基于小样本学习的马铃薯叶片病害检测

马铃薯叶片的病害将直接导致马铃薯产量和质量的下降，为实现马铃薯叶片病害的精确检测并及时预防病变，提出了一种基于小样本学习的马铃薯叶片病害检测算法。首先，利用一组共享权重的特征提取器将输入图片映射到深度特征空间；然后，提出一种任务感知注意力模块用于融合小样本学习网络中的双分支输入特征，强化目标任务的特定表达能力；最后，引入一种动态卷积模块提高卷积核的建模能力，并将卷积块注意力机制(CBAM)嵌入到该卷积网络中，构造特征强化学习模块，细粒度地捕获病害区域的细节特征。通过在开源马铃薯叶片病害检测数据集上进行测试，所提出模型分别实现了93.92%的准确率、93.81%的精准率、93.85%的召回率和93.63%的F₁值；此外，在自建数据集上与当前经典马铃薯叶片病害检测模型相比，同样具有较好的竞争力。