技术特征：
1.一种基于改进yolo v5网络模型的马铃薯病害识别方法，其特征在于，包括以下步骤：s1，通过神经网络剪枝、知识蒸馏、actnn、低精度量化和激活权重压缩过程构建基于改进yolo v5的深度神经网络模型；s2,获取马铃薯病害图片数据，经过对病害图片的筛选、扩充后获得数据集；s3，对数据集中的马铃薯病害图像进行预处理，并将预处理之后的数据集分为训练集、测试集和验证集；s4，采用训练集对构建的基于改进yolo v5的深度神经网络模型进行训练，获取基于改进yolo v5的深度神经网络模型的各个参数指标，得到训练后的基于改进yolo v5的深度神经网络模型；s5，采用验证集对训练后的基于改进yolo v5的深度神经网络模型进行验证，对测试结果的精度进行评价。2.根据权利要求1所述的基于改进yolo v5网络模型的马铃薯病害识别方法，其特征在于，步骤s1中采用的神经网络剪枝通过识别网络中存在的几何中位数相接近filters，通过消除冗余的filters及其相关的输入输出关系，达到精简权重加速推理的目的；其中，几何中位数的计算公式如公式1所示：其中x
*
是d维空间中参数最小值，表示几何中位数；f(x)是计算n点a1至a
i
的欧式距离之和最小值,每个公式(2)利用公式(1)几何中位数来获得i层内所有filters的欧式距离之和：公式(2)利用公式(1)几何中位数来获得i层内所有filters的欧式距离之和：公式(2)利用公式(1)几何中位数来获得i层内所有filters的欧式距离之和：公式(2)利用公式(1)几何中位数来获得i层内所有filters的欧式距离之和：公式(2)利用公式(1)几何中位数来获得i层内所有filters的欧式距离之和：表示i层的filters，x是i层的张量，式(3)表示i层的几何中位数，g(x)中所有filters欧式距离之和代入式(3)，得到i层内最小的几何中位数，表示该层的数据中心；若考虑存在i层中与几何中位数相接近的filters是冗余的，则可以认为此filters是可以被替代的，式(4)计算得到的表示临近可替代的filters，被替代网络临近区域对整个网络来说影响很小，所以，对网络模型所有层确定可替代的filters；式(2)与式(4)可以进一步表示为式(5)，由式(4)可知可被替代，即为则g
′
(x)＝g(x)。
3.根据权利要求1所述的基于改进yolo v5网络模型的马铃薯病害识别方法，其特征在于，步骤s1中的知识蒸馏过程包括以下内容：以原始模型作为教师模型，剪枝后的原始模型为学生模型，教师模型按照既定原则，使用一系列超参数使所述教师模型收敛到最优状态；然后，使用与所述教师模型的相同的超参数对所述学生模型进行知识蒸馏训练；蒸馏训练总损失包括蒸馏损失以及学生损失，其中所述蒸馏损失使用教师模型soft labels与soft predictions共同作用，学生损失通过系数β修正教师模型与学生模型蒸馏损失的错误率，由此得到总损失计算公式如下所示：l
total
＝αl
soft
+βl
hardhard
其中，l
total
表示总损失，l
hard
是学生损失；l
soft
中，n为标签数量，为教师模型在系数t的softmax输出在i类的值；为学生模型在系数t的softmax输出在i类的值；l
hard
中，为学生模型在t＝1下softmax输出在i类的值，c
j
为i类上的ground truth值,正标签取1，负标签取0。4.根据权利要求3所述的基于改进yolo v5网络模型的马铃薯病害识别方法，其特征在于，步骤s1中的采用actnn对yolo v5进行动态式随机量化过程具体包括：通过关注激活量化上下文来降低数值精度，从而实现在训练时对权重、激活和优化器的量化压缩。5.根据权利要求1所述的基于改进yolo v5网络模型的马铃薯病害识别方法，其特征在于，步骤s2中获取马铃薯病害图片数据，经过筛选、扩充后获得数据集具体包括：构建plant fruit disease数据集，将所述plant fruit disease数据集中的图片分别进行如下的数据增强处理，以扩充数据集：1)，对数据集中的图片进行随机旋转0
°
、90
°
、180
°
或270
°
；2)，以0.2随机概率改变数据集中图像的亮度、对比度、饱和度，以此来模拟图像在不同天气拍摄照片差异；3)，在图像中随机添加运动模糊或者中值滤波，以模拟在田野环境中拍摄的不同定义的图像，随机概率值为0.2；4)将数据集中的图像随机添加gauss noise或者multiplicative noise噪声；对经过以上增强处理步骤的图像通过填充0像素将图像的分辨率扩展或缩放为512
×
512像素，由此获得扩充后的数据集。6.根据权利要求5所述的基于改进yolo v5网络模型的马铃薯病害识别方法，其特征在于，所述plant fruit disease数据集基于ai challenger数据集、pld开源数据集以及
plant village。7.根据权利要求1所述的基于改进yolo v5网络模型的马铃薯病害识别方法，其特征在于，步骤s3中对扩充后的数据集进行预处理具体包括：从图像的色相、饱和度、明度与结构四个方面度量图像相似性，使用structural similarity index算法，设置相似度阈值为0.95，过滤掉相似度高于0.95的图像，获得预处理后的数据集；将预处理后的数据集划分为训练集、验证集和测试集的比例具体为：按照9:1划分训练验证集、测试集，训练与验证集则继续按照8:2划分。8.根据权利要求1所述的基于改进yolo v5网络模型的马铃薯病害识别方法，其特征在于，步骤s5中的精度评价指标采用精度dp、召回率drr、f1分数和平均精度map，具体计算过程如下：程如下：程如下：程如下：
技术总结
本发明提供了一种基于改进YOLO V5网络结构的马铃薯病害识别方法，该方法使用RA、FocalLoss、SmoothBCE策略改进神经网络架构，同时还提出了模型参数压缩剪枝与知识蒸馏；模型内存激活参数压缩ActNN两条技术路线，用于不同硬件条件下的模型训练与识别，最后利用简化算子与INT8量化进一步优化，并在面向移动端深度学习推理平台NCNN进行部署，形成工业级解决方案。在51,772张马铃薯作物病害图像中达到了94％的mAp，每个样本的推理时间平均为1.5毫秒。因此，本研究可以为解决当前农业图像分类中常见的问题提供坚实的理论与实践基础，同时在精度和计算成本方面优势能满足农业工业化的需求。的需求。的需求。
技术研发人员：代国威 樊景超
受保护的技术使用者：中国农业科学院农业信息研究所
技术研发日：2022.03.30
技术公布日：2022/6/28