科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前，利用机器视觉进行小麦生育进程监测主要是通过人工来进行特征提取，存在客观性差、效率低等问题，为了解决该问题，把深度学习引入到小麦生育进程监测研究中。卷积神经网络作为深度学习中常用的算法被广泛应用于图像分类任务中，使用深层的特征提取网络能够自动识别和提取图像特征，但常规深度卷积网络带来的大量参数和计算开销使这些算法难以应用到对存储空间和参数量有一定限制的嵌入式设备中。为此提出将知识蒸馏方法用于目标检测网络的特征提取网络，以提升浅层特征提取网络的性能，在降低模型的计算量和模型大小的同时尽可能地保证识别结果的准确性。通过使用ResNet50、VGG-16这2个不同教师网络分别指导学生模型MobileNet进行训练，试验结果表明，当ResNet50作为教师模型、MobileNet作为学生模型时识别效果最好，学生模型MobileNet的平均识别准确率达到了97.3%,模型大小压缩为仅19.7 MB,相比于ResNet50缩小了88.9%,通过知识蒸馏的方法，使得到的模型能够在提高准确率的情况下还能减少网络模型的参数量和模型运行时间的消耗，大幅降低部署模型的成本，可以为田间小麦智慧化生产提供技术支撑。
- 单位
