉米灰斑病遷移效果上的有效性和優(yōu)越性，進行了一系列的對比試驗，與VAE、GAN圖像生成方法進行比較。比較在相同數(shù)據(jù)上不同方法輸出圖像效果的距離相似SSIM、均方誤差MSE、用戶感知評價UE。主觀試驗如圖8、圖9，客觀試驗數(shù)據(jù)如圖10、圖11所示，算法性能分析圖如圖12所示。

主觀上，通過用戶感知評價的方法對3種方法進行玉米灰斑病遷移效果的感知評價(UE)，如圖8所示，相同的圖像在生成不同患病程度圖像的情況下，視覺效果CycleGAN生成的玉米灰斑病圖像效果更優(yōu)。從圖9可以看出，在不同患病程度的情況下，分析進行200組試驗，CycleGAN方法遷移生成的輕微、嚴重玉米灰斑病效果最佳的圖像數(shù)量分別為152張、147張，圖像數(shù)量遠高于其他兩種方法，證明CycleGAN與其他兩種方法作比較，有效地提升了病害圖像遷移的直觀感受。

(a) 健康 (b) 患病 (c) VAE (d) GAN (e) CycleGAN

圖9 最佳效果圖數(shù)量對比圖

圖10 玉米灰斑病遷移圖像的MSE值

客觀上，從圖10中的MSE數(shù)據(jù)可以得到，通過CycleGAN、VAE、GAN三個方法得到的均方誤差值分別為3 674.6、4 218.4、4 063.7，可以看出CycleGAN方法遷移后玉米灰斑病圖像均方誤差值最小，說明用此方法生成的玉米灰斑病圖像與輸入的健康玉米圖像差異程度更小，更可以說明CycleGAN遷移生成的玉米灰斑病患病圖像質量是最好的。

在結構相似SSIM的比較下，在各自進行400組試驗中，VAE、GAN、CycleGAN每張圖像對應的SSIM值大小如圖11所示，可以看出，通過CycleGAN方法得到的折線圖整體高于GAN方法和VAE方法，即CycleGAN網(wǎng)絡遷移后的玉米灰斑病圖像與原圖像的分布結構更相似，可以說明通過CycleGAN遷移后的圖像質量較好。

對比于圖12(a)來說，遷移后的玉米灰斑病圖12(b)的直觀效果好于圖12(c)、圖12(d)，說明VAE生成玉米灰斑病圖像效果高于GAN和CycleGAN。原因在于VAE模型找到輸入的健康玉米圖像與玉米灰斑病圖像之間的潛向量，會更加規(guī)律的生成與原圖像更加相近的圖片，雖然VAE是基于局部圖像之間存在規(guī)律性，但是由于兩張圖像的拍攝角度、葉片的大致形狀一致，導致通過VAE生成的玉米灰斑病圖像質量較高。此時的GAN模型發(fā)生了模式坍塌，輸入健康玉米圖片時，生成的卻是另外一張玉米灰斑病圖像，即是不相關的圖像。相對于圖12(e)來說，遷移后的玉米灰斑病圖12(f)的直觀效果好于圖12(g)、圖12(h)，說明GAN生成玉米灰斑病圖像效果高于VAE和CycleGAN。GAN生成玉米灰斑病圖像效果高于VAE和CycleGAN。GAN利用模型中判斷對整體圖像質量的判斷，圖片連續(xù)性加強，未發(fā)生模式坍塌，導致通過GAN生成的患病圖像質量較高。通過VAE模型生成的圖像注重圖像的局部特征，到最后生成圖像不清晰。對兩排圖像進行對比，可以看出通過CycleGAN遷移后的玉米灰斑病圖像都較差，原因在于是因為圖片中過多的不相關信息，除了主葉片以外還有許多干擾信息，導致遷移后的玉米灰斑病其他部位也有生成，在視覺上造成遷移后的玉米灰斑病圖像與原圖像差別較大。

圖11 玉米灰斑病遷移圖像的SSIM值

(a) 原圖像

(b) VAE

(c) GAN

(d) CycleGAN

(e) 原圖像

(f) VAE

(g) GAN

(h) CycleGAN

綜合來說，通過主觀、客觀方法以及差異性分析的對比下，CycleGAN網(wǎng)絡在SSIM、MSE、UE三項評價指標上的數(shù)據(jù)質量都優(yōu)于其他兩種方法，在不同的條件下都能表現(xiàn)較好的特性，進而得到的圖像質量也高于其他兩種方法。

4 結論

本文使用領重建的領域自適應方法，實現(xiàn)不同域之間的轉化，去滿足健康玉米圖像到不同患病程度玉米灰斑病轉化，并且使用含有殘差網(wǎng)絡的CycleGAN網(wǎng)絡對玉米灰斑病圖像的特征進行遷移，在保證生成圖像的速度和質量的情況下，也實現(xiàn)對現(xiàn)有少量玉米灰斑病數(shù)據(jù)集的有效擴容，進而解決玉米灰斑病圖像樣本采集困難的問題。

1) 在試驗中，對患病程度輕微、嚴重兩種狀態(tài)的病害圖像各自進行200組試驗，通過直觀效果圖、客觀評價指標以及差異性分析三個方面，遷移后輕微、嚴重灰斑病圖像的可以達到152張和147張，對于玉米灰斑病數(shù)據(jù)轉化率分別可以達到76%和73.5%，驗證出CycleGAN網(wǎng)絡在玉米灰斑病圖像遷移上具有優(yōu)勢。

2) 試驗中統(tǒng)計了CycleGAN、VAE、GAN在輸入800張健康玉米圖像情況下，對應生成800張患有輕微和嚴重玉米灰斑病圖像所需的時間，CycleGAN模型在圖像生成時間上較快，可以節(jié)省一定的時間成本。

3) 輸入800張健康玉米圖像，通過CycleGAN模型可以得到有效的患有輕微灰斑病圖像612張、患有嚴重灰斑病圖像591張，有效的擴充了原始數(shù)據(jù)集，轉換后的圖像分別占擴充后數(shù)據(jù)集的76.21%和77.96%，達到一種以健康玉米圖像生成大量且高質量的患病玉米圖像數(shù)據(jù)的作用，有效解決了農業(yè)領域玉米灰斑病樣本不足的問題。