阅读文章全文：http://www.tcsae.org/article/doi/10.11975/j.issn.1002-6819.202405076
《农业工程学报》2024年第40卷第23期刊载了浙江理工大学等单位俞焘杰、陈建能、彭伟杰、李亚涛、喻陈楠与武传宇的论文——“基于Tea DCGAN网络和Fake Tea框架的茶鲜叶数据增强方法”。该研究由国家自然科学基金项目(项目号：U23A20175；52305289)等资助。
引文信息：俞焘杰，陈建能，彭伟杰，等. 基于Tea DCGAN网络和Fake Tea框架的茶鲜叶数据增强方法[J]. 农业工程学报，2024，40(23)：274-282.
DOI: 10.11975/j.issn.1002-6819.202405076
当茶叶图片的原始数据数量不足时，深度学习模型泛化性不足导致对茶叶嫩梢的检测能力大幅度下降。为解决这一问题，该研究提出一种Tea DCGAN（tea deep convolution generative adversarial networks）的对抗生成网络及其数据增强方法。
首先，在DCGAN（deep convolution generative adversarial networks）网络的生成器和判别器中分别添加了64×64×64的网络层来优化模型对低维度特征感知与学习能力。同时，DCGAN中的LeakyReLU（leaky rectified linear unit）函数被更加线性可控的ELU（exponential linear units）函数替换，提升模型训练稳定性与训练精度。
其次，基于Tea DCGAN网络构建Fake Tea数据增强算法框架，对已有数据集的真实茶叶嫩梢分布进行数据分析，得到分布规律。根据分布规律将Tea DCGAN网络生成的样本图像分布进已有的露天茶树图像中，并自动形成深度学习数据集。
最后，对该研究提出的数据增强方法进行对抗生成网络消融试验、罕见茶种对照试验以及不同量级下的多种数据增强方法对比试验。
消融试验结果显示，Tea DCGAN在FID(frechet inception distance）指标上表现最优，特别是在100000训练轮次时，紫鹃茶种的FID值从322.10降至265.63，龙井43茶种的FID值从396.38降至323.09，提升了生成图像的质量。在多个检测模型的多种数据增强方法试验中，该研究Fake Tea方法在不同检测模型中均优于其他方法。其中，Faster R-CNN模型在25张龙井43和25张紫鹃茶种形成的数据集上mAP（平均精度，Mean Average Precision）分别达到42.71%和38.46%。随着数据集规模的增加，所有方法的性能均有所提升，但Fake Tea方法在所有规模的数据集上均保持最高mAP值，尤其是在原始数据为200张时，mAP值达到89.41%，可用于智能化茶叶采摘。研究结果证明了Tea DCGAN和Fake Tea数据增强方法在茶叶图像生成和目标检测任务中的有效性和优越性。该研究提出的Tea DCGAN和Fake Tea数据增强方法可有效缓解数据获取困难、样本不足等问题，有效提升小样本下的茶叶嫩梢目标检测精度。
