APP下载

基于生成对抗网络的禽蛋图像数据生成研究

2021-03-20李庆旭王巧华马美湖

农业机械学报 2021年2期

李庆旭 王巧华,2 马美湖

(1.华中农业大学工学院, 武汉 430070; 2.农业农村部长江中下游农业装备重点实验室, 武汉 430070;3.国家蛋品加工技术研发分中心, 武汉 430070)

0 引言

目前,禽蛋检测手段主要包括光谱、敲击振动和机器视觉等方法。光谱和敲击振动方法设备成本高、稳定性差;机器视觉技术具有成本低廉、效率高的优点,成为禽蛋品质无损检测较为稳定和可靠的方法之一[1-2]。利用机器视觉技术可以对禽蛋裂纹[3-4]、新鲜度[5-6]、尺寸[7]、散黄[8]以及种蛋受精信息[9-10]等进行无损检测。

使用机器视觉技术对禽蛋进行检测的前提是需采集大量的禽蛋图像数据,然后利用相关图像处理或图像识别[11]手段对禽蛋图像数据进行分析建模,最后将建立的模型部署到实际生产中,从而实现禽蛋的自动无损检测。近年来,深度学习在机器视觉领域占据重要地位,但深度学习往往需要大量的禽蛋图像数据。目前,国内缺乏相关禽蛋图像数据库,采集海量禽蛋图像需要耗费大量的人力和物力,且在有限的情况下采集得到的禽蛋图像数据样本容易出现分布不均衡。因此,寻找到合理的图像数据生成算法对加快深度学习在禽蛋检测领域的应用具有重要意义。

生成对抗网络(Generative adversarial network,GAN)[12]是一种基于纳什均衡和对抗训练的新型数据生成算法,可以根据小样本数据分布智能生成海量且高质量的图像数据,有效解决计算机视觉领域的样本不足和分布不均衡问题[13]。目前,GAN网络被广泛应用于文本生成[14]、图像生成与识别[15]和生物学[16]等领域,在农业领域袁培森等[17]利用GAN网络生成菌菇表型图像数据,但在禽蛋领域尚未见相关报道。……

登录APP查看全文