Abstract The supervised deep learning models rely on large labeled training samples, which is a common challenge affecting current plant phenotyping studies. One practical approach to alleviate the insufficient training samples is data augmentation. In this study, we investigated the data augmentation approach using improved cDCGAN (conditional deep convolutional generative adversarial network) for vigor rating of orchid seedlings, a significant but labor-intensive task in modern commercial greenhouse. Various modifications on the architecture of cDCGAN network were explored for generating high-quality fine-grained RGB plant images with designated class labels. ResNet deep learning classifier was employed for performance evaluation throughout the whole analysis. On the small training sets, which obtained obviously worse ResNet classification results than bigger sets, cDCGAN was employed to generate additional plant images. The synthesized images provided a significant boost in classification performance, up to a 0.23 increase in the testing F1 score after data augmentation, achieving comparable results with that obtained with larger training sets without data augmentation. Different size of real and augmented training sets for optimal classification was systematically evaluated. The advantage of the improved cDCGAN architecture with added bypass connections was also demonstrated. The proposed data augmentation approach might be extended to deal with the common challenge of insufficient data size in other plant science tasks.

中文翻译：

---

使用改进的 cDCGAN 进行植物活力评级的数据增强

摘要 监督式深度学习模型依赖于大型标记训练样本，这是影响当前植物表型研究的常见挑战。缓解训练样本不足的一种实用方法是数据增强。在这项研究中，我们研究了使用改进的 cDCGAN（条件深度卷积生成对抗网络）对兰花幼苗进行活力评级的数据增强方法，这是现代商业温室中一项重要但劳动密集型的任务。探索了对 cDCGAN 网络架构的各种修改，以生成具有指定类标签的高质量细粒度 RGB 植物图像。在整个分析过程中，采用 ResNet 深度学习分类器进行性能评估。在小型训练集上，与更大的集相比，ResNet 分类结果明显更差，因此使用 cDCGAN 生成额外的植物图像。合成图像显着提高了分类性能，数据增强后测试 F1 分数提高了 0.23，与没有数据增强的较大训练集获得的结果相当。系统地评估了用于最佳分类的不同大小的真实和增强训练集。还展示了增加旁路连接的改进 cDCGAN 架构的优势。提议的数据增强方法可能会扩展到处理其他植物科学任务中数据量不足的常见挑战。合成图像显着提高了分类性能，数据增强后测试 F1 分数提高了 0.23，与没有数据增强的较大训练集获得的结果相当。系统地评估了用于最佳分类的不同大小的真实和增强训练集。还展示了增加旁路连接的改进 cDCGAN 架构的优势。提议的数据增强方法可能会扩展到处理其他植物科学任务中数据量不足的常见挑战。合成图像显着提高了分类性能，数据增强后测试 F1 分数提高了 0.23，与没有数据增强的较大训练集获得的结果相当。系统地评估了用于最佳分类的不同大小的真实和增强训练集。还展示了增加旁路连接的改进 cDCGAN 架构的优势。提议的数据增强方法可能会扩展到处理其他植物科学任务中数据量不足的常见挑战。系统地评估了用于最佳分类的不同大小的真实和增强训练集。还展示了增加旁路连接的改进 cDCGAN 架构的优势。提议的数据增强方法可能会扩展到处理其他植物科学任务中数据量不足的常见挑战。系统地评估了用于最佳分类的不同大小的真实和增强训练集。还展示了增加旁路连接的改进 cDCGAN 架构的优势。提议的数据增强方法可能会扩展到处理其他植物科学任务中数据量不足的常见挑战。