李健宁，路 阳（通讯作者），陶贤鹏，林立媛，孙 桐

（1黑龙江八一农垦大学信息与电气工程学院 黑龙江 大庆 163319）

（2鸡西市公安局 黑龙江 鸡西 158100）

（3东北石油大学黑龙江省网络化与智能控制重点实验室 黑龙江 大庆 163318）

1 引言

基于图像的水稻病害识别是当前植物保护领域的一个研究热点[1]。从水稻病害特征来看，单个样本可能同时出现多种病症，不同病症可能具有相似的症状。而且由于获取图像时图像背景的干扰及光照强度的变化，使得获取清晰的病害特征明显的样本图像变得复杂和困难，在实际应用中面临各种各样的挑战[2]。本研究中，寻找一种新的方法生成水稻病害图像样本，解决训练样本不足问题，增加样本多样性。

Goodfellow等[3]人受博弈论中的零和博弈启发于2014年提出生成对抗网络（Generative Adversarial Networks,GAN）模型，其图像生成效果好。目前，GAN已成功应用于动画头像生成、图像还原与修复、超分辨率图像生成[4]等领域。GAN主要由生成器和鉴别器两部分构成，通过不断地对抗训练，生成器生成真实的样本数据，鉴别器是区分真实的样本和生成的样本，从而达到最佳生成效果。

由于WGAN在真实的图像生成过程中依旧存在着训练困难、收敛速度慢的问题，相比较传统GAN效果提升不是很明显。于是，Ishaan Gulrajani等[5]人提出了带梯度惩罚的Wasserstein生成对抗网络（WGAN-GP），能使WGAN的训练变得更加稳定，并且取得更高质量的生成效果。

本文研究基于生成对抗网络理论的水稻病害图像数据集增强[6]的关键技术，研究目标是应用WGAN-GP对水稻病害样本集进行数据增强，具体研究过程包括WGAN-GP模型构建及算法验证及性能分析等。……