[发明专利]基于人工智能的智慧林业航拍图像样本数据扩增方法、装置、平台和存储介质

说明书

一种基于人工智能的智慧林业航拍图像样本数据扩增方法，包括步骤，将WGAN‑GP模型与ACGAN模型结合，获得生成对抗网络模型WACGAN‑GP；将原始林业航拍图像样本数据输入所述的生成对抗网络模型WACGAN‑GP，生成第一样本数据集。将所述的原始林业航拍图像样本数据输入，同时输入VGG19模型，获得特征提取改进VGG19模型。

技术领域

本发明属于林业巡查技术领域，特别涉及一种基于人工智能的智慧林业航拍图像样本数据扩增方法、装置、平台和存储介质。

背景技术

在采用算法模型对林业图像进行目标检测时，当样本数量较小，导致检测的效果比较差，这时就需要进行数据扩增。要想获得更多数据，可以对现有数据做相应的调整，例如翻转、旋转、平移等，神经网络模型将这些调整后的图像当作不同的图像。数据扩增是针对有限训练数据问题的一个重要的空间解决办法，旨在扩增训练数据的规模，缓解深度神经网络模型的过拟合问题，提高模型的性能和泛化能力。数据扩增发展至今衍生出许多方法，但由于始终都是在原始图像上进行变换，对于分类性能的提升依然十分有限，即使后来出现了自动化搜索数据扩增策略，也只是简化了策略选择流程，本质上并未对数据集的分类性能带来很大的提升。

发明内容

本发明实施例之一，一种基于生成对抗网络的林业样本数据扩增方法：将WGAN-GP模型与ACGAN模型结合，获得生成对抗网络模型WACGAN-GP；将原始林业航拍图像样本数据输入所述的生成对抗网络模型WACGAN-GP，生成第一样本数据集；

将所述的原始林业航拍图像样本数据输入，同时输入VGG19模型，获得特征提取改进VGG19模型；

将所述第一样本数据集输入所述特征提取改进VGG19模型，经过对所述第一样本数据集进行样本提取，获得第二样本数据集；

对所述第二样本数据集采用数据选择方法ENN-IHT，使用ENN-IHT对数据进行选择，过滤掉噪声数据，获得增强样本数据集。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1根据本发明实施例之一的样本数据扩增方法流程图。

具体实施方式

数据扩增可以增加训练集的样本，可以有效缓解模型过拟合的情况，使得训练数据尽可能的接近测试数据，从而提高预测精度。另外样本扩增可以迫使网络学习到更鲁棒性的特征，从而使模型拥有更强的泛化能力，比如对图像进行一定程度的遮挡。

生成对抗网络(GAN)是一种全新的深度学习框架，它可以从图像中学习鉴别特征并生成真实样本，GAN生成的图像主要取决于模型结构和样本集质量。随着生成对抗网络(GAN)的兴起，GAN可以根据已有数据集的高维特征进行组合,生成与原始数据集完全不同的图像,相比于传统的数据扩增方法，可以为神经网络提供更多的图像特征,经过精心设计的生成对抗网络可以生成与原始图像相似且清晰的图像，但同时GAN也存在训练不稳定、生成图像质量不高、无法生成指定标签图像、生成图像中包含噪声数据等问题，因此本发明针对这些问题提出了一种基于生成对抗网络的数据扩增方法，即，

WGAN-GP模型可以快速稳定生成高质量的图像，但无法生成指定标签的图像。ACGAN模型可以生成指定标签的图像，但是不能稳定生成高质量的图像。本发明结合WGAN-GP和ACCGN的优点，设计一种生成对抗网络模型WACGAN-GP,结合梯度惩罚，设计新的损失函数。同时引入了一系列的优化策略，标签平滑、小批量判别、谱归一化、残差块，使得WACGAN-GP能够生成更加清晰可分辨的图像,同时能获得更优的结果。