数字农科院2.0

基于知识蒸馏的多教师棉田杂草检测模型

文献类型： 中文期刊

作者： 朱养鑫;郝珊珊;郑伟健;金诚谦;印祥;周鹏

作者机构：

关键词： 杂草检测;图像处理;深度学习;YOLO;知识蒸馏

期刊名称：农业工程学报

ISSN： 1002-6819

年卷期： 2025 年

页码：

收录情况： EI（2025版） ; ; 北大核心（2023版） ; ; CSCD（2025-2026年度） ; ; 科技核心（2024版） ; ; 农林核心（2024版）

摘要： 杂草对农业生产的负面影响日益严重，高效的杂草检测方法对推动农业可持续发展至关重要。然而，现有的杂草检测模型在检测精度和效率方面仍存在提升空间。该研究基于YOLOv5，引入知识蒸馏技术，并整合多个教师模型的知识，旨在提高模型在棉田杂草检测中的精度和实时检测能力。首先，提出了一种基于温度系数的Logits软投票机制，通过动态调整教师模型的蒸馏损失权重，有效融合各教师模型的优势。同时，还提出了基于注意力机制的多教师特征融合方法，动态加权突出关键特征，抑制冗余信息。结果表明，该研究提出的YOLOv5s-CWD在模型精度和实时检测性能上均表现优异，F1分数（F1-score, F1）为94.5%，平均精度均值（mean average precision, mAP）在验证集和测试集上分别为96.8%和93.6%，帧率（frames per second, FPS）为46.71帧/s，浮点运算数（giga floating point operations, GFLOPs）为4.1，模型大小为2.9 MB。与YOLOv5s相比，YOLOv5s-CWD在验证集上的mAP仅降低0.9个百分点，FPS提高约57.22%，计算复杂度降低约74.38%，模型大小减少约79.86%。与YOLOv7相比，YOLOv5s-CWD在验证集上的mAP降低1.3个百分点，FPS提高约1076.57%，计算复杂度和模型大小大幅优化。与YOLOv10s相比，YOLOv5s-MGD在验证集上的mAP降低0.9个百分点，FPS提高约143.41%，计算复杂度降低约83.27%，模型大小降低约82.42%。综上所述，YOLOv5s-CWD在保证高精度的同时，显著提升了检测速度、计算效率和存储性能，适用于在性能受限设备上实时检测，为棉田杂草检测提供了有力的技术支持。

分类号：

  • 相关文献

[1]基于YOLOv8网络的棉蚜图像识别算法及软件系统设计. 马盼,杨子恒,万虎,何顺,黄远,徐胜勇. 2023

[2]基于YOLOv8网络的棉蚜图像识别算法及软件系统设计. 马盼,杨子恒,万虎,何顺,黄远,徐胜勇. 2024

[3]基于机器视觉的蚕豆荚高精度检测方法研究. 夏子林,张新洲,王文波,夏先飞,陈兰,顾寄南. 2025

[4]基于无人机视频流的小麦穗数精准监测研究. 韩桐鹤,张博涵,费帅鹏,李雷,孙海艳,王多霞,孟亚雄,肖永贵. 2025

[5]基于深度卷积神经网络的红树林物种无人机监测研究. 黄亦其,刘琪,赵建晔,黄文善,孙中宇,乔曦. 2020

[6]基于RGB图像与深度学习的冬小麦田间长势参数估算系统. 李云霞,马浚诚,刘红杰,张领先. 2021

[7]基于改进YOLOv5s的复杂环境下新梅检测方法. 董耿耿,陈小康,樊湘鹏,周建平,姜宏,崔超. 2024

[8]基于深度学习的马铃薯花粉活力快速检测. 夏士轩,耿泽栋,祝光涛,张春芝,李大伟. 2024

[9]基于Faster R-CNN的蔗田杂草检测算法研究. 黄书琴,黄福乐,罗柳茗,覃锋,李岩舟. 2024

[10]AI知识蒸馏技术演进与应用综述. 毛克彪,代旺,郭中华,孙学宏,肖柳瑞. 2025

[11]基于改进MobileNet的轻量级外来入侵植物识别模型研究. 吴鸿飞,刘万学,冼晓青,赵梦欣,姚青. 2024

[12]Study on Recognition of Typical Curing Stages of Jiangxi Tobacco Leaves Based on Image Processing. 段史江,,刘浩,,王爱华,,胡毅翀,,齐飞,,胡强. 2024

[13]Study on Discriminant Model of Flue-curing Stage of Tobacco Leaves in Curing Process. 王志诚,,孟令峰,,王松峰,,谢良文,,李文刚. 2024

[14]基于YOLO与扩散模型的冠层环境灰茶尺蠖幼虫检测方法. 罗学论,Mostafa GOUDA,宋馨蓓,胡妍,张文凯,何勇,张瑾,李晓丽. 2025

[15]Ag-YOLO: A Real-Time Low-Cost Detector for Precise Spraying With Case Study of Palms. Zhenwang Qin,Wensheng Wang,Karl Heinz Dammer,Leifeng Guo,Zhen Cao. 2021

[16]Convolutional Neural Network for Object Detection in Garlic Root Cutting Equipment. Yang, Ke,Peng, Baoliang,Gu, Fengwei,Zhang, Yanhua,Wang, Shenying,Yu, Zhaoyang,Hu, Zhichao. 2022

[17]Ag-YOLO: A Real-Time Low-Cost Detector for Precise Spraying With Case Study of Palms. Zhenwang Qin,Wensheng Wang,Karl Heinz Dammer,Leifeng Guo,Zhen Cao. 2022

[18]Experimental Study of Garlic Root Cutting Based on Deep Learning Application in Food Primary Processing. Yang K.,Yu Z.,Gu F.,Zhang Y.,Wang S.,Peng B.,Hu Z.. 2022

[19]Mapping Maize Planting Densities Using Unmanned Aerial Vehicles, Multispectral Remote Sensing, and Deep Learning Technology. Jianing Shen,Qilei Wang,Meng Zhao,Jingyu Hu,Jian Wang,Meiyan Shu,Yang Liu,Wei Guo,Hongbo Qiao,Qinglin Niu,Jibo Yue. 2024

[20]PAB-Mamba-YOLO: VSSM assists in YOLO for aggressive behavior detection among weaned piglets. Xue Xia,Ning Zhang,Zhibin Guan,Xin Chai,Shixin Ma,Xiujuan Chai,Tan Sun. 2025

作者其他论文 更多>>