基于深度残差网络的茶园杂草分类及模型压缩方法研究

作者：高琪娟; 李春波; 金秀; 李叶云^*; 吴慧平

来源：安徽农业大学学报, 2021, 48(04): 668-673.

DOI：10.13610/j.cnki.1672-352x.20210824.002

• 深度神经网络
• 深度模型压缩
• 模型剪枝
• 茶园杂草识别
• 图像分类

为提高茶园杂草分类深度模型的准确性,减少深度模型的冗余参数问题。以茶园常见的10类杂草图像为数据样本,分别基于深度学习的ResNet50、VGGNet和AlexNet网络结构构建杂草分类模型;在此基础上,进一步利用剪枝算法压缩深度模型ResNet50。通过实验对比3个模型测试集的平均准确率分别为0.86、0.72和0.63;此外,通过对比ResNet50的茶园杂草模型在训练集和测试集上压缩前后效果,显示结果基本一致。研究表明ResNet50在这3个模型中是最优分类模型,且压缩后的深度模型ResNet50提升了模型的性能。因此,该研究也为移动端设备的分类提供了理论基础。

• 单位
  安徽农业大学