[发明专利]一种基于迁移元学习的害虫识别方法

权利要求书

1.一种基于迁移元学习的害虫识别方法，其特征在于，包括以下步骤：

S1：获取害虫图像样本构建害虫数据集，并从害虫数据集中随机采样分别组成支持集和查询集；

将现有的特征提取网络结合空间注意力模块得到改进的特征提取网络；

S2：通过基于迁移的元学习方法更新改进的特征提取网络的参数；

S3：将支持集和查询集分别输入更新好的特征提取网络，对应得到支持集和查询集中各个样本的特征向量；

S4：根据支持集中各个样本的特征向量计算得到支持集中每个类别的原型；

S5：根据支持集中每个类别的原型和查询集中各个样本的特征向量计算得到查询集中各个样本的类别概率作为害虫识别结果。

2.根据权利要求1所述的一种基于迁移元学习的害虫识别方法，其特征在于，步骤S1中，所述害虫数据集包括M个类别的害虫图像，从害虫数据集中随机抽取N个类别，N＜M，从所抽取的每个类别中分别随机抽取K张害虫图像组成支持集，从所抽取的类别中随机抽取q张不重复的害虫图像组成查询集。

3.根据权利要求1所述的一种基于迁移元学习的害虫识别方法，其特征在于，通过将ResNeSt101结合空间注意力模块得到改进的特征提取网络，具体为：在ResNeSt101的3×3全局最大池化前的SAM位置和/或在ResNeSt101的每层的每个颈部最后的SAM位置插入空间注意力模块，得到改进的特征提取网络。

4.根据权利要求3所述的一种基于迁移元学习的害虫识别方法，其特征在于，所述空间注意力模块为NAM空间注意力模块或者CBAM空间注意力模块。

5.根据权利要求4所述的一种基于迁移元学习的害虫识别方法，其特征在于，

在ResNeSt101的3×3全局最大池化前的SAM位置插入的空间注意力模块与在ResNeSt101的每层的每个颈部最后的SAM位置插入的空间注意力模块的类型相同或不相同；

在ResNeSt101的每层的每个颈部最后的SAM位置插入的空间注意力模块的类型相同。

6.根据权利要求1所述的一种基于迁移元学习的害虫识别方法，其特征在于，步骤S2具体为：

A1：设置学习批次和学习率；

A2：从害虫数据集中随机抽取N₁个类别，从所抽取的每个类别中分别随机抽取K₁张害虫图像组成学习支持集，从所抽取的类别中随机抽取q₁张不重复的害虫图像组成学习查询集；

A3：将学习支持集和学习查询集输入到改进的特征提取网络中，对应得到学习支持集和学习查询集中各个样本的特征向量；

A4：根据学习支持集中各个样本的特征向量计算得到学习支持集中每个类别的原型；

A5：根据学习支持集中每个类别的原型和学习查询集中各个样本的特征向量计算得到学习查询集中各个样本的类别概率；

A6：计算各个样本的类别概率与其相应的类别标签之间的损失值；

A7：判断损失值是否收敛，

若是，则完成小样本学习；

若否，则更新改进的特征提取网络的参数，返回步骤A2。

7.根据权利要求6所述的一种基于迁移元学习的害虫识别方法，其特征在于，使用交叉熵损失函数计算各个样本的类别概率与其相应的类别标签之间的损失值。

8.根据权利要求1所述的一种基于迁移元学习的害虫识别方法，其特征在于，在将害虫图像样本输入特征提取网络之前，还包括对害虫图像样本进行数据增强处理；数据增强处理包括：随机长宽比裁剪、随机放缩、随机水平翻转、随机垂直翻转、随机旋转、颜色抖动、高斯模糊。