PRS2Net:通过削和注意力机制的高效智能胡卜检测模型
Huayu Fu1, Hongfei Zhu2, Yifan Zhao1
1Qingdao Agricultural University, Qingdao, China.
Journal of the science of food and agriculture
|August 23, 2025
概括
一个新的轻量级深度学习网络PRS2Net显著提高了胡卜质量检查的效率. 它将参数和训练时间缩短50%以上,同时保持高精度.
科学领域:
- 农业科学
- 计算机视觉
- 机器学习
背景情况:
- 胡卜富含营养,对人类健康至关重要.
- 现有的深度学习模型对胡卜质量评估有很高的计算成本和参数冗余性.
- 有效的自动化质量检查对于农业和食品行业至关重要.
研究的目的:
- 开发一个轻量级和高效的深度学习网络,用于自动化胡卜质量检查.
- 解决当前模型中高计算成本和多余参数的局限性.
- 提高胡卜质量评估的速度和准确性.
主要方法:
- 我们比较了四个深度学习网络:GoogleNet,MobileNet-v2,ResNet18和ResNet50.
- 选择了ResNet18作为新型轻量级网络PRS2Net的基础.
- 通过第一阶段的泰勒扩展应用修剪,并结合了注意力机制来优化ResNet18.
主要成果:
- PRS2Net将可学习的参数从11,173,764减少到444,152个.
- 在验证组中达到97.25%的准确性.
- 与最初的ResNet相比,训练时间缩短了约53. 15%.
结论:
- 对于胡卜质量评估的速度和效率,PRS2Net提供了显著的改善.
- 开发的轻量级网络为自动化农业系统提供了实用,资源高效的解决方案.
- 这种进步可以降低运营成本,提高食品工业应用的可扩展性.
