CN114693990B 基于特征提取的小样本农作物病害识别方法、存储介质 （中国科学院合肥物质科学研究院）

基于特征提取的小样本农作物病害识别方本发明的一种基于特征提取的小样本农作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2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，所述注意力模块学所述小样本农作物病害识别模型在支撑集上进行一次训练后qq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：述小样本农作物病害识别模型均采用PyTorch深度学习框架进行实现，采用随机梯度下降3络模型包括RestNet-18模型和Transformer模型，其中特征提取模块采用的是RestNet-18到嵌入向量的基础之上，将支撑集的所有图像的特征向量φx经过Transfomer模型计算后5.根据权利要求1所述的基于特征提取的小样本农作物病害识别方法，其特征在于：7.根据权利要求3所述的基于特征提取的小样本农作物病害识别方法，其特征在于：Transformer结构中使用的dropout得所述处理器执行如权利要求1至7中任一项所述4[0002]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病害的自动识别和诊断技术已经逐渐取代了[0003]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[0007]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[0013]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5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[0015]进一步的，所述小样本农作物病害识别模型均采用PyTorch深度学习框架进行实中采用的卷积神经网络模型包括RestNet-18模型和Transformer模型，其中特征提取模块[0021]Q=K=V=X""6[0034]其中，是每个类别中所有样本的特征向量ψx的qq[0039]本发明的基于特征提取的小样本农作物病害识别方法通过构建小样本农作物病用小样本学习的范式，构建元训练集(MetaTrainingSet)和元测试集(MetaTesting得模型学会不同元学习任务中的共性部分，比如如何提取重要特征及比较样本相似程度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7注意力机制(self-attentionmechanism)使得模型更加关注图像中对嵌入向量影响更加[0043]本发明在基于包含38个类别的公开农作物病害数据集PlantViψx8[0055]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[0057]本发明提出的所有神经网络模型均采用PyTorch深度学习框架进行实现，采用随的卷积神经网络模型主要是RestNet-18模型和Transformer模型，其中特征提取模块采用[0058]在将样本图像输入到特征提取模块之前，将所有的图像缩放为84×84×3的像素[0059]步骤1中所述的ResNet18模型的初始参数采用该模型在ImageNet公开数据集上的是在φx的基础上进行计算得到的，先计算得出φx之后通过Trans9[0077]其中，是每个类别中所有样本的特征向量ψx的qqTransformer结构的模型。本发明在现有技术方案上引入Transformer特征注意力模块后，0.530.770.690.640.820.89(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM