农作物病害是威胁粮食安全和农作物生产的主要因素,因此,利用人工智能技术来协助农作物病害诊断具有重要意义。目前,最流行的方法是利用深度卷积神经网络(CNNs)强大的隐式特征提取能力,将该问题转换为叶子图像的分类任务。基于CNN的分类方法的性能取决于大量的高质量人工标注数据集,然而在实际标注过程中,由于人工标注等因素会不可避免地引入噪声标签(noisy label),从而导致模型过拟合和性能下降。此外,由于农作物物种和病害的稀有度不同,因此在获取图像时会出现类别样本稀少甚至缺失的问题,即零样本问题。针对这两个问题,我们提出了如下两种解决策略:1)针对噪声标签问题,本文利用元学习的自学习能力以及校正模块,提出了基于修正元学习的自学习框架,提高了网络的鲁棒性。该框架分为两个阶段,第一阶段是训练一个基于CNN的模型,利用原始噪声标签来预测分类的结果。第二阶段是将元学习和校正模块相结合来提高网络对噪声的容忍度。具体来说,首先会生成多组带有伪标签的合成mini-batch,然后强制元学习更新网络的预测与第一阶段网络的预测保持一致,最后利用类似于注意力机制的校正模块,来增大无偏差样本的权重和减少有偏差样本的权重,从而降低一致性预测的抖动和过拟合的可能性。此外,该框架无需提供任何噪声标签的分布,并可作为一个即插即用的模块,嵌入在任何基于梯度下降优化的深度网络模型中。在PlantVillage数据集上的实验结果表明,该方法优于目前最新的算法。2)针对零样本问题,本文联合用户定义属性和视觉特征的隐含属性,提出了基于判别学习的零样本学习框架。用户定义属性具有有限性和差异性弱等问题,因此我们提出了一种基于视觉特征的隐含属性,来辅助用户定义属性,生成更加全面、准确的属性表。该框架首先利用CNN来提取图像特征,然后嵌入到包含隐含属性的增强嵌入空间,最后联合两种属性共同预测未见类别。实验结果表明,所提出的隐含属性比用户定义属性具有更强的判别性,同时该算法比现有的零样本学习算法具有更好的性能。上述两种解决策略改进了元学习、零样本学习等技术,并加入了校正模块、隐含属性等创新技术。实验表明,以上方法可以有效解决农作物病害识别中的噪声标签和零样本问题。