[發明專利]一種基于小樣本學習的茶葉病蟲害分類方法、系統、設備及介質

在審

• 申請號: 202310196584.3
• 申請日: 2023-03-03
• 公開（公告）號: CN116129196A
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 苗啟廣;徐梧桐;劉如意;劉向增;宋建鋒;權義寧
• 申請（專利權）人: 西安電子科技大學
• 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: 西安智大知識產權代理事務所 61215
• 代理人: 季海菊

一種基于小樣本學習的茶葉病蟲害分類方法、系統、設備及介質，其方法是：首先制作茶葉病蟲害樣本數據集，通過特征解耦的方法將茶葉病蟲害數據集圖像中的弱相關特征和強相關特征進行解耦，然后在強相關特征提取過程中添加注意力機制模塊，讓茶葉病蟲害分類模型在學習過程中聚焦于強相關特征信息，最后將處理后的特征向量轉換成類高斯分布，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；其系統、設備及介質用于按小樣本的茶葉病蟲害分類方法進行茶葉病蟲害分類；本發明克服了傳統的深度學習算法需要龐大的數據集來支撐，圖像樣本采集困難等問題，采用小樣本學習的方法實現了茶葉病蟲害分類，在已有的數據集上達到高效高精度判別。

技術領域

本發明屬于圖像分類和小樣本學習領域，具體涉及一種基于小樣本的茶葉病蟲害分類方法、系統、設備及介質。

背景技術

深度學習的成功帶來了計算機視覺的重大進步。傳統的深度學習算法的成功離不開數據驅動，可這些成功背后的大多數方法必須在完全監督、高數據可用性的前提下高效運行。也就是說，深度學習算法通常需要大量的訓練數據才能在任務中達到令人滿意的性能水平。但在大多數場景下，圖像的獲取與標注十分困難且成本較高，訓練條件難以得到滿足。因此，小樣本學習應運而生，逐漸成為當前的熱點研究問題。

小樣本分類學習旨在數據缺乏的情況下對各種未見的任務圖像進行分類，主要是通過計算來模擬人類的推理和從有限的數據中進行學習。在小樣本學習的領域中涌現了大量優秀的學習方法，其中Snell等人提出了Prototypical?Networks，Vinyals等人提出了Matching?Networks，他們的主要思想是將輸入的樣本映射到低維嵌入空間，然后基于距離和相似性度量對未標記的樣本進行分類。Requeima等人提出的CNAPS和Bateni等人提出的Transductive-CNAPS是一種具有自適應機制的度量學習的變體，該自適應機制在嵌入空間中對齊支持集和查詢集的特征向量，提高了分類器跨任務的判別能力，減少了在有限數據集上過擬合的問題。Finn等人提出的MAML和Mishra提出的SNAIL主要是通過搜索對任務目標函數敏感的模型參數以快速適應新任務的梯度訓練。Sun等人提出的ABPML方法通過推斷類原型的潛在變量來進行分類，避免了推斷高維模型參數。

目前雖然涌現出大量基于小樣本學習的研究方法，但相對來說均存在一定的缺點。如基于模型微調的小樣本學習在目標數據集和源數據集不類似的情況下，會導致模型在目標數據集上過擬合?；跀祿鰪姷男颖緦W習有可能會引入許多噪聲數據或特征，對分類效果產生負面影響?；诙攘繉W習的小樣本學習在樣本數量較少的情況下，簡單通過距離度量相似度的方法會導致準確率有所降低?；谠獙W習的小樣本學習復雜度較高，由于興起的時間較短，需要改進和發展的方面還很多?；趫D神經網絡的小樣本學習的樣本總數變大時，由于圖神經網絡中每一個樣本都被看作是圖中的一個節點，圖神經網絡中節點數量會變多，導致計算復雜度較高。

專利申請CN113627282A公開了一種基于小樣本學習的茶葉病蟲害分類方法，包括以下步驟：數據集制作階段：采集茶葉病蟲害圖像，并對稀少類別的茶葉病蟲害進行數據增強；訓練階段：將訓練集圖像輸入到病蟲害分類模型中，分別通過ConvEnc1，MultiAttFEM和ConvEnc2來提取圖像的強相關特征信息和弱相關特征信息，然后通過PTM模塊將提取的特征轉換為類高斯分布，最后利用MAP模塊來尋找類中心的最大后驗概率估計，輸出分類結果；測試階段：使用測試集圖像對茶葉病蟲害分類模型進行驗證，測試模型在測試集圖像上的有效性；該發明實現了在小樣本場景下對茶葉病蟲害進行分類判別，并在已有數據集上達到了較高的性能表現。但基于模型微調的小樣本學習在目標數據集和源數據集不類似的情況下，會導致模型在目標數據集上過擬合。

發明內容