在农业疾病分割的自动化应用中，深度学习技术发挥了重要作用。然而，当这些应用面对新环境时，常会出现过拟合的问题，导致分割效果下降。在马铃薯种植中，疾病对产量的影响显著，因此快速且准确地识别这些疾病对农业经济至关重要。传统的数据增强方法如旋转、翻转和位移等，往往存在局限性，难以提供强有力的泛化效果。
为了解决这些问题，我们的研究提出了一种新方法，称为 PotatoGANs。该方法利用两种类型的生成对抗网络（GAN）从健康马铃薯图像生成合成的马铃薯疾病图像。这种方法不仅扩展了数据集，还增加了多样性，从而有助于提升模型的泛化能力。实验结果表明，使用 Inception 分数作为衡量指标，PotatoGANs 生成的图像质量和真实感优于其他方法，能紧密模拟真实的疾病图像。
具体而言，CycleGAN 模型在图像质量方面表现优于 Pix2Pix GAN 模型，其黑色病斑和普通疮的 Inception 分数分别达到了 1.2001 和 1.0900 的高分。通过生成的合成数据，可以显著提高大规模神经网络的训练效果，同时降低数据收集成本，增强数据多样性和泛化能力。
此外，我们的工作通过将三种基于梯度的可解释 AI 算法（GradCAM、GradCAM++ 和 ScoreCAM）与三种不同的 CNN 架构（DenseNet169、Resnet152 V2、InceptionResNet V2）相结合，提升了马铃薯疾病分类的可解释性。
博主点评： PotatoGANs 通过创新的生成对抗网络为农业疾病检测提供了强有力的工具，尤其是在数据稀缺的情况下，其合成能力大幅提高了模型的鲁棒性和准确性，是深度学习在农业领域应用的一个重要进展。