[发明专利]一种基于迁移元学习的害虫识别方法

说明书

本发明提供一种基于迁移元学习的害虫识别方法，包括以下步骤：S1：构建害虫数据集，并随机采样分别组成支持集和查询集；得到改进的特征提取网络；S2：更新改进的特征提取网络的参数；S3：得到支持集和查询集中各个样本的特征向量；S4：计算得到支持集中每个类别的原型；S5：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。本发明提供一种基于迁移元学习的害虫识别方法，解决了现有的害虫识别方法在区分新类别和旧类别害虫时准确率较低的问题。

技术领域

本发明涉及图像识别的技术领域，更具体的，涉及一种基于迁移元学习的害虫识别方法。

背景技术

随着深度学习技术的发展，在农业病虫害智能防治中，采用深度学习模型对害虫进行识别分类已经越来越热门。目前大多数基于小样本学习的害虫识别方法，需要先在有足够样本的常见类(基类)上训练深层模型，然后将模型迁移到只有少数几个示例的新类进行小样本学习。这些模型网络结构简单，往往不足以对害虫图像中蕴含的信息进行有效表达，从而在区分新类别和旧类别害虫时准确率较低。

现有技术中，如2021-03-09公开的专利“害虫检测模型构建方法”，公开号为CN112464971A，利用测试集测试卷积注意力模型构建害虫检测模型，使得害虫检测模型具有高检测精度和强鲁棒性，但在新类别和旧类别害虫混合时，无法准确地识别出害虫的类别是已知的还是未知的。

发明内容

本发明为克服现有的害虫识别方法在区分新类别和旧类别害虫时准确率较低的技术缺陷，提供一种基于迁移元学习的害虫识别方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于迁移元学习的害虫识别方法，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。

上述方案中，通过引入空间注意力模块改进了现有的特征提取网络的特征提取能力，提高了害虫图像识别性能；同时基于迁移的元学习方法更新改进的特征提取网络的参数，不仅可以保持特征提取网络的特征提取能力，还使其具备了对迁移后新类别特征的辨别能力，提高了区分新类别和旧类别害虫的准确性。

优选的，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。

优选的，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。

优选的，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。

优选的，

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；