[發(fā)明專利]一種基于小樣本學(xué)習(xí)的茶葉病蟲害分類方法、系統(tǒng)、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202310196584.3
• 申請日: 2023-03-03
• 公開（公告）號: CN116129196A
• 公開（公告）日: 2023-05-16
• 發(fā)明（設(shè)計）人: 苗啟廣;徐梧桐;劉如意;劉向增;宋建鋒;權(quán)義寧
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/40;G06V10/77;G06V10/82;G06V10/774;G06V20/10;G06N3/048;G06N3/0464
• 代理公司: 西安智大知識產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 季海菊

1.一種基于小樣本學(xué)習(xí)的茶葉病蟲害分類方法，其特征在于，首先制作茶葉病蟲害樣本數(shù)據(jù)集，通過特征解耦的方法將茶葉病蟲害數(shù)據(jù)集圖像中的弱相關(guān)特征和強(qiáng)相關(guān)特征進(jìn)行解耦，然后在強(qiáng)相關(guān)特征提取過程中添加注意力機(jī)制模塊，讓茶葉病蟲害分類模型在學(xué)習(xí)過程中聚焦于強(qiáng)相關(guān)特征信息，最后將處理后的特征向量轉(zhuǎn)換成類高斯分布，依次通過Sinkhorn映射、迭代類中心估計、均衡類中心更新、最終決策，來迭代尋找類中心的最大后驗概率估計，實(shí)現(xiàn)茶葉病蟲害分類。

2.根據(jù)權(quán)利要求1所述的一種基于小樣本學(xué)習(xí)的茶葉病蟲害分類方法，其特征在于，具體包括以下步驟：

步驟1，制作茶葉病蟲害樣本數(shù)據(jù)集：收集網(wǎng)絡(luò)中已經(jīng)開源的植物葉片數(shù)據(jù)集，采用和茶葉病蟲害葉片相似的其他植物葉片作為基類，篩選數(shù)據(jù)集中和茶葉葉片形狀類似的圖像作為不同類別的基類數(shù)據(jù)集，進(jìn)行圖像預(yù)處理操作，包括裁切、尺寸變換、圖像擴(kuò)充；

步驟2，對步驟1得到的數(shù)據(jù)集進(jìn)行茶葉病蟲害的特征提取網(wǎng)絡(luò)的設(shè)計：對屬性特征與分類特征不相關(guān)的茶葉病蟲害圖像的弱相關(guān)特征和屬性特征與分類特征關(guān)系緊密的茶葉病蟲害圖像的強(qiáng)相關(guān)特征進(jìn)行解耦；使用ReLU函數(shù)作為激活函數(shù)，特征分布轉(zhuǎn)換為類高斯分布；

步驟3，根據(jù)步驟2結(jié)果進(jìn)行茶葉病蟲害的分類判別：使用最小化Wasserstein距離來找到類中心的最大后驗估計概率；使用Sinkhorn算法設(shè)計基于Wasserstein距離的迭代程序，以估計從特征向量的初始分布到對應(yīng)于類高斯分布的最佳傳輸。

3.根據(jù)權(quán)利要求2所述的一種基于小樣本學(xué)習(xí)的茶葉病蟲害分類方法，其特征在于，所述步驟2包括：

2.1特征解耦

使用ResNet18卷積模塊提取圖像的特征圖F，即F＝ConvEnc1(X)，其中ConvEnc1是在ImageNet1k數(shù)據(jù)集上預(yù)訓(xùn)練過的殘差網(wǎng)絡(luò)；

然后將F傳入到MultiAttFEM模塊中進(jìn)行特征處理，將特征映射張量F轉(zhuǎn)置成并輸入到兩個連續(xù)的1×1卷積模塊(Conv_1×1)中；其中，C′表示通道數(shù)，W′,H′表示特征圖的寬高，N表示待分類的類別數(shù)，K表示支持集中每個類別的樣本數(shù)，Q表示查詢集中的每個類別的樣本數(shù)；

使用ConvEnc1提取局部像素信息，隨后使用1×1卷積聚焦于單個像素；假設(shè)F′_i表示可用特征映射層C′中的第i個特征映射層,激活函數(shù)采用ReLU實(shí)現(xiàn)，然后通過兩個1×1卷積模塊(Conv_1×1)處理，計算公式如下:

其中，為可學(xué)習(xí)權(quán)重，是經(jīng)過處理后的特征映射；考慮跨特征映射信息混合，使用多頭自注意力機(jī)制(Self-attention)，其中Q_i,K_i,V_i計算公式如下所示：

其中，是可學(xué)習(xí)權(quán)重，分別表示查詢張量、鍵張量和值張量；然后將每個特征映射N_i通過Q,K,V映射到其輸出張量G_i，計算公式如下所示：

其中，d_k＝W′×H′，最后，我們通過在特征掩碼G和特征映射F之間應(yīng)用Hadamard乘積，對原始特征映射F進(jìn)行變換，從而將所需的特征映射轉(zhuǎn)化成如下所示：

其中，F(xiàn)_S和F_Q分別表示支持集和查詢集中所對應(yīng)圖像的原始特征映射；然后將轉(zhuǎn)換后的特征映射F和F'進(jìn)行融合，此處F'＝ConvEnc2(X)，ConvEnc2是在ImageNet1k數(shù)據(jù)集上預(yù)訓(xùn)練過的殘差網(wǎng)絡(luò)，融合公式如下：

X＝F_S+κF_S′?or?X＝F_Q+κF_Q′

此處κ為超參數(shù)。

2.2特征分布轉(zhuǎn)換

使用ReLU函數(shù)作為激活函數(shù)，所得到的特征分布向量都是非負(fù)的，呈現(xiàn)出主要集中在0附近的正分布，使用如下的特征變換方法，使得特征分布轉(zhuǎn)換為類高斯分布；

記作為在支持集S和查詢集Q上獲得的特征；將原始特征分布通過PT模塊轉(zhuǎn)換為類高斯分布，具體公式如下：

其中，∈＝1e-6用來確保v+∈是嚴(yán)格正的，β是超參數(shù)，β用于調(diào)整特征分布，減小β時能夠消除右偏分布，增大β時能夠消除左偏分布。