通过知识蒸馏提高轻量级杂草检测性能
计算机视觉与模式识别
2025-07-17 v1
摘要
杂草检测是精密农业的关键组成部分，促进针对性除草剂应用并减少环境影响。然而，在资源受限的平台上部署准确的目标检测模型仍具有挑战性，尤其是当区分植物表型应用中常见的视觉相似杂草种类时。本文我们研究通道注意力蒸馏（CWD）和掩码生成蒸馏（MGD），以增强智能喷洒系统中轻量模型的性能。采用 YOLO11x 作为教师模型，YOLO11n 作为参考模型和学生模型，CWD 和 MGD 均有效地将知识从教师模型传递到学生模型。我们的实验在由糖 beet 作物和四种杂草类型（Cirsium、Convolvulus、Fallopia 和 Echinochloa）组成的真实世界数据集上进行，所有类别的 AP50 均得到一致提高。蒸馏后的 CWD 学生模型相对于基线提高了 2.5%，MGD 提高了 1.9% 的 mAP50，而且未增加模型复杂度。此外，我们在 Jetson Orin Nano 和 Raspberry Pi 5 嵌入式设备上评估了学生 YOLO11n 模型的实时部署可行性，进行五次独立运行以评估随机种子下的性能稳定性。这些发现确认 CWD 和 MGD 是一种有效、高效且实用的方法，可提高基于深度学习的精密农业和植物表型场景中的杂草检测准确率。
引用
@article{arxiv.2507.12344,
title = {Improving Lightweight Weed Detection via Knowledge Distillation},
author = {Ahmet Oğuz Saltık and Max Voigt and Sourav Modak and Mike Beckworth and Anthony Stein},
journal= {arXiv preprint arXiv:2507.12344},
year = {2025}
}