GAN-синтез изображений сорняков для точного земледелия

Растущий спрос на продовольствие усугубляется снижением урожайности из-за сорняков. Традиционные методы борьбы, например гербициды, привели к появлению устойчивых видов, что подчеркивает важность точного земледелия, такого как site-specific weed management (SSWM). Однако эффективность SSWM, особенно при использовании глубокого обучения для идентификации сорняков, ограничена нехваткой качественных данных для обучения.

Генеративные состязательные сети (GANs) могут создавать разнообразные синтетические данные о сорняках, улучшая классификацию растений. Ключевая проблема — генерация изображений высокой точности, достоверно представляющих виды сорняков, что требует дальнейшего совершенствования методов для сельского хозяйства.

В марте 2024 года журнал Plant Phenomics опубликовал исследование "Channel Attention GAN-based Synthetic Weed Generation for Precise Weed Identification".

Учёные исследовали потенциал GANs для создания синтетических изображений сорняков, обучая модели на наборах данных sPSD и ISAS и сравнивая результаты с передовыми моделями WacGAN-info и SNGAN. Обучение проводилось на GPU GeForce RTX 3090 с использованием оптимизатора Adam и hinge loss, а соотношение обучения дискриминатора к генератору настраивалось для стабильности и сходимости.

Результаты были обнадёживающими: метрики потерь генератора и дискриминатора показали раннюю сходимость и стабильность, что указывает на эффективный баланс между компонентами сети. Синтетические изображения, созданные моделью CA-GAN, продемонстрировали высокое разнообразие и реалистичность, превзойдя другие модели в детализации таких признаков, как текстура и форма листьев, при сохранении уникальности каждого вида.

Оценки с помощью визуального осмотра, тестов на дискриминируемость классов и метрики FID подтвердили превосходство модели CA-GAN. Она достигла высокой точности классификации и создала изображения с детализацией и реалистичностью, близкими к реальным сорнякам. Фокус на признаках растений, усиленный механизмом channel attention, оказался ключевым для генерации качественных изображений, снижающих сложность изменчивого фона.

Исследование также включало попытку управления визуальной непрерывностью стадий роста сорняков через манипуляции в латентном пространстве, показав потенциал для генерации постепенно меняющихся изображений, что полезно для симуляции разных стадий роста. Однако достижение точного контроля над этими изменениями остаётся сложной задачей, требующей дальнейших исследований.

В заключение, работа демонстрирует возможности GANs в сельском хозяйстве для генерации синтетических изображений сорняков, которые могут помочь в борьбе с ними. Результаты указывают направления для будущей работы: уточнение контроля стадий роста и улучшение работы модели с малыми наборами данных для повышения полезности GANs в точном земледелии и фенотипировании растений.