基于模型压缩对番茄病害识别的应用研究

摘要：

早期发现番茄叶片患病类别,有利于快速进行诊断治疗,挽救作物损失.传统深度学习番茄病害识别方法存在模型体积较大、计算资源消耗大的问题,不适合直接部署在低计算能力和有限存储空间的便携式设备上.该研究采用知识蒸馏技术对模型进行压缩,同时使用金字塔挤压注意力模块来改进教师网络ResNet50提升网络性能.在教师网络的指导下,学生网络ShuffleNetV2取得了优异的性能.通过选取PlantVillage数据集中的番茄病害叶片进行试验.结果表明:蒸馅后的网络KD-ShuffleNetV2提高了模型的精度,与深度卷积神经网络Alexnet、Vgg11、ResNet50相比节省了更多的存储空间和计算资源.网络在番茄病害数据集上的识别准确率达95.66％,模型大小仅有4.98 MB.最后将模型移植部署到低成本的树莓派上,完成番茄叶片识别系统开发与识别应用.

关键词：番茄病害、卷积神经网络、金字塔挤压注意力、知识蒸馏、树莓派

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;广西自然科学基金资助项目

在线出版日期：2023-07-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：138-144