文献类型：期刊文章

作　　者：陈启[1] 陈慈发[1] 邓向武[2] 袁单飞[1]

Chen Qi;Chen Cifa;Deng Xiangwu;Yuan Danfei(College of Computer and Information Technology,China Three Gorges University,Yichang,443000,China;College of Electronic Information Engineering,Guangdong University of Petrochemical Technology,Maoming,525000,China)

机构地区：[1]三峡大学计算机与信息学院,湖北宜昌443000 [2]广东石油化工学院电子信息工程学院,广东茂名525000

出　　处：《中国农机化学报》

基　　金：广东石油化工学院人才引进及博士启动项目(2019rc044);国家青年科学基金项目(31801258)。

年　　份：2022

卷　　号：43

期　　号：2

起止页码：163-170

语　　种：中文

收录情况：BDHX、BDHX2020、RCCSE、核心刊

摘　　要：杂草分类的研究大多集中在服务器端模型,而该类模型存在规模较大、占用较多计算资源、计算速度较慢、准确率不高等问题,以ResNet50和MobileNetV3;arge模型为基础,采用数据增强、迁移学习来进行快速训练,在训练中通过设置加权Softmax损失函数的权重,最后再利用精度高的服务器端模型指导和优化移动端模型,从而得到一个轻量模型。试验结果表明,本文轻量模型相比移动端模型MobileNetV3;arge,在模型大小变化不大的情况下,识别准确率提升1.2%;相比服务器端模型ResNet50,准确率提升0.78%,平均每张推理时间减少7.8%,模型大小减少80%,本研究可为杂草精准施药的实施应用提供理论基础和技术支持。

关 键 词：人工智能  杂草识别 轻量卷积  损失函数 知识蒸馏  

分 类 号：S126]