[1]周丽,曹超文.基于知识蒸馏和EfficientNet v2的植物病虫害识别方法[J].江苏农业科学,2026,54(4):269-276.
　Zhou Li,et al.A plant disease and pest recognition method based on knowledge distillation and EfficientNet v2[J].Jiangsu Agricultural Sciences,2026,54(4):269-276.
点击复制

基于知识蒸馏和EfficientNet v2的植物病虫害识别方法()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第54卷
期数:
2026年第4期
页码:
269-276
栏目:
病虫害智能检测
出版日期:
2026-02-20

文章信息/Info

Title:
A plant disease and pest recognition method based on knowledge distillation and EfficientNet v2
作者:
周丽; 曹超文
湖南农业大学信息与智能科学技术学院，湖南长沙 410128
Author(s):
Zhou Li; et al
关键词:
植物病害; ED-EfficientNet v2; 高效通道注意力; 动态卷积; 知识蒸馏
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
提出了一种基于改进版EfficientNet v2轻量化植物叶片病害识别网络ED-EfficientNet v2，该模型引入ECA注意力机制以替代原有的SE注意力机制，并在第4阶段的倒残差结构中采用动态卷积代替传统的1×1卷积，从而在提升特征提取能力的同时，降低了计算量。此外，模型采用知识蒸馏技术，以ED-EfficientNet v2_b3作为教师网络，ED-EfficientNet v2_b0作为学生网络进行训练，从而提高学生网络的性能与泛化能力。结果表明，在包含38种植物病虫害的公开数据集上，ED-EfficientNet v2在测试集上的准确率达97.14%，较原始模型提升1.31百分点。与MobileNet v3、MobileVit、ResNet 50、RepVGG等模型相比，该模型在准确率与收敛速度方面均表现出明显优势。对学生网络进行知识蒸馏后，模型的准确率进一步提升至98.42%。该模型在保持较高准确率的同时，具有较低的计算复杂度和参数量，适合在移动终端及边缘计算设备上部署。
Abstract:
-

参考文献/References:

［1］刘万才，刘振东，黄冲，等. 近10年农作物主要病虫害发生危害情况的统计和分析［J］. 植物保护，2016，42(5)：1-9，46.
［2］李保华，王彩霞，董向丽. 我国苹果主要病害研究进展与病害防治中的问题［J］. 植物保护，2013，39(5)：46-54.
［3］盖荣丽，蔡建荣，王诗宇，等. 卷积神经网络在图像识别中的应用研究综述［J］. 小型微型计算机系统，2021，42(9)：1980-1984.
［4］翟肇裕，曹益飞，徐焕良，等. 农作物病虫害识别关键技术研究综述［J］. 农业机械学报，2021，52(7)：1-18.
［5］贾少鹏，高红菊，杭潇. 基于深度学习的农作物病虫害图像识别技术研究进展［J］. 农业机械学报，2019，50(增刊1)：313-317.
［6］王彦翔，张艳，杨成娅，等. 基于深度学习的农作物病害图像识别技术进展［J］. 浙江农业学报，2019，31(4)：669-676.
［7］许景辉，邵明烨，王一琛，等. 基于迁移学习的卷积神经网络玉米病害图像识别［J］. 农业机械学报，2020，51(2)：230-236，253.
［8］黄双萍，孙超，齐龙，等. 基于深度卷积神经网络的水稻穗瘟病检测方法［J］. 农业工程学报，2017，33(20)：169-176.
［9］刘洋，冯全，王书志. 基于轻量级CNN的植物病害识别方法及移动端应用［J］. 农业工程学报，2019，35(17)：194-204.
［10］王美华，吴振鑫，周祖光. 基于注意力改进CBAM的农作物病虫害细粒度识别研究［J］. 农业机械学报，2021，52(4)：239-247.
［11］刘阗宇，冯全，杨森. 基于卷积神经网络的葡萄叶片病害检测方法［J］. 东北农业大学学报，2018，49(3)：73-83.
［12］Hughes D P，Salathé M. An open access repository of images on plant health to enable the development of mobile disease diagnostics［J/OL］. (2015-11-25)［2025-03-02］. https：//doi.org/10.48550/arXiv.1511.08060.
［13］Tan M X，Le Q. EfficientNet v2：Smaller Models and Faster Training［C］//Proceedings of the 38th International Conference on Machine Learning.PMLR，2021：10096-10106.
［14］Sandler M，Howard A，Zhu M L，et al. MobileNet v2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City：IEEE，2018：4510-4520.
［15］Chollet F. Xception：deep learning with depthwise separable convolutions［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu：IEEE，2017：1800-1807.
［16］Wang Q L，Wu B G，Zhu P F，et al. ECA-net：efficient channel attention for deep convolutional neural networks［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle：IEEE，2020：11534-11542.
［17］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City：IEEE，2018：7132-7141.
［18］Chen Y P，Dai X Y，Liu M C，et al. Dynamic convolution：attention over convolution kernels［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle：IEEE，2020：11030-11039.
［19］Xie S N，Girshick R，Dollár P，et al. Aggregated residual transformations for deep neural networks［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu：IEEE，2017：5987-5995.
［20］Hou Q B，Zhou D Q，Feng J S. Coordinate attention for efficient mobile network design［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville：IEEE，2021：13708-13717.
［21］Hinton G E，Vinyals O，Dean J. Distilling the Knowledge in a Neural Network［C］//NIPS 2014 Deep Learning Workshop.https：//doi.org/10.48550/arXiv.1503.02531.
［22］Long M，Cao Y，Wang J，et al. Learning Transferable Features with Deep Adaptation Networks［C］//Proceedings of the 32nd International Conference on Machine Learning.PMLR，2015：97-105.
［23］Howard A，Sandler M，Chen B，et al. Searching for MobileNetV3［C］//2019 IEEE/CVF International Conference on Computer Vision. Seoul：IEEE，2019：1314-1324.
［24］Mehta S，Rastegari M. MobileViT：light-weight，general-purpose，and mobile-friendly vision transformer［C］//2022 International Conference on Learning Representations.https：//doi.org/10.48550/arXiv.2110.02178.
［25］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas：IEEE，2016：770-778.
［26］Ding X H，Zhang X Y，Ma N N，et al. RepVGG：making VGG-style ConvNets great again［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville：IEEE，2021：13733-13742.
［27］Montavon G，Binder A，Lapuschkin S，et al. Layer-wise relevance propagation：an overview［M］//Explainable AI：Interpreting，Explaining and Visualizing Deep Learning.Cham：Springer International Publishing，2019：193-209.

