VCPC模型：基于虚拟对比约束与原型校准的少样本类增量植物病害分类方法

本研究针对植物病害识别系统中模型难以适应新病害类别且样本稀缺的问题，提出虚拟对比约束与原型校准（VCPC）框架。通过虚拟对比学习增强基类特征空间，结合增量阶段的原型校准机制，在PlantVillage数据集5-way 5-shot设置下实现89.23%平均准确率，为农业实时监测提供可持续学习方案。

　　

植物病害识别的智能化困局与突破
现代农业面临植物病害快速变异带来的监测挑战，传统深度学习模型在离线训练后难以适应田间新出现的病害类别。更棘手的是，新病害往往仅能获取少量样本（如5张图像），导致模型陷入"灾难性遗忘"与过拟合的双重困境。贵州大学大数据与信息工程学院的研究团队在《Plant Methods》发表的研究，通过创新性地融合虚拟对比学习与动态原型校准技术，使模型在持续学习新病害时仍能保持对原有病害的识别能力。

关键技术方法
研究采用两阶段框架：基类训练阶段通过虚拟对比约束（VCC）模块生成旋转/色彩变换的虚拟类别增强特征判别性；增量阶段设计原型校准嵌入（PCE）模块，利用基类原型动态调整新类特征空间。实验基于PlantVillage数据集的38类病害图像，构建5-way 5-shot和3-way 5-shot增量场景，使用ResNet18骨干网络进行验证。

研究结果
虚拟对比约束增强基类表征
通过四种虚拟样本生成策略（图5），Rotations1（0°-270°旋转）使基类训练准确率达99.55%。t-SNE可视化（图11）显示该方法使同类特征紧密聚集，异类间距扩大0.8倍。

原型校准优化增量性能
在5-way 5-shot增量阶段（表7），PCE模块通过相似度权重τ₀=0.4调节新旧类原型关系，使新类识别准确率提升7.25%，性能下降率（PD）降至23.07%。混淆矩阵（图13）显示校准后的特征空间能清晰区分相似病害如番茄早疫病与晚疫病。

跨数据集验证泛化能力
在CIFAR100的8个增量任务中（表9），VCPC以63.98%平均准确率超越对比方法，证明其适用于非农业场景。Grad-CAM热力图（图10）揭示模型能聚焦病斑区域而非背景噪声。

结论与展望
该研究首次将虚拟样本生成与原型动态校准结合，解决了植物病害FSCIL中的特征空间冲突问题。相比现有方法，VCPC在保持基类记忆的同时，使新类识别准确率最高提升8.12%（3-way 5-shot）。局限性在于虚拟类生成依赖人工设计，未来拟引入Vision Transformer处理更大规模病害数据。这项工作为农业物联网中的实时病害监测系统提供了可进化的人工智能框架。

（注：所有数据与图表引用均来自原文，技术细节保留原文标注如FSCIL、VCC等术语，作者单位按国内惯例翻译，专业术语首次出现时标注英文全称）