Zespół badawczy opracował kompleksową strategię generowania danych syntetycznych, która skutecznie rozwiązuje problem niewystarczającej ilości danych treningowych w diagnostyce chorób oliwek przy użyciu modeli deep learning. Zamiast polegać na ograniczonych zbiorach danych, badacze zastosowali kombinację technik augmentacji tradycyjnych, algorytmów CutMix i MixUp oraz generatywnych sieci antagonistycznych DCGAN do utworzenia nowych, syntetycznych próbek obrazów.
Przedstawiona metoda testowana była w trzech scenariuszach: pierwszym, gdzie generowane dane zrównoważyły rozkład klas w oryginalnym zbiorze, drugim zwiększającym liczbę próbek na każdą klasę, i trzecim rozszerzającym dataset z utrzymaniem równowagi. Każdy wariant oceniany był na architekturze EfficientNetV2B0 zarówno z wagami pre-trenowanymi, jak i fine-tuningowanymi. Wyniki wykazały substancjalną poprawę dokładności klasyfikacji, podkreślając kluczową rolę różnorodności danych i balansu klas.
Badania są istotnymi dla branży rolnictwa precyzyjnego, gdzie drzewa oliwne stanowią ważną uprawę, a wczesne wykrycie chorób bezpośrednio wpływa na rentowność. Zaproponowana strategia nie tylko rozwiązuje powszechny problem braku danych w specjalistycznych domenach, ale demonstruje też adaptacyjność podejścia generatywnego do różnych problemów klasyfikacyjnych w diagnostyce roślin.