基于模型压缩对番茄病害识别的应用研究

早期发现番茄叶片患病类别,有利于快速进行诊断治疗,挽救作物损失。传统深度学习番茄病害识别方法存在模型体积较大、计算资源消耗大的问题,不适合直接部署在低计算能力和有限存储空间的便携式设备上。该研究采用知识蒸馏技术对模型进行压缩,同时使用金字塔挤压注意力模块来改进教师网络ResNet50提升网络性能。在教师网络的指导下,学生网络ShuffleNetV2取得了优异的性能。通过选取PlantVillage数据集中的番茄病害叶片进行试验。结果表明:蒸馏后的网络KD-ShuffleNetV2提高了模型的精度,与深度卷积神经网络Alexnet、Vgg11、ResNet50相比节省了更多的存储空间和计算资源。网络在番茄病害数据集上的识别准确率达95.66%,模型大小仅有4.98 MB。最后将模型移植部署到低成本的树莓派上,完成番茄叶片识别系统开发与识别应用。

新型残差网络乏燃料剪切机刀具磨损状态监测模型构建

为了解决乏燃料剪切机强背景噪声工作条件、刀具磨损样本少、磨损状态识别准确率低的问题,构建了一种基于软阈值与金字塔挤压注意力改进残差网络的刀具磨损监测模型,利用高效金字塔挤压注意力ESPA模块获得多尺度特征信息的精细特征图,并将软阈值加入ESPA模块中作为非线性转换层,过滤背景噪声相关的特征。实验证明,该模型识别准确率优于单独的ESPANet模型与深度残差收缩网络DRSN模型,能够有效识别剪切机刀具磨损状态。