[发明专利]基于特征提取的小样本农作物病害识别方法、存储介质

说明书

本发明的一种基于特征提取的小样本农作物病害识别方法、存储介质，获取农作物病害图像数据，录入事先构建的小样本农作物病害识别模型进行病害识别，小样本农作物病害识别模型构建步骤如下：根据PlantVillage构建实验数据集；对实验数据集进行预处理；搭建小样本学习模型并开始训练；训练完成后输入测试集样本图像验证模型性能；小样本农作物病害识别模型的嵌入函数包括特征提取模块和特征注意力模块，该特征提取模块采用了在ImageNet数据集上预训练过的ResNet‑18模型；特征注意力模块为基于Transformer结构的特征注意力模块通过集合自适应方法，对特征提取模型进行适配，学习与目标任务相关的特征，使其适应到不同类别的分类任务中；本发明具有较好的识别准确性以及泛化性能。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于特征提取的小样本农作物病害识别方法、存储介质。

背景技术

农作物病害的诊断和识别在确保粮食生产的高质量和数量方面起着至关重要的作用。因此，准确并及时地发现农作物病害对于确保达到农业最大产量至关重要，尤其对偏远地区的农田十分有利。近年来随着计算机视觉技术和卷积神经网络技术的发展，农作物病害的自动识别和诊断技术已经逐渐取代了人工诊断方法。

传统的基于卷积神经网络的深度学习模型需要每个类别有成千上万的标记实例，这是保证病害识别模型性能的前提。但是在实际情况中，农业病害图像数据是难以获取的。此时基于卷积神经网络的病害识别模型十分容易受到过拟合现象的困扰，从而影响下一步防护措施的执行。

小样本学习(Few-Shot Learning，FSL)通常指的是从少量标注数据中学习的方法和场景。理想情况下，一个能进行小样本学习的模型，也能快速应用到新领域上。小样本学习是一种思想，并不特指某个具体的算法、模型，也没有通用的模板和解决办法，一般需要聚焦到特定的问题和应用场景中。

发明内容

本发明提出的一种基于特征提取的小样本农作物病害识别方法，利用小样本学习技术对不同的害虫、植物及其疾病进行自动分类。

为实现上述目的，本发明采用了以下技术方案：

一种基于特征提取的小样本农作物病害识别方法，包括获取农作物病害图像数据，录入事先构建的小样本农作物病害识别模型进行病害识别，小样本农作物病害识别模型构建步骤如下：

根据PlantVillage构建实验数据集；

对实验数据集进行预处理；

搭建小样本学习模型并开始训练；

训练完成后输入测试集样本图像验证模型性能；

其中，所述小样本农作物病害识别模型的嵌入函数包括特征提取模块和特征注意力模块，特征提取模块的作用是将样本数据的特征提取出来并将其映射到d维欧式空间中，映射结果就是一个d维嵌入向量，也就是特征向量；该特征提取模块采用了在ImageNet数据集上预训练过的ResNet-18模型；

所述特征注意力模块为基于Transformer结构的特征注意力模块，所述注意力模块学习不同分类任务之间的相关性，通过集合自适应方法，对特征提取模型进行适配，学习与目标任务相关的特征，使其适应到不同类别的分类任务中。

进一步的，所述小样本农作物病害识别模型的距离计算函数为马氏距离，马氏距离计算函数是衡量两个样本经过嵌入函数分别计算得出的d维嵌入向量之间的相似性，其计算公式如下：其中，是一次元学习任务t∈T中n∈N个类别之间的协方差矩阵。