[发明专利]基于特征提取的小样本农作物病害识别方法、存储介质

权利要求书

1.一种基于特征提取的小样本农作物病害识别方法，获取农作物病害图像数据，录入事先构建的小样本农作物病害识别模型进行病害识别，其特征在于，小样本农作物病害识别模型构建步骤如下：

根据PlantVillage构建实验数据集；

对实验数据集进行预处理；

搭建小样本学习模型并开始训练；

训练完成后输入测试集样本图像验证模型性能；

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取模块和特征注意力模块，特征提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，映射结果就是一个d维嵌入向量，也就是特征向量；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；

所述特征注意力模块为基于Transformer结构的特征注意力模块，所述注意力模块学习不同分类任务之间的相关性，通过集合自适应方法，对特征提取模型进行适配，学习与目标任务相关的特征，使其适应到不同类别的分类任务中。

2.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：所述小样本农作物病害识别模型的距离计算函数为马氏距离，马氏距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，其计算公式如下：其中，是一次元学习任务t∈T中n∈N个类别之间的协方差矩阵。

3.根据权利要求2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：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现，采用随机梯度下降对模型进行训练，初始学习率设置为0.0002并伴随权重衰减策略，其中采用的卷积神经网络模型包括RestNet-18模型和Transformer模型，其中特征提取模块采用的是RestNet-18模型，特征注意力模块采用的是Transfromer模型。

4.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：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的像素大小，本将该数据集分割成3组不同且相互独立的部分，每一组都包含了元训练集和元测试集。

5.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：所述ResNet18模型的初始参数采用该模型在ImageNet公开数据集上的预训练参数，ResNet18是将图像映射为d维嵌入向量φ_x，对应图像的特征向量；Transformer模块则是在得到嵌入向量的基础之上，将支撑集的所有图像的特征向量φ_x经过Transfomer模块计算后得到带有注意力信息的新的特征向量ψ_x；

其中，

Transformer模块中计算参数Q，K，V的取值为

Q，K，V三者相同，是训练集中的所有支撑样本构成的集合；

W_Q,W_K,W_V是权重矩阵，|Q|，|K|，|V|表示集合中元素的个数；

φ_x是输入图像是经过Resnet-18模型计算得到的d维向量；

ψ_x是在φ_x的基础之上利用Transformer结构加入辅助信息后的d维向量。