本发明涉及农作物病害诊断，尤其涉及一种基于生成对抗网络的棉花黄萎病早期检测方法及系统。
背景技术：
1、棉花在生长过程中极易受到各种病害的侵害，特别是由大丽轮枝菌引起的黄萎病，这是一种对棉花造成极大破坏的病害。黄萎病自传入我国以来频繁爆发，成为影响最严重、分布最广泛的棉花病害。因此，对棉花黄萎病的检测和防治已迫在眉睫。
2、近年来，高光谱成像技术由于其无损、快速等优点，在农业领域得到了广泛的研究和实践，尤其是在高通量植物表型检测领域。且高光谱成像技术因其连续的多波段采集能力和高光谱分辨率，能够有效地突出植物在早期受到病害胁迫时的特征成为实现棉花黄萎病早期检测的关键技术之一。虽然高光谱技术在植物表型检测中具有很大的潜力，但是同时也面临着训练样本数量有限问题。
3、生成对抗网络是一种基于对抗学习框架的生成模型，被视为在复杂数据分布上进行生成性学习领域内，近年来极具潜力的方法之一。其利用生成模型和判别模型的对抗训练去学习和拟合真实数据的分布情况，生成和真实数据具有高度相似性的数据，从数据增强角度缓解高光谱图像中样本稀缺的问题；其次，随着生成对抗网络的模型结构不断丰富和优化，能够充分挖掘特征信息，弥补没有充分利用高光谱图像所蕴含特征信息的问题。
4、因此，提出一种基于生成对抗网络的棉花黄萎病早期检测方法与系统，从棉花高光谱表型数据出发，实现棉花黄萎病的早期检测，同时结合生成对抗网络，解决高光谱图像分类中训练样本有限的问题，提高棉花黄萎病早期检测效果，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本发明提供了一种基于生成对抗网络的棉花黄萎病早期检测方法及系统，针对基于高光谱成像的棉花黄萎病早期检测中存在的训练样本数量有限的问题，构建基于生成对抗网络数据增强的棉花黄萎病早期检测模型和系统，缓解棉花黄萎病早期检测训练样本数量有限问题，提升棉花黄萎病早期检测效果。
2、为了实现上述目的，本发明采用如下技术方案：
3、一种基于生成对抗网络的棉花黄萎病早期检测方法，包括以下步骤：
4、s1高光谱图像获取步骤：发病当天样本即为捕获的早期的棉花黄萎病样本，捕获当前棉花黄萎病样本的高光谱图像，得到原始的高光谱图像；
5、s2预处理步骤：对原始的高光谱图像进行黑白校准去除噪声；
6、s3光谱数据提取步骤：将完整的棉花植株定为感兴趣区域roi，创建二进制掩膜，其中，0代表背景，1代表前景棉花植株，二进制掩膜应用于校准后的高光谱图像，得到去除背景的高光谱图像，继而对每一个通道计算像素的平均值，初步获得去除背景的棉花光谱曲线；同时采用标准正态变量变换snv对去除背景的棉花光谱曲线进行预处理，得到预处理后的高光谱图像数据；
7、s4数据集划分步骤：将预处理后的高光谱图像数据按照感染等级划分，每个感染等级中的训练集和测试集按照预设比例进行划分；
8、s5网络模型构建步骤：辅助分类生成对抗网络模型cotton_gan包括：生成模型g、判别模型d和分类模型c；
9、s6网络模型训练步骤：初始化生成模型g、判别模型d和分类模型c所有的权重矩阵和偏置，输入训练集，计算判别损失ls和分类损失lc，固定判别模型d和分类模型c，通过最大化lc+ls更新生成模型g的权重矩阵和偏置；通过最大化lc-ls更新判别模型d和分类模型c的权重矩阵和偏置；得到训练后的辅助分类生成对抗网络模型cotton_gan；
10、s7检测步骤：将待检测棉花的高光谱图像输入至训练好的辅助分类生成对抗网络模型cotton_gan中，得到检测结果。
11、上述的方法，可选地，在s1高光谱图像获取步骤之前还包括样本制备步骤，具体内容如下：
12、选择两种不同黄萎病抗性的棉花品种，包括新陆早76号和新陆早1号，选择无土栽培即水培种植模式进行棉花种植。
13、上述的方法，可选地，s2预处理步骤中按照公式(1)进行校准：
14、
15、其中，icalibrated是校正后的图像，iraw是原始高光谱图像，idark是反射率为0％的暗反射率图像，iwhite是反射率约为100％的白色反射率图像。
16、上述的方法，可选地，s3光谱数据提取步骤中，以相机拍摄的高光谱子图像458nm波段为参考，设定阈值为0.02来区分前景roi和背景；对两端噪音波段进行剔除，利用405nm-1011nm范围内的光谱进行棉花黄萎病的早期检测。
