基于特征迁移学习的作物病害图像识别方法研究

Due to the discrete and complex crop disease data on the Internet and the small scale of the labeled disease image resources, it is difficult for traditional machine learning and deep learning to train an ideal crop disease recognition model. Transfer learning provides a new idea for image recognition of crop disease under the existing conditions, which can transfer the trained model parameters to the target domain to assist the new model training. However, this method has some difficulties worthy of further studying, such as auxiliary domain selecting, cross-media feature learning and labeling, and overfitting in data distribution difference correction. .Accordingly, this project takes rice disease as an example, focusing on:.1. Studying the methods of data distribution evaluation and restriction between auxiliary domains and crop disease image data in the process of transfer learning, to providing the basis for auxiliary domain selecting..2. Obtaining and labeling the features of cross-media disease data by using the method of deep transfer network based on unsupervised self-learning clustering..3. Constructing the multi-path adaptive transfer learning optimization framework to solve the over-fitting problem in simultaneous correction of the data distribution difference of heterogeneous data..Through the above studies, this project will propose the methods of auxiliary domains selecting of crop diseases image recognition and automatic feature labeling of cross-media crop disease resources based on transfer learning. Meanwhile, this project will explore the application of transfer learning in crop disease image recognition and provide more effective supports for intelligent prevention and control of crop diseases.

互联网作物病害数据离散复杂，已标记的病害图像资源规模较小，导致传统机器学习与深度学习均难以获得理想的识别效果。迁移学习将训练好的模型参数迁移到目标领域以辅助新模型训练，为现有条件下作物病害图像识别研究提供了新思路。然而该方法存在辅助领域难以选择、互联网跨媒体作物病害数据特征学习与标记困难、数据分布差异纠正过拟合等问题。据此，本项目以水稻病害为例，重点开展：1.研究迁移学习辅助领域与作物病害图像数据分布评估与约束方法，为辅助领域筛选提供依据；2.利用基于无监督自学习聚类的深度迁移网络方法，实现跨媒体病害数据底层特征的获取与标记；3.构建多途径自适应迁移学习框架，解决异构数据分布差异同步纠正及其过拟合等问题，实现系统优化。通过上述研究，提出基于迁移学习的作物病害图像识别辅助领域筛选和跨媒体作物病害资源特征标记方法，探索迁移学习在作物病害图像识别方面的应用，为作物病害智能化防控提供更有效的指导。

互联网作物病害数据离散复杂，已标记的病害图像资源规模较小，导致传统机器学习与深度学习均难以获得理想的识别效果。迁移学习将训练好的模型参数迁移到目标领域以辅助新模型训练，为现有条件下作物病害图像识别研究提供了新思路。然而该方法存在辅助领域难以选择、互联网跨媒体作物病害数据特征学习与标记困难、数据分布差异纠正过拟合等问题。.针对这些问题，本项目首先分析了数据集对农业病害图像识别研究的影响，基于不同网络框架，研究不同数据集在基于迁移学习的农业病害图像识别中的效果并进行对比；其次，针对小样本病害图像识别问题，分别提出了基于CNN参数迁移的作物病害图像识别方法以及基于注意力机制和领域自适应的作物病害图像识别方法；最后，构建作物病害识别迁移学习模型，实现作物病害图像识别系统。.具体来说，提出的基于注意力的领域自适应模型实现了对低分辨率病害数据的识别，并且在训练数据量逐级下降的情况下能够维持较为稳定的识别准确率，在基于通道和空间的注意力模块CPB的DAN、MRAN、DSAN模型上对仅含有300张训练数据集进行学习，在测试集上分别达到了91.25%、91.5%、93.25%的准确率。.此外，本项目面向农业系统的跨媒体应用需求，开展了跨媒体智能关键技术的前期探索，如农业跨媒体知识图谱构建及应用等，并在此基础上获得了国家自然科学基金面上项目“基于多模态数据层级融合的农业跨媒体知识图谱构建研究（32271981）”的支持。.通过本项目的实施，提出基于迁移学习的作物病害图像识别辅助领域筛选方法，构建作物病害图像识别系统，为作物病害智能化防控提供更有效的指导。同时得益于后续项目的支持，拟突破小样本条件下农业多模态领域自适应与多模态数据融合关键技术，形成可供计算的农业跨媒体知识表达与推理框架，为农业图文联合信息检索、视觉问答等下一代农业应用系统提供跨媒体知识库与技术支撑。