[发明专利]基于对抗网络的水果图像的新鲜度属性迁移方法

权利要求书

1.基于对抗网络的水果图像的新鲜度属性迁移方法，其特征在于，包括以下步骤：

步骤一、构造训练集；

训练集是已标注的水果图像集合，可以使用爬虫从网络上爬取，可以下载公开的图像库，也可以自行准备适合的水果图像；最终需要得到正常水果图像，并按不同新鲜程度进行分类，主要分为四类：表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂；

步骤二、图像文件预处理；

步骤2.1、移除错误的图像文件；

使用程序预读的方式，移除错误图像，以防止图像文件损坏或读取错误造成训练过程出错；

步骤2.2、去除重复的图像文件；

使用MD5等信息摘要算法去除重复存在的图像文件，以防止图像重复降低最终的模型性能；

步骤2.3、统一图像文件格式；

将数据集中的png、gif等格式的图像文件，统一转换为jpg格式的文件；

步骤2.4、统一图像的尺寸；

将数据集中的图像进行缩放，使得最终的图像大小为256*256像素；

步骤2.5、对图像文件进行统一编号；

为了数据的规范性，将所有图像文件进行统一编号，便于后续训练和测试过程；

步骤2.6、将图像文件按外形进行分组；

对每一分类中的水果图像进行分组，分组方法可以随机选择，也可以将外形相似的水果图像作为一组；外形相似的水果图像作为一组能够提高最终的图像生成效果；以分组为单位将图像的路径保存到CSV文件中以便在训练过程中使用队列的方式读取图像；

步骤三、构建不同新鲜度的水果图像的生成器网络和判别器网络；生成器网络和判别器网络的模型原型为循环一致性生成对抗网络，该网络能够用于进行非成对图像之间的映射特征迁移；

其中，生成器网络部分的结构包含两个步长为2的卷积-池化层、9个残差模块、两个步长为1/2的卷积，其中残差模块的个数与图像的像素数有关，对于256*256像素的图像使用9个残差模块即可；生成器网络结构如附图2所示；判别器网络部分使用基于卷积神经网络的分类网络；

步骤四、分别使用不同新鲜度分类的图像训练集，将表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂四类训练集图像作为模型输入，训练获得四个不同的生成器模型，分别记为model1、model2、model3和model4；该四个生成器模型即保存有表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂四类水果图像的新鲜度特征；

在训练过程中，网络有四个输入：imageA、imageB、fake_imageA、fake_imageB，其中fake_imageA的初始值为与imageA的像素和通道结构相同的全0矩阵，fake_imageB的初始值为与imageB的像素和通道结构相同的全0矩阵；学习率初始值设为0.0002，学习率前100轮不变，后期线性衰减；

在训练过程中，使用一个能存储50幅图像的缓冲区，存储最后创建的50幅图像，并使用这50幅生成图像来更新模型；

步骤五、将需改变新鲜度的水果图像作为特征迁移目标，将图像文件作为模型1的输入即可生成新鲜度为表面新鲜的水果图像，同样的，使用模型2可生成新鲜度为表面颜色暗淡的水果图像，使用模型3可生成新鲜度为表面皱褶的水果图像，使用模型4可生成新鲜度为表面部分腐烂的水果图像；

至此，水果图像的新鲜度属性迁移完成；通过本方法，能够针对任意新鲜度的水果图像，将其新鲜度更改为其他的新鲜度，并保持图像中水果的形状和在图像中的位置不变。