一个简单的学习方法,用于识别烟草异常.
Hong Lin1,2, Zhenping Qiang1, Rita Tse2
1College of Big Data and Intelligent Engineering, Southwest Forestry University, Kunming, China.
Frontiers in plant science
|April 29, 2024
概括
本研究介绍了一个特征表示增强网络 (FREN),以改进几次射击学习 (FSL) 以识别烟草疾病. FREN方法提高了特征表示,显著提高了植物疾病识别的准确性,特别是在视觉上类似的条件下.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在烟草等有价值的作物中准确识别疾病至关重要,但由于深度学习方法的数据限制而受到阻碍.
- 短暂学习 (FSL) 为数据缺陷提供了解决方案,但与弱特征表示作斗争,导致概括不良和跨领域挑战.
- 现有作品很少涉及烟草的疾病识别,烟草是一种重要的农业商品.
研究的目的:
- 开发一种新的方法,即特征表示增强网络 (FREN),以克服FSL中弱特征表示问题,用于植物疾病识别.
- 通过实例嵌入和任务适应技术来增强特征表示.
- 创建和使用新的数据集来识别烟叶异常,并验证FREN的有效性.
主要方法:
- 提出了一个功能表示增强网络 (FREN),包括实例嵌入 (全球聚合,高斯式校准) 和任务适应 (自我注意).
- 开发了一个新的烟草叶异常 (TLA) 数据集,包含16个类别和1430张图像.
- 在基准PlantVillage数据集和TLA数据集上验证了FREN,为多症状疾病引入了分类划分策略.
主要成果:
- 在PlantVillage中的10个番茄类别中达到66.04%的准确性 (5-way, 1-shot).
- 在两个设置中,在TLA数据集上达到45.5%和56.5%的准确性.
- 使用多症状解决方案,TLA的精度提高到60.7% (16-way,1-shot) 和81.8% (16-way,10-shot),显示了增强的特征表示和概括.
结论:
- FREN通过增强特征表示,特别是对具有高度视觉相似性的类别,显著提高了少数射击植物疾病识别性能.
- 拟议的方法表现出强大的概括能力,对域位移的敏感性降低.
- 开发的TLA数据集和多症状疾病解决方案有助于推进烟草疾病识别研究.


