基于知识蒸馏的棉花病害分类轻量化算法改进  

Improvement of a lightweight cotton disease classification algorithm based on knowledge distillation

作　　者：蔡国庆 吴建军[1] 祝玉华[1] 甄彤[1] 李智慧[1] Cai Guoqing

机构地区：[1]河南工业大学信息科学与工程学院,河南郑州450001

出　　处：《江苏农业科学》2025年第5期195-202,共8页Jiangsu Agricultural Sciences

基　　金：国家重点研发计划(编号:2022YFD2100202);国家重大科技专项(编号:2018YFD0401404);河南省教育厅自然科学项目(编号:24A520013);河南工业大学粮食信息处理中心科研平台开放课题(编号:KFJJ2023001)。

摘　　要：本研究旨在设计一种轻量化的棉花病害分类模型,以解决深度学习模型在便携设备上部署时面临的计算复杂度和资源限制问题。针对棉花叶片常见病害,提出一种基于知识蒸馏的轻量化算法,知识蒸馏的核心是将复杂的大模型(教师模型)的知识有效传递到参数更少的轻量模型(学生模型)中。为提高教师模型的性能与学生模型的学习效率,首先对教师模型进行轻量化优化,采用ResNet50作为基础模型,通过引入倒置残差块和ECA注意力机制,降低了模型的内存占用和计算复杂度。此外,采用混合精度训练策略以加速模型的训练过程。基于优化后教师模型的结构设计和轻量化策略,设计出参数更少、计算复杂度更低的学生模型。通过知识蒸馏后,学生模型在测试集上的准确率达到96.8%,内存占用仅为2.1 MB,在多个公开数据集上依然保持了90%以上的分类准确率,展现了良好的泛化能力和稳定性。综上,本研究提出的模型轻量化改进方法在大幅降低模型复杂度的基础上,保持了优秀的性能,实现了高性能与轻量化设计的平衡,为在资源受限环境下实现高效、精确的农作物病害检测提供了一种可行的解决方案。

关 键 词：病虫害检测 知识蒸馏 深度学习 轻量化模型 

分 类 号：TP391.41[自动化与计算机技术—计算机应用技术] S126[自动化与计算机技术—计算机科学与技术]