17、上述的方法，可选地，s3光谱数据提取步骤中，采用标准正态变量变换snv对高光谱图像数据进行预处理，具体如公式(2)所示：
18、
19、式中，x为样本，含m个特征，为样本特征均值，n为样本的数量，i表示当前计算的是第i个样本的数据。
20、上述的方法，可选地，s4数据集划分步骤中划分比例为：训练集和测试集按照4：1的比例划分。
21、上述的方法，可选地，s6网络模型训练步骤中判别损失ls和分类损失lc的计算公式如下：
22、ls＝e[logp(s＝real|xreal)]+e[logp(s＝fake|xfake)] (3)
23、lc＝e[logp(c＝c|xreal)]+e[logp(c＝c|xfake)] (4)
24、其中，e为迭代次数，logp(s＝real|xreal)为真实数据xreal被判别为真实的对数概率，logp(s＝fake|xfake)为生成数据xfake被判别为假的对数概率，logp(c＝c|xreal)为真实数据xreal被分类为类别c的对数概率，logp(c＝c|xfake)为生成数据xfake被分类为类别c的对数概率。
25、一种基于生成对抗网络的棉花黄萎病早期检测系统，执行上述任一项所述的一种基于生成对抗网络的棉花黄萎病早期检测方法，包括依次连接的
26、高光谱图像获取模块，用于获取棉花黄萎病样本的高光谱图像，得到原始的高光谱图像；
27、预处理模块，用于对原始的高光谱图像进行黑白校准去除噪声；
28、光谱数据提取模块，用于将完整的棉花植株定为感兴趣区域roi，创建二进制掩膜，其中，0代表背景，1代表前景棉花植株，二进制掩膜应用于校准后的高光谱图像，得到去除背景的高光谱图像，继而对每一个通道计算像素的平均值，初步获得去除背景的棉花光谱曲线；同时采用标准正态变量变换snv对去除背景的棉花光谱曲线进行预处理，得到预处理后的高光谱图像数据；
29、数据集划分模块，用于将预处理后的高光谱图像数据按照感染等级划分，每个感染等级中的训练集和测试集按照预设比例进行划分；
30、网络模型构建模块，用于构建辅助分类生成对抗网络模型cotton_gan，包括：生成模型g、判别模型d和分类模型c；
31、网络模型训练模块，用于初始化生成模型g、判别模型d和分类模型c所有的权重矩阵和偏置，输入训练集，计算判别损失ls和分类损失lc，固定判别模型d和分类模型c，通过最大化lc+ls更新生成模型g的权重矩阵和偏置；通过最大化lc-ls更新判别模型d和分类模型c的权重矩阵和偏置；得到训练后的辅助分类生成对抗网络模型cotton_gan；
32、检测模块，用于将待检测棉花的高光谱图像输入至训练好的辅助分类生成对抗网络模型cotton_gan中，得到检测结果。
33、经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于生成对抗网络的棉花黄萎病早期检测方法与系统，具有以下有益效果：
34、1)从光谱角度对棉花黄萎病早期高光谱图像进行数据增强，生成和真实数据具有较高相似性和多样性的数据；
35、2)针对基于高光谱成像的棉花黄萎病早期检测中存在的训练样本数量有限的问题，构建基于生成对抗网络数据增强的棉花黄萎病早期检测模型和系统，缓解棉花黄萎病早期检测训练样本数量有限问题，提升棉花黄萎病早期检测效果。
1.一种基于生成对抗网络的棉花黄萎病早期检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于生成对抗网络的棉花黄萎病早期检测方法，其特征在于，
3.根据权利要求1所述的一种基于生成对抗网络的棉花黄萎病早期检测方法，其特征在于，
4.根据权利要求1所述的一种基于生成对抗网络的棉花黄萎病早期检测方法，其特征在于，
5.根据权利要求4所述的一种基于生成对抗网络的棉花黄萎病早期检测方法，其特征在于，
6.根据权利要求1所述的一种基于生成对抗网络的棉花黄萎病早期检测方法，其特征在于，
7.根据权利要求1所述的一种基于生成对抗网络的棉花黄萎病早期检测方法，其特征在于，
8.一种基于生成对抗网络的棉花黄萎病早期检测系统，其特征在于，执行权利要求1-7任一项所述的一种基于生成对抗网络的棉花黄萎病早期检测方法，包括依次连接的
