基于知识蒸馏的轻量级玉米叶病检测算法研究

作     者：胡艳鑫 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：刘钢;赵冲

授予年度：2024年

学科分类：12[管理学] 08[工学] 09[农学] 090401[农学-植物病理学] 090402[农学-农业昆虫与害虫防治] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0904[农学-植物保护] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：玉米叶病检测 目标检测 模型轻量化 知识蒸馏 

摘      要：玉米是世界上最重要的农作物之一,在其种植生产过程中,有效检测叶病是确保玉米健康生长的关键环节,对促进玉米产量增加有着重要意义。在玉米叶病检测方法中,传统的机器学习检测算法依赖于人工特征提取,特征表达能力存在一定的局限性且效率低。深度学习的检测算法是端到端的,不需要人工特征提取,提高了效率和检测精度,其应用在计算资源受限的玉米叶病现场检测中,还存在模型参数多和计算复杂度高的问题;通过模型轻量化技术后,虽然降低了模型参数和计算复杂度,还存在着检测精度低的问题。 针对在计算资源受限情况下,深度学习检测算法存在参数量多和计算复杂度高的问题,提出一种改进的基于YOLOv8的轻量级目标检测算法。主要包括两个方法,通过改进主干网络,在保证特征提取能力的同时降低算法参数量和计算复杂度;通过改进颈部网络,丰富语义信息的交互,加快特征融合速度。改进后的算法有效地控制了模型参数量大小,具备更快的运行速度和更低的资源消耗。 针对轻量化后检测算法导致检测精度下降的问题,提出一种结合基于特征和logits的改进的知识蒸馏方法。在不额外增加模型参数和计算复杂度的前提下,从教师模型中转移中间层和输出层的关键知识到学生模型中,有效提升算法的检测精度。 本文提出的基于知识蒸馏的轻量级玉米叶病检测算法,即包含改进的YOLOv8轻量级目标检测算法、基于特征和logits的改进的知识蒸馏方法。通过在真实农田环境中采集的图像和从Plant Village数据库中获取的玉米叶病图像上的实验,验证了提出的算法能降低模型参数量和计算复杂度,并提升了检测精度,为玉米叶病的准确检测提供一种可靠的轻量级技术方法;又通过在Pascal VOC公共数据集上的实验,进一步验证了所提算法具有一定的泛化性。