(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210738451.X (22)申请日 2022.06.27 (71)申请人 华南农业大 学 地址 510642 广东省广州市天河区五山路 483号 (72)发明人 梁炜健　王春桃　郭庆文　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 刘俊 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/40(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) (54)发明名称 一种基于迁移元学习的害虫识别方法 (57)摘要 本发明提供一种基于迁移元学习的害虫识 别方法， 包括以下步骤： S1： 构建害虫数据集， 并 随机采样分别组成支持集和查询集； 得到改进的 特征提取网络； S2： 更新改进的特征提取网络的 参数； S3： 得到支持集和查询集中各个样本的特 征向量； S4： 计算得到支持集中每个类别的原型； S5： 计算得到查询集中各个样本的类别概率作为 害虫识别结果。 本发明提供一种基于迁移元学习 的害虫识别方法， 解决了 现有的害虫识别方法在 区分新类别和旧类别害虫时准确率较低的问题。 权利要求书2页 说明书9页 附图2页 CN 115019175 A 2022.09.06 CN 115019175 A 1.一种基于 迁移元学习的害虫识别方法， 其特 征在于， 包括以下步骤： S1： 获取害虫图像样本构建害虫数据集， 并从害虫数据集中随机采样分别组成支持集 和查询集； 将现有的特 征提取网络结合空间注意力模块得到改进的特 征提取网络； S2： 通过基于 迁移的元 学习方法更新改进的特 征提取网络的参数； S3： 将支持集和查询集分别输入更新好的特征提取网络， 对应得到支持集和查询集中 各个样本的特 征向量； S4： 根据支持集中各个样本的特 征向量计算得到支持集中每 个类别的原型； S5： 根据支持集中每个类别的原型和查询集中各个样本的特征向量计算得到查询集中 各个样本的类别概 率作为害虫识别结果。 2.根据权利要求1所述的一种基于迁移元学习的害虫识别方法， 其特征在于， 步骤S1 中， 所述害虫数据集包括M个类别的害虫图像， 从害虫数据集中随机抽取N个类别， N＜M， 从 所抽取的每个类别中分别随机抽取K张害 虫图像组成支持集， 从所抽取的类别中随机抽取q 张不重复的害虫图像组成查询集。 3.根据权利要求1所述的一种基于迁移元学习的害虫识别方法， 其特征在于， 通过将 ResNeSt101结合空间注意力模块得到改进的特征提取网络， 具体为： 在 ResNeSt101的3 ×3 全局最大池化前的SAM位置和/或在ResNeSt101的每层的每个颈部最后的SAM位置插入空间 注意力模块， 得到改进的特 征提取网络 。 4.根据权利要求3所述的一种基于迁移元学习的害虫识别方法， 其特征在于， 所述空间 注意力模块 为NAM空间注意力模块或者CBAM空间注意力模块。 5.根据权利要求 4所述的一种基于 迁移元学习的害虫识别方法， 其特 征在于， 在ResNeSt101的3 ×3全局最大池化前的SAM位置插入的空间注意力模块与在 ResNeSt101的每层的每个颈部最后的SAM位置插入的空间注意力模块的类型相同或不相 同； 在ResNeSt101的每层的每 个颈部最后的SAM位置插 入的空间注意力模块的类型相同。 6.根据权利要求1所述的一种基于迁移元学习的害虫识别方法， 其特征在于， 步骤S2具 体为： A1： 设置学习批次和学习率； A2： 从害虫数据集中 随机抽取N1个类别， 从所抽取的每个类别中分别随机抽取K1张害虫 图像组成学习支持集， 从所抽取的类别中随机抽取q1张不重复的害虫图像组成学习查询 集； A3： 将学习支持集和学习查询集输入到改进的特征提取网络中， 对应得到学习支持集 和学习查询集中各个样本的特 征向量； A4： 根据学习支持集中各个样本的特 征向量计算得到学习支持集中每 个类别的原型； A5： 根据学习支持集中每个类别的原型和学习查询集中各个样本的特征向量计算得到 学习查询集中各个样本的类别概 率； A6： 计算各个样本的类别概 率与其相应的类别标签之间的损失值； A7： 判断损失值是否收敛， 若是， 则完成小样本学习；权　利　要　求　书 1/2 页 2 CN 115019175 A 2若否， 则更新改进的特 征提取网络的参数， 返回步骤A 2。 7.根据权利要求6所述的一种基于迁移元学习的害虫识别方法， 其特征在于， 使用交叉 熵损失函数计算各个样本的类别概 率与其相应的类别标签之间的损失值。 8.根据权利要求1所述的一种基于迁移元学习的害虫识别方法， 其特征在于， 在将害虫 图像样本输入特征提取网络之前， 还包括对害虫图像样本进行数据增强处理； 数据增强处 理包括： 随机长宽比裁剪、 随机放缩、 随机水平翻转、 随机垂 直翻转、 随机旋转、 颜色抖动、 高 斯模糊。 9.根据权利要求2所述的一种基于迁移元学习的害虫识别方法， 其特征在于， 通过以下 公式计算类别c的原型： 其中， 表示支持集中类别c的第i个样本， c＝1,2, …,N， yi表示样本xi的类别标 签， Avg(.)函数表示 求多个向量平均值， 表示样本xi的特征向量。 10.根据权利要求9所述的一种基于迁移元学习的害虫识别方法， 其特征在于， 通过以 下公式计算类别c的概 率： 其中， xj表示查询集中第j个样本， yj表示样本xj的类别标签， j＝1,2, …,q， 表示 样本xj的特征向量， τ表示超参数， sim表示计算两个向量之间相似度的函数， En表示支持集 中类别n的原型， n ＝1,2,…,N。权　利　要　求　书 2/2 页 3 CN 115019175 A 3