杂草对农业生产的负面影响日益严重,高效的杂草检测方法对推动农业可持续发展至关重要。然而,现有的杂草检测模型在检测精度和效率方面仍存在提升空间。该研究基于YOLOv5,引入知识蒸馏技术,并整合多个教师模型的知识,旨在提高模型在棉田杂草检测中的精度和实时检测能力。首先,提出了一种基于温度系数的Logits软投票机制,通过动态调整教师模型的蒸馏损失权重,有效融合各教师模型的优势。同时,还提出了基于注意力机制的多教师特征融合方法,动态加权突出关键特征,抑制冗余信息。结果表明,该研究提出的YOLOv5s-CWD在模型精度和实时检测性能上均表现优异,F1分数(F1-score, F_(1))为94.5%,平均精度均值(mean average precision, mAP)在验证集和测试集上分别为96.8%和93.6%,帧率(frames per second, FPS)为46.71帧/s,浮点运算数(giga floating point operations, GFLOPs)为4.1,模型大小为2.9 MB。与YOLOv5s相比,YOLOv5s-CWD在验证集上的m AP仅降低0.9个百分点,FPS提高约57.22%,计算复杂度降低约74.38%,模型大小减少约79.86%。与YOLOv7相比,YOLOv5s-CWD在验证集上的mAP降低1.3个百分点,FPS提高约1 076.57%,计算复杂度和模型大小大幅优化。与YOLOv10s相比,YOLOv5s-MGD在验证集上的mAP降低0.9个百分点,FPS提高约143.41%,计算复杂度降低约83.27%,模型大小降低约82.42%。综上所述,YOLOv5s-CWD在保证高精度的同时,显著提升了检测速度、计算效率和存储性能,适用于在性能受限设备上实时检测,为棉田杂草检测提供了有力的技术支持。
暂无评论