【技术实现步骤摘要】
本专利技术涉及植物病害识别领域，特别是涉及一种小样本植物病害识别方法、装置、介质及产品。
技术介绍
1、农作物病害是最主要的农业灾害之一，常常导致作物产量和质量大幅下降。过去农民和农业专家大多依靠个人经验来识别农作物病害，效率低下且容易受主观因素的影响。由于植物疾病和作物类型多样，在加上自然环境元素的影响，如光照、遮挡和抖动等，这导致不同作物疾病之间存在巨大差异。此外，同一种类型的作物表现出的不同疾病往往较为类似，这就需要捕捉特定区域的细微区别特征，这对实现精确的农作物疾病分类提出了严峻的挑战。
2、近年来，深度学习方法被广泛应用于基于图像的植物病害识别任务中。然而现有的优秀方法严重依赖于大量有标注的训练数据，特别是当网络深度增加，可训练参数增多时，数据变得更加重要。在植物病害识别任务中，由于病害种类多样，需要专家进行标注，标注成本较高，且许多病害比较罕见，获取大量人工标注的病害样本非常困难且耗时。一旦样本量不足，模型就会存在过拟合的风险，从而导致性能的下降。因此，如何在标记样本较少的情况下进行植物病害识别成为了重要的研究任务。
技术实现思路
1、本专利技术的目的是提供一种小样本植物病害识别方法、装置、介质及产品，以在标记样本较少的情况下实现植物病害识别。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种小样本植物病害识别方法，所述方法包括：
4、获取目标图像；所述目标图像为待识别植物的病害图像；
5、将所述目标图
6、其中，所述植物病害识别模型是采用训练数据对深度最近邻神经网络进行训练得到的；所述深度最近邻神经网络包括：依次连接的双向加权特征融合模块、情景注意力模块和度量模块；
7、所述双向加权特征融合模块用于采用金字塔融合方式对输入图像进行多个尺度的特征融合，得到高级语义特征图和低级特征图；所述双向加权特征融合模块包括：骨干网络、上采样分支和下采样分支；所述骨干网络包括四个依次连接的网络层；前三个网络层的输出与所述上采样分支连接；所述上采样分支与所述下采样分支连接；前两个网络层的输出与所述下采样分支残差连接；所述上采样分支用于进行加权求和以及上采样操作；所述下采样分支用于进行加权求和以及下采样操作；第一个网络层作为所述双向加权特征融合模块的输入；最后一个网络层输出的特征图为所述高级语义特征图；所述下采样分支输出的特征图为所述低级特征图；
8、所述情景注意力模块用于根据所述高级语义特征图和所述低级特征图确定与输入图像中植物所在场景相关的注意力特征图；
9、所述度量模块用于根据所述注意力特征图计算输入图像与各个病害类别之间的相似度，并根据相似度确定输入图像中植物的病害类别。
10、可选地，所述植物病害识别模型的确定方法，具体包括：
11、将训练数据划分为训练集和测试集；
12、将所述训练集输入深度最近邻神经网络，采用元学习的方式以类别边际损失函数最小为目标进行训练，得到训练后的深度最近邻神经网络；所述类别边际损失函数为引入余弦边距和l2正则化项的损失函数；
13、将测试集输入训练后的深度最近邻神经网络进行测试，并将测试后的深度最近邻神经网络确定为所述植物病害识别模型。
14、可选地，所述情景注意力模块包括第一通道注意力子模块和第二通道注意力子模块；第一通道注意力子模块和第二通道注意力子模块用于进行通道注意力操作；
15、所述情景注意力模块的计算公式为：
16、
17、其中，x表示高级语义特征图；y表示低级特征图；x+y为第一通道注意力子模块的输入；z为第二通道注意力子模块的输入；m(x,y)表示输入x和y时情景注意力模块输出的注意力特征图；a(l)表示对l进行通道注意力操作；l取x+y或z。
18、可选地，所述通道注意力操作的计算公式为：
19、
20、g(l)＝β(c1(δ(β(c1(fmax(l))))))；
21、l(l)＝β(c2(δ(β(c2(favg(l))))))；
22、其中，g(l)表示全局上下文通道的输出；l(l)表示局部上下文通道的输出；sigmoid表示激活函数；δ表示relu激活函数；c1表示膨胀卷积；c2表示点卷积；β表示批处理归一化；fmax(l)表示对l进行全局最大池化；favg(l)表示对l进行全局平均池化。
23、可选地，所述类别边际损失函数的表达式为：
24、
