«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第50卷

期数:

2022年第8期

页码:

199-206

栏目:

农业工程与信息技术

出版日期:

2022-04-20

文章信息/Info

Title:

Study on simplified convolutional neural network for monitoring wheat growth process

作者:

李祥宇¹; 2;  任艳娜¹; 2;  马新明¹; 2;  席磊¹; 2

1.河南农业大学信息与管理科学学院，河南郑州 450002； 2.农田监测与控制河南省工程实验室，河南郑州 450002

Author(s):

Li Xiangyu; et al

关键词:

小麦生育期; 深度学习; 卷积神经网络; 模型压缩; 知识蒸馏

Keywords:

-

分类号:

S126

DOI:

-

文献标志码:

A

摘要:

目前，利用机器视觉进行小麦生育进程监测主要是通过人工来进行特征提取，存在客观性差、效率低等问题，为了解决该问题，把深度学习引入到小麦生育进程监测研究中。卷积神经网络作为深度学习中常用的算法被广泛应用于图像分类任务中，使用深层的特征提取网络能够自动识别和提取图像特征，但常规深度卷积网络带来的大量参数和计算开销使这些算法难以应用到对存储空间和参数量有一定限制的嵌入式设备中。为此提出将知识蒸馏方法用于目标检测网络的特征提取网络，以提升浅层特征提取网络的性能，在降低模型的计算量和模型大小的同时尽可能地保证识别结果的准确性。通过使用ResNet50、VGG-16这2个不同教师网络分别指导学生模型MobileNet进行训练，试验结果表明，当ResNet50作为教师模型、MobileNet作为学生模型时识别效果最好，学生模型MobileNet的平均识别准确率达到了97.3%，模型大小压缩为仅19.7 MB，相比于ResNet50缩小了88.9%，通过知识蒸馏的方法，使得到的模型能够在提高准确率的情况下还能减少网络模型的参数量和模型运行时间的消耗，大幅降低部署模型的成本，可以为田间小麦智慧化生产提供技术支撑。

Abstract:

-

参考文献/References:

［1］赵广才，常旭虹，王德梅，等. 小麦生产概况及其发展［J］. 作物杂志，2018(4)：1-7.
［2］和兴华. 基于卷积神经网络的玉米冠层图像分割与生育期鉴定方法［D］. 南昌：江西农业大学，2018.
［3］陆明，申双和，王春艳，等. 基于图像识别技术的夏玉米生育期识别方法初探［J］. 中国农业气象，2011，32(3)：423-429.
［4］乌玲瑛，徐奂，蔡喨喨，等. 基于机器学习的水稻发育期预测模型构建［J］. 扬州大学学报(农业与生命科学版)，2012，33(3)：44-50.
［5］胡锦涛，王苗苗，李涛，等. 基于深度学习的棉花发育期自动观测［J］. 安徽农业科学，2019，47(11)：237-240，243.
［6］张明伟. 基于MODIS数据的作物物候期监测及作物类型识别模式研究［D］. 武汉：华中农业大学，2006.
［7］黄青，李丹丹，陈仲新，等. 基于MODIS数据的冬小麦种植面积快速提取与长势监测［J］. 农业机械学报，2012，43(7)：163-167.
［8］黎煊，赵建，高云，等. 基于连续语音识别技术的猪连续咳嗽声识别［J］. 农业工程学报，2019，35(6)：174-180.
［9］郑秋梅，谢换丽，王风华，等. 一种基于局部三值模式的深度学习人脸识别算法［J］. 计算机与现代化，2018(2)：112-117.
［10］林相泽，张俊媛，朱赛华，等. 基于K-SVD和正交匹配追踪稀疏表示的稻飞虱图像分类方法［J］. 农业工程学报，2019，35(19)：216-222.
［11］储彬彬. 基于深度学习的人类行为分析技术的研究与实现［D］. 南京：东南大学，2017.
［12］占超. 基于视频对象和深度学习的异常行为分析系统设计和实现［D］. 北京：北京邮电大学，2019.
［13］汪传建，赵庆展，马永建，等. 基于卷积神经网络的无人机遥感农作物分类［J］. 农业机械学报，2019，50(11)：161-168.
［14］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.
［15］黄云，唐林波，李震，等. 采用深度学习的遥感图像花生种植区域分类技术研究［J］. 信号处理，2019，35(4)：617-622.
［16］王丹丹，何东健. 基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别［J］. 农业工程学报，2019，35(3)：156-163.
［17］罗琪. 基于深度学习的水果图像识别系统［J］. 农业工程，2018，8(10)：31-34.
［18］宋晓倩，张学艺，张春梅，等. 基于深度迁移学习的酿酒葡萄种植信息提取［J］. 江苏农业学报，2020，36(3)：689-693.
［19］谢忠红，徐焕良，黄秋桂，等. 基于高光谱图像和深度学习的菠菜新鲜度检测［J］. 农业工程学报，2019，35(13)：277-284.
［20］Ma J C，Du K M，Zheng F X，et al. A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network［J］. Computers and Electronics in Agriculture，2018，154：18-24.
［21］吴茜. 基于图像处理技术的棉花发育期自动观测研究［D］. 武汉：华中科技大学，2013.
［22］余正泓. 基于图像的玉米发育期自动观测技术研究［D］. 武汉：华中科技大学，2014.
［23］吴兰兰. 基于数字图像处理的玉米苗期田间杂草的识别研究［D］. 武汉：华中农业大学，2010.
［24］Hinton G ，Vinyals O，Dean J. Distilling the knowledge in a neural network［EB/OL］. (2015-03-09)［2021-03-21］. https：//arxiv.org/pdf/1503.02531.pdf.
［25］Soudani A，Barhoumi W. An image-based segmentation recommender using crowdsourcing and transfer learning for skin lesion extraction［J］. Expert Systems with Applications，2019，118：400-410.
［26］Sandler M，Howard A，Zhu M L，et al. MobileNetV2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City，2018.
［27］Protas �I，Bratti J D，Gaya J F O，et al. Visualization methods for image transformation convolutional neural networks［J］. IEEE Transactions on Neural Networks and Learning Systems，2019，30(7)：2231-2243.

