基于YOLO v5s的作物叶片病害检测模型轻量化方法

作者：**昊; 左昊轩; 黄祺成; 孙泉; 李思恩; 李莉^*

来源：农业机械学报, 2023, S1: 222-229.

• 病害检测
• YOLO v5s
• 轻量化模型
• 网络剪枝
• 知识蒸馏

为在保证识别性能前提下，对叶片病害检测模型进行有效轻量化，基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法，对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先，通过常见的性能优异的轻量级主干特征提取神经网络结构(Lightweight convolutional neural networks, LCNN)替换YOLO v5s主干对模型主体进行缩减；然后利用模型稀疏化训练和批归一化层(Batch normalization layer)的缩放因子分布状况，筛选并删减不重要的通道；最后，通过微调重新训练以及知识蒸馏，将模型精度调整到接近剪枝前的水平。试验结果表明，经轻量化处理的模型精确率、召回率和平均精度分别为91.3%、87.4%和92.7%,模型内存占用量为1.4 MB,台式机检测帧率81.0 f/s,移动端检测帧率1.2 f/s,相比原始YOLO v5s叶片病害检测模型，精确率、召回率和平均精度下降3.7、4.6、2.7个百分点，内存占用量仅为处理前的10%,台式机和移动端检测的帧率分别提升近27%和33%。本文所提出的方法在保持模型性能的前提下对模型有效轻量化，为移动端叶片病害检测部署提供了理论基础。

• 单位
  土木工程学院; 中国农业大学