使用结合剪枝与量化技术的优化残差模型自动估计番茄成熟度
计算机视觉与模式识别
2025-03-17 v1
摘要
番茄成熟度在优化采收时机和确保产品质量方面发挥着关键作用，但现有方法难以同时实现高精度与高计算效率。现有的深度学习方法虽然准确，但往往计算需求过大，无法在资源受限的农业环境中实际应用。相比之下，简单的技术无法捕捉精确分类所需的细微特征。本研究旨在开发一种计算高效的番茄分类模型，采用 ResNet-18 架构，并通过迁移学习、剪枝和量化技术进行优化。我们的目标是应对双重挑战：在保持高准确率的同时，在低功耗边缘设备上实现实时性能。随后，这些模型被部署在边缘设备上，以研究其在番茄成熟度分类中的性能。量化模型达到了 97.81% 的准确率，每张图像的平均分类时间为 0.000975 秒。经过剪枝和自动调优的模型在部署指标上也展现出显著改善，进一步凸显了优化技术的优势。这些结果凸显了一种平衡解决方案的潜力，能够满足现代农业生产对准确率和效率的需求，为在资源受限环境中的实际部署铺平了道路。
引用
@article{arxiv.2503.10940,
title = {Automated Tomato Maturity Estimation Using an Optimized Residual Model with Pruning and Quantization Techniques},
author = {Muhammad Waseem and Chung-Hsuan Huang and Muhammad Muzzammil Sajjad and Laraib Haider Naqvi and Yaqoob Majeed and Tanzeel Ur Rehman and Tayyaba Nadeem},
journal= {arXiv preprint arXiv:2503.10940},
year = {2025}
}