PKD-YOLOv8:用于轻量级大麻虫检测的合作修剪和知识蒸框架
Haifeng Yu1, Qingting Luo1, Wei Peng1
1College of Information and Intelligence, Hunan Agricultural University, Changsha 410128, China.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了一种轻量级的人工智能模型来检测菜虫害,显著减少了尺寸和计算需求,同时保持了高精度. 优化模型在边缘设备上显示出优异的实时性能, 有助于作物保护.
科学领域:
- 农业科学
- 计算机视觉
- 人工智能
背景情况:
- 是一种重要的全球作物,
- 有效的害虫防治对于保持大麻种子的生产和经济价值至关重要.
- 现有的检测方法可能缺乏实地应用的效率或实时功能.
研究的目的:
- 开发一种轻量级,高效的深度学习模型来检测菜虫害.
- 压缩一个YOLOv8s模型以提高边缘设备的性能.
- 通过一种新的蒸策略来增强模型的特征表示能力.
主要方法:
- 使用基于模型分析和灵敏度评估的结构化修剪.
- 提出了一种新的轻量级蒸模式 (LMGD) 战略,将Logit和MGD蒸整合起来.
- 为实验验证开发了一套专门的菜虫害数据集 (ACEFP).
主要成果:
- 在ACEFP数据集中实现了96.7%的mAP@0.5,93.2%的准确性和92.7%的回忆.
- 压缩模型大小从11.2MB降至4.4MB (减少60.7%),FLOP从28.3G降至10.01G (减少64.6%).
- 保持高精度,只有0.1%的降低,并实现了11.76 FPS的Jetson纳米实时推断.
结论:
- 拟议的轻量级协作压缩学习方法有效地减少了模型大小和计算负载.
- 在没有显著的精度损失的情况下,LMGD蒸策略提高了学生模型的性能.
- 优化模型显示出优秀的实时病虫检测能力, 适合农业边缘部署.