25、其中，表示深度最近邻神经网络中的可学习参数对应的类别边际损失函数；表示深度最近邻神经网络中的可学习参数对应的引入l2正则化项之前的损失函数；是通过引入余弦边距确定的；λ表示惩罚项系数。
26、可选地，引入l2正则化项之前的损失函数的表达式为：
27、
28、其中，lcml表示引入l2正则化项之前的损失函数；c表示支持集中的病害类别数；n表示查询集中的样本数；从有限的训练集中随机选择c个病害类别，并从每个选定的病害类别中选择k个样本，形成支持集；在这c个病害类别中再次随机选择n个样本作为查询集；表示根据查询集中的第n个样本的注意力特征查询图确定的用于训练的局部描述符；所述注意力特征查询图为将查询集中的第n个样本输入情景注意力模块后，情景注意力模块输出的注意力特征图；表示与支持集中的病害类别cf之间的相似度；表示与支持集中的病害类别ct之间的相似度；s表示余弦边距；s＝m×k×d，m表示用于训练的局部描述符的数量，d表示为查询集中的样本与支持集中的病害类别之间的相似度添加的距离；s表示尺度参数。
29、可选地，所述上采样分支包括：第一融合单元、第一上采样单元、第二融合单元、第二上采样单元和第三融合单；所述下采样分支包括：第四融合单元、第一下采样单元、第五融合单元、第二下采样单元、第六融合单元和第三下采样单元；
30、所述骨干网络中的第一个网络层的输出通过所述第一融合单元与所述第四融合单元连接；第二个网络层的输出通过所述第二融合单元与所述第五融合单元连接；所述第二融合单元通过所述第一上采样单元与所述第一融合单元连接；所述第四融合单元通过所述第一下采样单元与所述第五融合单元连接；第三个网络层的输出通过所述第三融合单元与所述第六融合单元连接；所述第三融合单元通过所述第二上采样单元与所述第二融合单元连接；所述第五融合单元通过所述第二下采样单元与所述第六融合单元连接；所述第三下采样单元用于输出低级特征图；
31、所述第一融合单元、所述第二融合单元、所述第三融合单、所述第四融合单元、所述第五融合单元以及所述第六融合单元均用于进行加权求和；
32、其中，所述第二融合单元的计算公式为：
33、
34、表示所述第二融合单元向所述第三融合单元的输出；表示第二个网络层的输出；表示第三个网络本文档来自技高网...
【技术保护点】
1.一种小样本植物病害识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的小样本植物病害识别方法，其特征在于，所述植物病害识别模型的确定方法，具体包括：
3.根据权利要求1所述的小样本植物病害识别方法，其特征在于，所述情景注意力模块包括第一通道注意力子模块和第二通道注意力子模块；第一通道注意力子模块和第二通道注意力子模块用于进行通道注意力操作；
4.根据权利要求3所述的小样本植物病害识别方法，其特征在于，所述通道注意力操作的计算公式为：
5.根据权利要求2所述的小样本植物病害识别方法，其特征在于，所述类别边际损失函数的表达式为：
6.根据权利要求5所述的小样本植物病害识别方法，其特征在于，引入L2正则化项之前的损失函数的表达式为：
7.根据权利要求1所述的小样本植物病害识别方法，其特征在于，所述上采样分支包括：第一融合单元、第一上采样单元、第二融合单元、第二上采样单元和第三融合单；所述下采样分支包括：第四融合单元、第一下采样单元、第五融合单元、第二下采样单元、第六融合单元和第三下采样单元；
<...【技术特征摘要】
1.一种小样本植物病害识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的小样本植物病害识别方法，其特征在于，所述植物病害识别模型的确定方法，具体包括：
3.根据权利要求1所述的小样本植物病害识别方法，其特征在于，所述情景注意力模块包括第一通道注意力子模块和第二通道注意力子模块；第一通道注意力子模块和第二通道注意力子模块用于进行通道注意力操作；
4.根据权利要求3所述的小样本植物病害识别方法，其特征在于，所述通道注意力操作的计算公式为：
5.根据权利要求2所述的小样本植物病害识别方法，其特征在于，所述类别边际损失函数的表达式为：
6.根据权利要求5所述的小样本植物病害识别方法，其特征在于，引入l2正则化项之前的损失函数的表达式为：
7.根据权利要求1所述的小...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。