相似文献/References:

[1]梁万杰,曹宏鑫.基于卷积神经网络的水稻虫害识别[J].江苏农业科学,2017,45(20):241.
　Liang Wanjie,et al.Identification of rice insect pests based on CNN model[J].Jiangsu Agricultural Sciences,2017,45(8):241.
[2]赵建敏,李艳,李琦,等.基于卷积神经网络的马铃薯叶片病害识别系统[J].江苏农业科学,2018,46(24):251.
　Zhao Jianmin,et al.Potato leaf disease identification system based on convolutional neural network[J].Jiangsu Agricultural Sciences,2018,46(8):251.
[3]李懿超,沈润平,黄安奇.基于深度学习的湘赣鄂地区植被变化及其影响因子关系模型[J].江苏农业科学,2019,47(03):213.
　Li Yichao,et al.Study on relational model between vegetation change and its impact factors based on deep learning in Hunan， Jiangxi and Hubei areas[J].Jiangsu Agricultural Sciences,2019,47(8):213.
[4]刘嘉政.基于深度迁移学习模型的花卉种类识别[J].江苏农业科学,2019,47(20):231.
　Liu Jiazheng.Flower species identification based on deep transfer learning model[J].Jiangsu Agricultural Sciences,2019,47(8):231.
[5]荆伟斌,胡海棠,程成,等.基于深度学习的地面苹果识别与计数[J].江苏农业科学,2020,48(05):210.
　Jing Weibin,et al.Recognition and counting of ground apples based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(8):210.
[6]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(8):247.
[7]孙孝龙,徐森,周卫阳,等.基于物联网和深度学习的养蚕智能监控系统设计[J].江苏农业科学,2020,48(21):241.
　Sun Xiaolong,et al.Design of an intelligent monitoring system for sericulture based on internet of things and deep learning[J].Jiangsu Agricultural Sciences,2020,48(8):241.
[8]康飞龙,李佳,刘涛,等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22.
　Kang Feilong,et al.Application technology of image recognition for various crop diseases and insect pests: a review[J].Jiangsu Agricultural Sciences,2020,48(8):22.
[9]李彧,余心杰,郭俊先.基于全卷积神经网络方法的玉米田间杂草识别[J].江苏农业科学,2022,50(6):93.
　Li Yu,et al.Weed recognition in corn field based on fully convolutional neural network (FCN) method[J].Jiangsu Agricultural Sciences,2022,50(8):93.
[10]孙东来,王继超,陈科,等.基于Ghost-YOLOv3-2算法的2尺度猪目标检测[J].江苏农业科学,2022,50(7):189.
　Sun Donglai,et al.Two-scale pig target detection based on Ghost-YOLOv3-2[J].Jiangsu Agricultural Sciences,2022,50(8):189.

备注/Memo

备注/Memo:

收稿日期：2021-06-25
基金项目：河南省重大科技专项(编号：171100110600-01)；河南省现代农业产业技术体系项目(编号：S2010-01-G04)；河南省科技攻关项目(编号：202102110268)。
作者简介：李祥宇(1994—)，男，河南周口人，硕士，从事深度学习及应用研究。E-mail：lixiangyu_henau@163.com。
通信作者：席磊，硕士，教授，从事分布计算与智能系统研究。E-mail： hnaustu@126.com。

常用功能

更新日期/Last Update: 2022-04-20