基于知识蒸馏和轻量级卷积神经网络的植物病害识别方法

摘要

[目的]针对现有植物病害识别模型参数大、田间复杂背景下识别准确率低的问题，提出一种基于改进ShuffleNetV2的轻量化植物病害识别模型LWCR-Net（lightweight crop recognition network）。[方法]在基本特征提取模块中引入残差连接，解决梯度消失问题，使模型能够学习更复杂的特征表示；引入CBAM（convolutional block attention module）注意力机制模块，以增强特征提取和模型利用能力；采用DenseNet121作为教师模型，LWCR-Net作为学生模型，利用知识蒸馏策略对模型进行训练，以进一步提升模型性能。[结果]轻量化植物病害识别模型LWCR-Net大小为2.44 MB;F₁值和准确率分别为95.49%和96.16%,较原模型提高4.89%和3.96%。与DenseNet121、ResNet34、MobileNetV3等其他经典网络对比，LWCR-Net模型不仅达到较高的识别准确率，而且模型参数量较少。[结论]LWCR-Net模型能够实现在田间复杂背景下对植物病害的准确识别，且模型所需内存较小，方便部署到移动端，为植物病害智能诊断提供参考。

关键词

复杂背景 / 植物病害 / ShuffleNetV2 / 残差连接 / CBAM注意力机制 / 知识蒸馏

基金资助

国家自然科学基金项目(52379039,52069016); 河南省科技特派员项目(2023年度); 河南科技大学青年骨干教师项目(13450001)