融合迁移学习和知识蒸馏的轻量级马铃薯叶片病害识别模型的构建方法

轻量级深度学习模型常被部署于移动端或物联网端，以实现算力资源受限条件下马铃薯病害的识别。但轻量级模型网络层数较少，模型特征提取能力有限，无法实现相似表型特征的精确提取。为解决上述问题，提出一种轻量级残差网络模型的构建方法，该方法融合迁移学习和知识蒸馏策略训练模型，在教师模型上使用迁移学习策略缩短教师模型的训练时间，并将ResNet18模型进行模型剪枝，使用降采样的方法提高模型识别准确率，最终在保证轻量化的前提下，实现对马铃薯叶片病害类别的精准识别。在马铃薯叶片数据集上进行试验，结果表明，本研究方法构建的轻量级模型的识别准确率相较于Resnet18提高1.55百分点，模型大小缩小49.18%;相较于目前农作物病害识别领域，常用的轻量级模型MobileNetV3在模型大小相近的情况下，识别准确率提高2.91百分点。该模型能够满足大部分实际应用下的场景，可为部署在物联网和移动端设备上的模型提供参考。