基于可转移特征表示的轻量级病检测研究
1College of Big Data, Yunnan Agricultural University, Kunming 650201, China.
Plants (Basel, Switzerland)
|February 27, 2026
概括
本研究介绍了一种实用的知识蒸方法,以改善在田间检测叶病的情况. 该方法通过转移来自高容量教师模型的特征来增强轻量级模型,从而提高精准农业的准确性.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 叶病严重影响作物产量和质量.
- 手动疾病监测是劳动密集型的,对于大规模农业来说是不切实际的.
- 在现场部署人工智能模型面临诸如域名转移和有限的硬件容量等挑战.
研究的目的:
- 开发一种高效,准确的方法,在现场条件下检测叶病.
- 解决实验室训练模型在现实环境中应用时的性能退化问题.
- 在现场部署的硬件中克服计算资源的局限性.
主要方法:
- 提出了一种使用可转移特征表示的知识蒸方法.
- 使用了一种高容量的YOLOv12-L教师模型,在实验室图像上进行了预训练.
- 在教师模型的指导下,在现场图像上训练了一个紧的YOLOv12-N学生模型.
主要成果:
- 蒸的YOLOv12-N学生模型在现场测试组中获得了81.1%的mAP@50.
- 与基线YOLOv12-N模型相比,表现出3.5%的性能改善.
- 学生模型在只有256万个参数和6.3个GFLOP的情况下保持了效率.
结论:
- 在轻量级检测中的性能增长主要来自于转移教师模型的特征表示.
- 高质量的特征转移对于跨领域的农业视觉任务至关重要.
- 拟议的方法为精准农业中实时检测叶病提供了可通用和高效的解决方案.