El bambú es un cultivo económico importante con una gran cantidad de especies. La distribución de las especies de bambú es amplia; por lo tanto, es difícil recopilar imágenes y crear un modelo de reconocimiento de una especie de bambú con pocas imágenes. En este estudio, se recopilaron diecinueve especies de bambú con un total de 3220 imágenes, que se dividieron en un conjunto de datos de entrenamiento, un conjunto de datos de validación y un conjunto de datos de prueba. La estructura principal de un algoritmo de transformer de visión residual llamado ReVI se mejoró al combinar los mecanismos de convolución y residual con una red de transformer de visión (ViT). Este experimento explora el efecto de reducir la cantidad de datos de entrenamiento de bambú en el rendimiento de ReVI y ViT en el conjunto de datos de bambú. ReVI tiene una mejor generalización de un modelo profundo con datos de entrenamiento de bambú a pequeña escala que ViT. Luego se compararon los rendimientos de cada especie de bambú bajo ReVI, ViT, ResNet18, VGG16, Densenet121, Xception, lo que mostró que ReVI tuvo el mejor desempeño, con una precisión promedio del 90.21%, y se discuten las razones del bajo rendimiento de algunas especies. Se encontró que ReVI ofreció la identificación eficiente de especies de bambú con pocas imágenes. Por lo tanto, el algoritmo ReVI propuesto en este documento ofrece la posibilidad de clasificación y reconocimiento preciso e inteligente de imágenes de recursos de bambú.