相似文献/References:

[1]马国胜,陈娟,薛毅.苏南地区绿篱病害发生规律与生态控制技术[J].江苏农业科学,2013,41(11):131.
　Ma Guosheng,et al.Occurrence and eco-control technology of hedgerow diseases in Southern Jiangsu[J].Jiangsu Agricultural Sciences,2013,41(4):131.
[2]易龙,张亚,廖晓兰,等.链霉菌防治植物病害的研究进展[J].江苏农业科学,2014,42(03):91.
　Yi Long,et al.Research progress of streptomyces controlling plant diseases[J].Jiangsu Agricultural Sciences,2014,42(4):91.
[3]王超,郭坚华,席运官,等.拮抗细菌在植物病害生物防治中应用的研究进展[J].江苏农业科学,2017,45(18):1.
　Wang Chao,et al.Research progress on application of antagonistic bacteria in biological control of plant diseases[J].Jiangsu Agricultural Sciences,2017,45(4):1.
[4]宋薇薇,朱辉,余凤玉,等.植物内生菌及其对植物病害的防治作用综述[J].江苏农业科学,2018,46(06):12.
　Song Weiwei,et al.Plant endophytes and their control effects on plant diseases：a review[J].Jiangsu Agricultural Sciences,2018,46(4):12.
[5]何宇,吕卫光,张娟琴,等.生防菌对稻瘟病害控制的研究进展[J].江苏农业科学,2021,49(21):40.
　He Yu,et al.Research progress of biocontrol bacteria controlling rice blast disease[J].Jiangsu Agricultural Sciences,2021,49(4):40.
[6]孔江波,朱贺,张延文,等.基于实例置信度推断的半监督小样本植物病害图像识别[J].江苏农业科学,2022,50(12):229.
　Kong Jiangbo,et al.Semi-supervised few-shot plant disease image recognition based on instance credibility inference[J].Jiangsu Agricultural Sciences,2022,50(4):229.
[7]杨祥,段军明,董明刚.面向移动端的植物病害图像识别方法及其应用[J].江苏农业科学,2023,51(4):191.
　Yang Xiang,et al.Mobile-oriented plant disease image recognition method and its application[J].Jiangsu Agricultural Sciences,2023,51(4):191.
[8]代国威,胡林,樊景超,等.基于GLCM特征提取和投票分类模型的马铃薯早、晚疫病检测[J].江苏农业科学,2023,51(8):185.
　Dai Guowei,et al.Detection of potato early and late blight based on GLCM feature extraction and voting classification model[J].Jiangsu Agricultural Sciences,2023,51(4):185.

备注/Memo

备注/Memo:
收稿日期：2025-03-02
资助基金：湖南省社会科学成果评审委员会项目(编号：XSP24YBC353)；湖南省自然科学基金面上项目(编号：23JJ30304)；湖南省教育厅科学研究重点项目(编号：23A0197)。
作者简介：周丽(1980—)，女，湖南安仁县人，博士，副教授，主要从事农业统计和农业信息的研究。E-mail：Lizhou@hunau.edu.cn。
通信作者：曹超文，硕士研究生，主要从事农业信息技术的研究。E-mail：2642038422@qq.com。
更新日期/Last Update: 2026-02-20