买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽农业大学

摘要：本发明公开了一种基于小样本学习的桑叶病虫害检测方法，包括以下步骤：步骤1、数据集采集：获取基类数据集和新类数据集；步骤2、数据集预处理；步骤3、构建RP‑DCNet模型；步骤4、将基类数据集在元学习阶段对RP‑DCNet模型进行训练；步骤5、将新类数据集和与新类数据集数量相当的基类数据集在元微调阶段对RP‑DCNet模型进行训练；步骤6、经过训练对RP‑DCNet模型的参数进行调整得到最优配置参数；步骤7、基于最优配置参数下的模型用于桑叶病虫害检测。本发明在样本数量较少情况下，依然能够保持较高的检测精度。

主权项：1.一种基于小样本学习的桑叶病虫害检测方法，其特征在于，包括以下步骤：步骤1、数据采集：获取已有的其他农作物叶片的病虫害图像数据集作为基类数据集，并获取桑叶病虫害图像数据集作为新类数据集；步骤2、数据集预处理：将步骤1得到的基类数据集、新类数据集分别各自分成训练集和测试集，并分别对基类数据集、新类数据集各自的训练集、测试集进行预处理；步骤3、构建RP-DCNet模型：RP-DCNet模型是以DCNet模型为基本模型改进而来，DCNet模型包括特征提取器、密集关系蒸馏模块和上下文感知聚合模块，DCNet模型中的特征提取器以查询图片和支持图片及其各自对应的二进制掩码图片作为输入，经过特征提取器中的共享权重的3*3的卷积层对应得到查询特征图和支持特征图，查询特征图和支持特征图分别输入至密集关系蒸馏模块中的键编码器和值编码器，得到查询特征图、支持特征图各自对应的键特征图、值特征图，其中值特征用于量化查询图片和支持图片集中的特征相似度，从而激活相应值特征图中的区域；在所述DCNet模型中密集关系蒸馏模块中增加相对位置编码模块，由此得到RP-DCNet模型，查询特征图、支持特征图分别提取键特征图、值特征图，相对位置编码模块嵌入的位置是提取的键特征图进行矩阵相乘进入Softmax函数输出之后的维度为基准进行编码，由此在所述键特征图上建立相对位置编码；对于查询特征图，设经过健编码后的键特征图为kq，其中kq∈RC8×H×W，对于支持特征图，设经过键编码后的键特征图为ks，其中ks∈RN×C8×H×W，经过矩阵相乘后并经过Softmax函数运算后输出维度为kq,s∈RN×H×W×H×W，因此在支持特征图中键特征图上建立相对位置编码r，其中r∈RN×H×W×H×W；RP-DCNet模型中的相对位置编码是通过计算当前位置与其他位置上的相对坐标，并经过数学运算得来，在键特征图的最后两个维度上计算相对位置编码，因此有计算坐标为p,q的位置时，对应位置i，j的计算公式如下：Pi,j,p,q＝p-i,j-i，Pi,j,p,q为第p行第j列与第i行第j列上的相对位置差，其中p,i＝{0，1…,W-1}q,j＝{0，1…,H-1}，H表示支持特征图生成的键特征图上的高，W表示支持特征图生成的键特征图上的宽，行标和列标上都加W-1使得行标与列标上的值不小于0，之后在行标乘上2H-1，再将行标与列标相加，再将W*H个矩阵拼接，由此可得到维度为WH×WH的相对位置编码，相对位置编码的取值范围为0到2H-1×2H-1+2W-H；相对位置编码的生成需要一个相对位置编码表指导，相对位置编码表是由随机初始化的一个可学习的参数矩阵得来，相对位置编码表的维度为2H-1×2H-1+2W-H，再通过相对位置编码表查询对应位置的取值作为最终的相对位置编码，因为支持矩阵中有N个类，因此需要N个相对位置编码表，最终得到的相对位置编码表的维度为WH×WH×N；在DCNet基础上添加相对位置编码的模块，相对位置编码嵌入的位置是在查询特征的键特征和支持特征的键特征进行矩阵相乘，从而获取查询特征和支持特征像素级的特征相似性，计算公式如下：Fkqi,ksj＝φkqiTφ'ksj其中：i和j是查询和支持特征的位置索引，φ和φ'表示的是不同线性运算，Fkqi,ksj表示相似性计算函数，φkqiT＝akqi+b，φ'ksj表示ckqi+d，kqi表示查询键特征图的第i个值，ksj表示支持键特征图的第j个值，线性运算φkqiT和φ'ksj中的a、b、c和d可由模型在训练中不断学习，之后经过Softmax归一化处理，输出最终的相似性权重Wij，其中Wij的计算公式如下： 将维度为WH×WH×N的相对位置编码r与相似性权重W进行矩阵加法并输出至下一个模块；步骤4、元学习阶段，将大量其他农作物病虫害叶片构建的基类数据集输入至模型中，在这个阶段中，查询特征提取器和支持特征提取器进行联合训练，同样的，RP-DCNet模型中的密集关系蒸馏模块、上下文感知聚合模块和其他基本模型组件在这个阶段同样会随着训练进行学习；元微调阶段，因为该桑叶病虫害类的数据较少，而其他农作物叶片病虫害数据集数量较多，为了平衡两个数据集之间的样本差，在基类数据集中挑选出与新类数据集标记检测框数量一致的样本，将新类数据集和挑选出的基类数据集输入至模型中进行训练，同样与元学习阶段一样，元微调阶段训练时，模型中的基本模块将不断学习更新参数，从而检测出新的桑叶病虫害类别，为了避免出现过拟合，元微调阶段的训练轮次要少于元学习阶段的训练轮次；步骤5、RP-DCNet模型产生预测目标后，在元学习阶段和元微调阶段分别进行分类误差和回归误差计算，再将误差结果反映到RP-DCNet模型的各个参数中，更新RP-DCNet模型中的网络参数，从而产生预期的输出；将验证集作为输入对模型进行验证，测试模型的鲁棒性，作为最终的检测模型；步骤6、最终通过调节至最优参数的RP-DCNet模型，对待检测的桑叶病虫害图像进行检测，得到病虫害检测结果。

全文数据：

权利要求：

百度查询： 安徽农业大学 一种基于小样本学习的桑叶病虫害检测方法