10.13733/j.jcam.issn.2095-5553.2021.11.21
基于小样本学习的植物病害识别研究
为在仅有少量训练样本条件下获得较高的植物病害分类精度,采用小样本学习模型作为病害分类器,在匹配网络、原型网络和关系网络3种典型小样本学习算法框架下分别采用Conv4、Conv6、ResNet10、ResNet18和ResNet345种浅层网络作为特征提取网络,在PlantVillage植物病害数据集上对病害识别性能进行对比试验.在1-shot条件下,匹配网络、原型网络和关系网络对植物叶片病害识别的平均准确率分别为72.29%、72.43%和69.45%;其中原型网络+ResNet34为表现最好的组合,病害识别准确率达到了77.60%.在5-shot条件下,匹配网络、原型网络和关系网络平均准确率分别为87.11%、87.50%和82.92%,各种网络病害识别准确率比1-shot条件均有明显提升;原型网络+-ResNet34依旧是表现最佳的组合方式,识别准确率达到89.66%.上述试验结果表明,通过优选小样本学习框架和特征提取网络的组合方式,对于少量样本的病害也能取得较好的识别效果.
小样本学习;特征提取网络;分类器;植物病害;识别效果
42
S24(农业电气化与自动化)
国家自然基金项目;甘肃省高等学校产业支撑引导项目
2021-12-27(万方平台首次上网日期,不代表论文的发表时间)
共6页
138-143