SSM-Net用于低数据条件下的植物病害识别

植物病害检测是提高农业产量的关键因素。由于病害检测困难，农民向作物喷洒各种农药以保护它们，对作物生长和食品标准造成极大危害。深度学习可为检测此类病害提供关键辅助。然而，收集某种特定植物物种所患各种病害的大量数据极为不便。本文提出一种基于度量的小样本学习SSM网络架构，其由堆叠的连体网络和匹配网络组件构成，以解决低数据条件下的病害检测问题。我们在两个数据集上演示了实验：mini-leaves病害数据集和甘蔗病害数据集。我们展示了SSM-Net方法能够在mini-leaves数据集上以92.7%的准确率、在甘蔗数据集上以94.3%的准确率获得更好的决策边界。与广泛使用的VGG16迁移学习方法相比，准确率分别提高了约10%和约5%。此外，我们在甘蔗数据集上使用SSM Net获得了0.90的F1分数，在mini-leaves数据集上获得了0.91的F1分数。我们的代码实现可在Github上获取：https://github.com/shruti-jadon/PlantsDiseaseDetection。