PKD-YOLOv8:軽量ラップシード害虫検知のための協調的な剪定と知識蒸留フレームワーク
Haifeng Yu1, Qingting Luo1, Wei Peng1
1College of Information and Intelligence, Hunan Agricultural University, Changsha 410128, China.
Sensors (Basel, Switzerland)
|August 28, 2025
まとめ
この研究は,ラップシード害虫を検出するための軽量なAIモデルを導入し,高精度を維持しながら,サイズと計算の必要性を大幅に削減します. 最適化されたモデルは,作物の保護に役立つ,エッジデバイスの優れたリアルタイムパフォーマンスを示しています.
科学分野:
- 農業科学
- コンピュータ・ビジョン
- 人工知能
背景:
- ラップシードは 世界的に重要な作物で 害虫による重大な脅威に直面しています
- 有効な害虫管理は,ラップの生産と経済的価値の維持に不可欠です.
- 現存する検出方法には,フィールドアプリケーションの効率やリアルタイム機能が欠けている可能性があります.
研究 の 目的:
- 軽量で効率的な深層学習モデルを開発し,ラップシード害虫を検出する.
- YOLOv8sモデルを圧縮して 端末の性能を向上させる
- 新しい蒸留戦略を通じてモデルの特徴表現能力を強化する.
主な方法:
- モデルの分析と感度評価に基づく構造化カットを使用した.
- ロジットとMGDの蒸留を統合した新しい軽量モデル (LMGD) の蒸留戦略を提案した.
- 実験的な検証のために専用のラップシード害虫データセット (ACEFP) を開発しました.
主要な成果:
- mAP@0. 5の96. 7%,ACEFPデータセットの93. 2%の精度,および92. 7%のリコールを達成しました.
- 圧縮されたモデルのサイズは11.2MBから4.4MB (60.7%削減) と,FLOPは28.3Gから10.01G (64.6%削減) になりました.
- ジェットソン・ナノで11.76FPSを達成し,リアルタイムの推論を実現しました.
結論:
- 提案された軽量なコラボレーション式圧縮学習方法は,モデルのサイズと計算負荷を効果的に削減します.
- LMGD蒸留戦略は,重要な精度損失なしに,学生モデルのパフォーマンスを向上させます.
- 最適化されたモデルは,農業におけるエッジ展開に適した優れたリアルタイムの害虫検出能力を示しています.


