基于条件GAN数据增强的水果品质与缺陷图像分类

当代人工智能技术使得计算机视觉能够被用于区分好坏作物，为从不良水果（如发霉或腐烂者）中筛选健康水果的流程提供了环节。该领域最先进的工作在小型数据集（<1000张图像）上报告了高准确率结果，但这些数据集在真实世界使用上并不具有总体代表性。本研究的目的是通过数据增强改善泛化能力，以及通过模型剪枝减少过拟合与能耗，从而进一步赋能真实世界使用。在这项工作中，我们提出一种机器学习流程，结合微调、迁移学习与基于生成模型的数据增强的思想，以改进水果品质图像分类。通过线性网络拓扑搜索，使用公开的2690张图像数据集调优一个VGG16柠檬品质分类模型。我们发现，在卷积层后追加一个4096神经元的全连接层可带来83.77%的图像分类准确率。随后我们在训练数据上训练一个条件生成对抗网络（Conditional Generative Adversarial Network, Conditional GAN）2000个周期，其学会生成相对真实的图像。对真实照片训练的模型进行Grad-CAM分析表明，合成图像可展现出形状、霉斑和腐烂等可分类特征。接着，通过用合成图像增强训练，获得了88.75%的更高图像分类准确率，这表明条件生成对抗网络（Conditional GAN）能够生成新数据以缓解数据稀缺问题。最后，通过多项式衰减进行模型剪枝，我们发现条件GAN增强的分类网络在压缩至原始大小50%时仍能保持81.16%的分类准确率。