基于小样本学习的植物病害识别研究

摘要：

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.

关键词：小样本学习;特征提取网络;分类器;植物病害;识别效果

所属期刊栏目：42

分类号：S24(农业电气化与自动化)

资助基金：国家自然基金项目;甘肃省高等学校产业支撑引导项目

在线出版日期：2021-12-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：138-143