用于少样本水稻病害识别的具有最优运输匹配的层次化原型图

《Scientific Reports》：A hierarchical prototype-graph with optimal-transport matching for few-shot rice disease recognition

　　

摘要

从田间图像中准确识别水稻病害对于作物健康监测和可持续农业发展至关重要，尤其是在资源匮乏的环境中。然而，大多数深度学习方法依赖于大规模的标注数据集和预训练的模型结构，这限制了它们在处理罕见或新出现的病害时的应用能力。在本研究中，我们设计了一种基于领域特定原型的少样本框架，该框架无需预训练的视觉模型，而是将水稻病害识别视为在考虑病原体特征的类图上的结构化匹配任务。其中所使用的各个组件，包括小波散射特征、最优传输算法、语义原型融合以及传递式优化技术，均为成熟的技术；其创新之处在于将这些技术结合在一起，用于以病害分类体系为引导的少样本匹配过程。该设计通过固定视觉描述符、从根到叶的原型匹配、类症状描述符以及置信度控制的优化机制，能够在标注数据有限的情况下实现水稻病害的识别。我们在两个公开的水稻病害数据集——菲律宾水稻病害数据集和Roboflow水稻数据集上，对该模型进行了1次样本和5次样本分类条件的测试。在相同数据集上的实验中，我们的方法在菲律宾数据集上实现了高达95.8%的准确率和94.9%的宏观F1值，性能显著优于包括从零开始训练的CNN模型、ResNet-18模型、匹配网络、MAML模型、ProtoNet模型、RelationNet模型、SimpleShot模型、FEAT模型以及一种简化版的最优传输模型在内的多种基准方法。在跨数据集评估中，该模型也展现了出色的泛化能力，在不同数据集之间迁移时仍能保持高达91.7%的准确率和90.6%的宏观F1值。进一步的消融实验表明，层次结构、语义融合以及传递式优化机制对提升模型性能起到了关键作用。这些结果证明，所提出的框架能够实现高度准确、稳定且高效的数据驱动病害识别，非常适合在监督条件有限的实际情况中应用于农业领域。