基于小样本学习的植物病害识别研究*

来源：中国农机化学报杂志2021年第11期北京时间：

作者：肖伟, 冯全, 张建华, 杨森, 陈佰鸿

单位：1.甘肃农业大学机电工程学院,兰州市,730070; 2.中国农业科学院农业信息研究所,北京市,100081; 3.甘肃农业大学园艺学院,兰州市,730070

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ResNet34 5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1shot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5shot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1shot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

基金资助：*国家自然基金项目(31971792);甘肃省高等学校产业支撑引导项目(2019C—11)