基于掩码自编码的农作物病虫害分类方法OA

作物病虫害使农业生产遭受损失,但仅依靠人工调查难以满足田间需求。基于机器视觉可实现病虫害自动分类,为农业精准高效生产提供保障。然而现有利用深度学习的方法易受刚性卷积感受野影响,数据增强手段低效且样本量匮乏。针对这些问题,文中提出一种基于掩码自编码学习范式的农业经济作物病虫害分类方法,来弥补现有技术在识别准确率方面的不足。通过对作物图像随机掩蔽、特征提取和依高维映射的全局重建,所提算法能充分挖掘输入的高阶语义隐式表征,建模同一图像内远距离上下文关系,从而训练鲁棒性更强的模型。通过相对总变分变换消除了高频噪声对预训练特征提取过程的干扰。所提方法与当前基于主流卷积网络的方法的对比结果表明,所提方法可显著提升现有方法的性能,准确率由基于ResNet50基准网络的90.48%提升至95.24%。