摘要
轻量级深度学习模型常被部署于移动端或物联网端,以实现算力资源受限条件下马铃薯病害的识别.但轻量级模型网络层数较少,模型特征提取能力有限,无法实现相似表型特征的精确提取.为解决上述问题,提出一种轻量级残差网络模型的构建方法,该方法融合迁移学习和知识蒸馏策略训练模型,在教师模型上使用迁移学习策略缩短教师模型的训练时间,并将ResNet18模型进行模型剪枝,使用降采样的方法提高模型识别准确率,最终在保证轻量化的前提下,实现对马铃薯叶片病害类别的精准识别.在马铃薯叶片数据集上进行试验,结果表明,本研究方法构建的轻量级模型的识别准确率相较于Resnet18提高1.55百分点,模型大小缩小49.18％;相较于目前农作物病害识别领域,常用的轻量级模型MobileNetV3在模型大小相近的情况下,识别准确率提高2.91百分点.该模型能够满足大部分实际应用下的场景,可为部署在物联网和移动端设备上的模型提供参考.
基金项目
国家自然科学基金(32101611)
云南省基础研究计划(202101AU070096)
云南省科技重大专项(202202AE090021)
云南省科技重大专项(202302AE090020)
省部共建云南生物资源保护与利用国家重点实验室开放基金(GZKF2021009)
国家科技期刊平台
NSTL
维普
万方数据