叶进教授团队：面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型（2021年第1期）

引用格式：邱文杰, 叶进, 胡亮青, 杨娟, 李其利, 莫贱友, 易万茂. 面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型[J]. 智慧农业(中英文), 2021, 3 (1): 109-117.
QIU Wenjie, YE Jin, HU Liangqing, YANG Juan, LI Qili, MO Jianyou, YI Wanmao. Distilled-mobilenet model of convolutional neural network simplified structure for plant disease recognition[J]. Smart Agriculture, 2021, 3 (1): 109-117. 

点击直达知网阅读

点击直达期刊官网阅读（免费，全文）

面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型

邱文杰1， 叶进1*， 胡亮青1， 杨娟2， 李其利3， 莫贱友3， 易万茂1
（1.广西大学 计算机与电子信息学院，广西南宁530004；2.广西大学 农学院，广西南宁530004；  3.广西壮族自治区农业科学院 植物保护研究所，广西南宁530007）

摘要：卷积神经网络（CNN）的发展带来了大量的网络参数和庞大的模型体积，极大地限制了其在小规模计算资源设备上的应用。为将CNN应用在各种小型设备上，研究了一种基于知识蒸馏的结构化模型压缩方法。该方法首先利用VGG16训练了一个识别率较高的教师模型，再将该模型中的知识通过蒸馏的方法迁移到MobileNet，从而大幅减少了模型的参数量。将知识蒸馏后的Distilled-MobileNet模型应用在14种作物的38种常见病害分类中。进行了知识蒸馏在VGG16、AlexNet、GoogleNet和ResNet 4种不同网络结构上的表现测试，结果表明，当VGG16作为教师模型时，模型准确率提升了97.54%；使用单个病害识别率、平均准确率、模型内存、平均识别时间4个指标对训练好的Distilled-MobileNet模型进行真实环境下准确性评估，经测试，模型的平均准确率达到了97.62%，平均识别时间缩短至0.218 s，仅占VGG16模型的13.20%，模型大小压缩仅为19.83 MB，相比于VGG16缩小了93.60%，使其具备了较高的准确性和实时性要求。本方法模型在压缩内存体积和缩短识别时间上较传统神经网络有了明显提高，为内存和计算资源受限设备上的病害识别提供了新的思路。

关键词：病害识别；深度学习；模型压缩；知识蒸馏；卷积神经网络

文章图片

注：1.苹果黑星病  2.苹果黑腐病  3.苹果锈病  4.苹果健康叶片   5.蓝莓健康叶片  6.樱桃健康叶片  7.樱桃白粉病  8.玉米褐斑病  9.玉米锈病  10.玉米健康叶片  11.玉米大斑病  12.葡萄黑腐病   13.葡萄埃斯卡真菌病  14.葡萄健康叶片  15.萄叶枯  16.桔子黄龙病  17.桃子菌斑  18.桃子健康叶  19.椒铃菌斑  20. 椒铃健康叶片  21.马铃薯早疫病  22.马铃薯健康叶片  23.马铃薯晚疫病    24.覆盆子健康叶片  25.大豆健康叶片  26.南瓜白粉病  27.草莓健康叶片  28.草莓叶焦病  29.番茄菌斑病  30.番茄早疫病  31.番茄健康叶片  32.番茄晚疫病
图1　PlantVillage数据集部分展示Fig. 1  Part of the samples of the PlantVillage dataset图2　深度卷积对抗生成网络生成样本Fig. 2  Samples of deep convolutional generative adversarial network图3　自建数据集样本Fig. 3  Samples of self-built dataset图4　研究整体结构图Fig. 4  Overall structure of diagram图5　深度可分离卷积原理Fig. 5  Depthwise separable convolution图6　知识蒸馏结构图Fig. 6  Diagram of knowledge distillation structure图7　模型验证集准确率与损失函数变化曲线图Fig. 7  Model validation accuracy rates and loss function change curves图8　迭代次数对模型识别准确率的影响Fig. 8  Effects of iteration times on model recognition accuracy and loss function

来源：《智慧农业（中英文）》2021年第1期

转载请联系编辑部授权

通讯作者简介

叶进 教授

叶进，广西大学教授、博士生导师，2008年中南大学信息科学与工程学院获得博士学位，2018年03月-2018年10月美国明尼苏达大学双城分校高级访问学者，2013年9月-11月新加坡南洋理工大学参加广西区高层次紧缺人才培训。现任广西区“广西多媒体通信与网络技术 ”重点实验室副主任，中国计算机学会互联网专委会委员，广西互联网协会区块链专业委员会主任。主持10多项国家级及省部级课题，在《软件学报》等国内外核心期刊上发表论文50余篇，获得授权并实现发明专利成果转化4项，获得省级科技进步一等奖一项（排名第二）。2016年获得广西重点研发计划《农业标准化种植云服务平台—以荔枝为例》，项目成果在疫情期间提供不间断数字服务，在农技推广体系中发挥了重要作用，科技厅八桂先锋以《数字荔枝助力经济》为题予以报道，指导学生项目《指尖云农》获得第五届全国互联网加比赛全国铜奖，在智慧农业产学研中的突出工作获得2019年广西教学成果一等奖（排名第一）。

本期支持单位

Supporters

京蓝云智物联网技术有限公司

浙江臻善科技股份有限公司

推荐阅读

微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。

信息发布

科研团队介绍及招聘信息、学术会议及相关活动的宣传推广

求点赞每增加1个赞，小编绩效加5毛钱！