DropBoost-MAML:基于元学习的小样本农业病害识别研究OA

农业病害是影响农作物产量和质量的主要因素之一,但传统的深度学习方法在农业病害识别中高度依赖大规模标注样本,难以适应农业场景中样本稀缺、类别不平衡及分布差异显著的实际情况。为解决上述问题,本研究以提升小样本病害识别的泛化性能为目标,提出一种基于元学习的Drop Boost-MAML(dropout boosted model-agnostic meta-learning)方法,实现模型在有限样本条件下的高精度识别与快速适应。本研究在经典MAML框架基础上引入Dropout正则化与深层内循环优化机制,通过动态随机失活率有效抑制过拟合风险;采用3步内循环梯度更新增强任务自适应能力;并利用预训练的Res Net18作为特征提取骨干网络,结合随机翻转、颜色扰动等多种数据增强策略,提高特征鲁棒性和跨任务迁移能力。结果表明,Drop Boost-MAML在3-way 1-shot任务下的分类准确率达到70.33%,AUC为77.75%;在3-way 5-shot任务下准确率提高至86.83%,AUC达90.12%,较基线模型平均提升5.16百分点。同时,随着支持样本数量的增加,模型准确率和稳定性明显提升,验证了该方法在小样本任务中对特征学习和泛化性能的有效增强。本研究表明,Drop Boost-MAML模型在保持结构简洁的前提下,通过正则化与内循环优化的协同设计,显著提高了小样本农业病害识别的精度与鲁棒性。该方法能够在数据有限的条件下实现快速适应新任务的能力,具有较强的实际应用价值。