[发明专利]一种基于小样本学习的茶叶病虫害分类方法、系统、设备及介质

权利要求书

1.一种基于小样本学习的茶叶病虫害分类方法，其特征在于，首先制作茶叶病虫害样本数据集，通过特征解耦的方法将茶叶病虫害数据集图像中的弱相关特征和强相关特征进行解耦，然后在强相关特征提取过程中添加注意力机制模块，让茶叶病虫害分类模型在学习过程中聚焦于强相关特征信息，最后将处理后的特征向量转换成类高斯分布，依次通过Sinkhorn映射、迭代类中心估计、均衡类中心更新、最终决策，来迭代寻找类中心的最大后验概率估计，实现茶叶病虫害分类。

2.根据权利要求1所述的一种基于小样本学习的茶叶病虫害分类方法，其特征在于，具体包括以下步骤：

步骤1，制作茶叶病虫害样本数据集：收集网络中已经开源的植物叶片数据集，采用和茶叶病虫害叶片相似的其他植物叶片作为基类，筛选数据集中和茶叶叶片形状类似的图像作为不同类别的基类数据集，进行图像预处理操作，包括裁切、尺寸变换、图像扩充；

步骤2，对步骤1得到的数据集进行茶叶病虫害的特征提取网络的设计：对属性特征与分类特征不相关的茶叶病虫害图像的弱相关特征和属性特征与分类特征关系紧密的茶叶病虫害图像的强相关特征进行解耦；使用ReLU函数作为激活函数，特征分布转换为类高斯分布；

步骤3，根据步骤2结果进行茶叶病虫害的分类判别：使用最小化Wasserstein距离来找到类中心的最大后验估计概率；使用Sinkhorn算法设计基于Wasserstein距离的迭代程序，以估计从特征向量的初始分布到对应于类高斯分布的最佳传输。

3.根据权利要求2所述的一种基于小样本学习的茶叶病虫害分类方法，其特征在于，所述步骤2包括：

2.1特征解耦

使用ResNet18卷积模块提取图像的特征图F，即F＝ConvEnc1(X)，其中ConvEnc1是在ImageNet1k数据集上预训练过的残差网络；

然后将F传入到MultiAttFEM模块中进行特征处理，将特征映射张量F转置成并输入到两个连续的1×1卷积模块(Conv_1×1)中；其中，C′表示通道数，W′,H′表示特征图的宽高，N表示待分类的类别数，K表示支持集中每个类别的样本数，Q表示查询集中的每个类别的样本数；

使用ConvEnc1提取局部像素信息，随后使用1×1卷积聚焦于单个像素；假设F′_i表示可用特征映射层C′中的第i个特征映射层,激活函数采用ReLU实现，然后通过两个1×1卷积模块(Conv_1×1)处理，计算公式如下:

其中，为可学习权重，是经过处理后的特征映射；考虑跨特征映射信息混合，使用多头自注意力机制(Self-attention)，其中Q_i,K_i,V_i计算公式如下所示：

其中，是可学习权重，分别表示查询张量、键张量和值张量；然后将每个特征映射N_i通过Q,K,V映射到其输出张量G_i，计算公式如下所示：

其中，d_k＝W′×H′，最后，我们通过在特征掩码G和特征映射F之间应用Hadamard乘积，对原始特征映射F进行变换，从而将所需的特征映射转化成如下所示：

其中，F_S和F_Q分别表示支持集和查询集中所对应图像的原始特征映射；然后将转换后的特征映射F和F'进行融合，此处F'＝ConvEnc2(X)，ConvEnc2是在ImageNet1k数据集上预训练过的残差网络，融合公式如下：

X＝F_S+κF_S′ or X＝F_Q+κF_Q′

此处κ为超参数。

2.2特征分布转换

使用ReLU函数作为激活函数，所得到的特征分布向量都是非负的，呈现出主要集中在0附近的正分布，使用如下的特征变换方法，使得特征分布转换为类高斯分布；

记作为在支持集S和查询集Q上获得的特征；将原始特征分布通过PT模块转换为类高斯分布，具体公式如下：

其中，∈＝1e-6用来确保v+∈是严格正的，β是超参数，β用于调整特征分布，减小β时能够消除右偏分布，增大β时能够消除左偏分布。