结合两步压缩与内卷积的 DenseNet 用于资源高效的植物病害分类
计算机视觉与模式识别
2025-06-03 v1
摘要
农业对全球粮食安全至关重要，但农作物易受影响产量和质量的病害侵袭。尽管卷积神经网络（CNN）能利用叶片图像准确分类植物病害，但其高昂的计算需求阻碍了其在智能手机、边缘设备和实时监测系统等资源受限环境中的部署。本研究提出了一种结合权重剪枝和知识蒸馏的两步模型压缩方法，并将 DenseNet 与内卷积层进行混合。剪枝减少了模型大小和计算负荷，而蒸馏通过从较大的教师网络转移知识来提升较小的学生模型的性能。混合化增强了模型高效捕获空间特征的能力。这些压缩模型适用于实时应用，通过快速病害识别和作物管理促进精准农业。结果表明，ResNet50 在压缩后表现优异，在 PlantVillage 和 PaddyLeaf 数据集上分别达到 99.55% 和 98.99% 的准确率。针对效率优化的基于 DenseNet 的模型在参数量极小的情况下，录得 99.21% 和 93.96% 的准确率。此外，混合模型达到了 98.87% 和 97.10% 的准确率，支持了能效设备在及时病害干预和可持续农业实践中的实际部署。
引用
@article{arxiv.2506.00735,
title = {Involution-Infused DenseNet with Two-Step Compression for Resource-Efficient Plant Disease Classification},
author = {T. Ahmed and S. Jannat and Md. F. Islam and J. Noor},
journal= {arXiv preprint arXiv:2506.00735},
year = {2025}
}