面向小麦生育进程监测的卷积神经网络精简化研究

目前，利用机器视觉进行小麦生长过程监测主要是通过人工特征提取，存在客观性差、效率低等问题。为了解决这一问题，将深度学习引入到小麦生长过程监测的研究中。卷积神经网络算法作为深度学习中的一种常用算法，被广泛应用于图像分类任务中。利用深度特征提取网络可以自动识别和提取图像特征。然而，由于传统的深卷积网络带来了大量的参数和计算开销，这些算法在存储空间和参数量上有一定的限制，难以应用于嵌入式设备。因此，将知识提取方法应用到目标检测网络的特征提取网络中，以提高浅层特征提取网络的性能，在减少计算量和模型大小的同时，尽可能保证识别结果的准确性。通过分别使用ResNet50和VGG－16两种不同的教师网络来指导学生模型MobileNet进行训练，实验结果表明，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97.3%，模型大小压缩到19.7%，与ResNet 50相比，减少了88.9%。通过知识提炼的方法，得到的模型不仅可以提高精度，还可以减少网络模型参数的消耗和模型运行时间，大大降低部署模型的成本，为田间小麦的智能化生产提供技术支持。