样本数受限条件下的农作物病害识别方法研究.pdf

哈尔滨工业大学工学硕士学位论文

摘要

农业是我国重要的基础产业，对食品安全、国民经济等方面都有不可替代的

作用。同时，近年来国际形势复杂多变，保证国内主要粮食的产量和品质至关重

要。然而，农作物病害的发生会导致粮食减产，因此需要快速准确地识别病害种

类，从而有针对性地选择防治措施。随着计算资源的发展，深度学习技术已成为

图像识别的重要工具。但是，深度学习作为一种数据驱动的技术，在样本数受限

条件下往往表现不佳。在现实情况中，农作物的健康样本比患病样本更易获取，

造成类别间样本数不平衡的现象，导致各个类别准确率差别较大的问题。与此同

时，部分农作物健康和患病样本都比较稀少，造成了小样本条件，导致整体识别

准确率低的问题。

本文先研究了基于迁移学习的农作物病害识别方法，随后分别在样本数不平

衡条件和小样本条件下继续探讨农作物病害识别方法。

1

（）基于迁移学习的农作物病害识别：首先，构建了样本数充分且平衡条件

下的农作物病害图像数据集。随后对图像依次进行了尺寸归一化、随机水平翻转、

标准化的预处理操作。其次，采用多种神经网络模型和不同优化算法，在农作物

病害数据集上训练分类模型，比较不同算法之间的差异。最后，采用基于迁移学

习思想的预训练模型微调方法训练神经网络，准确率得到有效提升。

（2）样本数不平衡条件下的农作物病害识别：首先，调整农作物病害数据集

样本数，构建了本课题的农作物病害不平衡数据集，并进行图像预处理操作。之

后，对比不同数据集的分类结果，讨论了不平衡数据对识别的影响。然后，以双

边分支网络为框架，结合迁移学习思想，搭建了多种结构的双边分支网络模型，

采用累积学习策略训练网络，有效改善了样本数不平衡条件下的农作物病害识别

结果。最后，对多种重采样策略对比分析。

3

（）小样本条件下的农作物病害识别：首先，调整农作物病害数据集样本数，

构建了本课题的农作物病害小样本数据集，并进行图像预处理操作。随后，在小

样本条件下训练农作物病害图像分类器，作为小样本学习的参照。之后，以度量

学习网络为框架，基于相似性度量准则，采用预训练模型对小样本数据分类识别。

最后，分别将度量学习模型结合元学习以及支撑集微调方法，进一步提升小样本

识别准确率。

关键词：农作物病害识别；神经网络；迁移学习；小样本学习；双边分支网络

-I-

哈尔滨工业大学工学硕士学位论文

Abstract

Agricultureisanimportantfoundationindustryinourcountry,whichplaysan

irreplaceableroleinfoodsafetyandnationaleconomy.Inrecentyears,theinternational

situationiscomplexandchangeable,soitisveryimportanttoensuretheoutputand

qualityofmajordomesticgrains.However,theoccurrenceofcropdiseasescanleadto

grainloss,soitisnecessarytoquicklyandaccuratelyidentifythetypesofcropdiseases,

soastoselecttargetedcontrolmeasures.Withthedevelopmentofcomputingresources,

deeplearningtechnologyhasbecomeanimportanttoolforimagerecognition.However,

asadata-driventechnology,deeplearningoftenperformspoorlyundertheconditionof

limited