基于弱监督学习的小样本早期苹果叶片病害检测

摘要

针对现有苹果叶片病害检测方法的性能过度依赖标注数据集的问题,提出一种基于弱监督学习的小样本早期苹果叶片病害检测算法。首先,利用一组共享权重的主干网络将病害叶片映射到高维特征空间;其次,利用多层注意力机制建立双分支特征语义关联模块,并在关联语义特征图上生成指导查询图片中新病害类型分类的原型集;再次,利用无参数的匹配方法计算原型集与查询图片中新病害叶片特征间的相似度,根据相似度值定位与识别病害区域;最后,利用虚线框标注建立弱监督学习机制,并借助标签平滑交叉损失端到端优化模型。通过在开源的Plant Village数据集和自建的早期苹果叶片病害数据集上进行试验,所提出方法分别实现96.39%、94.81%的精准率,96.71%、94.67%的召回率和97.24%、95.20%的F1值,优于当前经典的目标识别算法。