面向無人機(jī)邊緣計(jì)算的小麥麥穗計(jì)數(shù)輕量化模型研究

摘 要： 小麥麥穗的高效計(jì)數(shù)對快速、準(zhǔn)確掌握小麥產(chǎn)量具有重要意義。無人機(jī)由于具有效率高、成本低等特點(diǎn)被廣泛應(yīng)用于大田小麥信息的采集。但已有的用于小麥麥穗計(jì)數(shù)的深度學(xué)習(xí)模型結(jié)構(gòu)復(fù)雜、參數(shù)量大，不能直接部署在存儲空間有限的無人機(jī)的邊緣設(shè)備上。針對這一問題，提出了一種融合剪枝策略和知識蒸餾的模型壓縮方法，基于YOLOv5s 模型構(gòu)建了一種輕量化模型，并設(shè)計(jì)了面向無人機(jī)邊緣計(jì)算的小麥麥穗計(jì)數(shù)輕量化方案。試驗(yàn)結(jié)果表明，經(jīng)過模型剪枝和知識蒸餾輕量化處理的YOLOv5s 模型，在小麥計(jì)數(shù)任務(wù)上的計(jì)數(shù)準(zhǔn)確率為93.3%，模型的mAP（meanAverage Precision，平均精度均值）達(dá)到94.4%，模型大小縮小了約76%，模型參數(shù)量減少了79.61%。因此，模型在保持較高的計(jì)數(shù)準(zhǔn)確率的同時(shí)將會占用更少的計(jì)算資源和存儲空間，顯著的壓縮效果使模型可以部署在無人機(jī)的邊緣設(shè)備上，為小麥麥穗的實(shí)時(shí)計(jì)數(shù)提供了可能。

關(guān)鍵詞： 麥穗計(jì)數(shù)；無人機(jī)；深度學(xué)習(xí)；邊緣設(shè)備；剪枝；蒸餾

中圖法分類號： TP391.41 文獻(xiàn)標(biāo)識碼： A 文章編號： 1000-2324（2024）03-0453-13

小麥產(chǎn)量與國家糧食安全和經(jīng)濟(jì)效益有關(guān)，小麥穗數(shù)是評價(jià)小麥產(chǎn)量的關(guān)鍵指標(biāo)，小麥穗數(shù)的及時(shí)、準(zhǔn)確計(jì)數(shù)對產(chǎn)量預(yù)測具有重要的現(xiàn)實(shí)意義［1］。隨著人工智能技術(shù)的迅速發(fā)展，尤其是深度學(xué)習(xí)在圖像識別和處理方面的強(qiáng)大能力，已成為農(nóng)業(yè)智能化的關(guān)鍵技術(shù)［2，3］。

傳統(tǒng)的小麥穗數(shù)采集方法主要包括人工田間產(chǎn)量預(yù)測、基于歷史數(shù)據(jù)的產(chǎn)量預(yù)測、基于年度情況的預(yù)測和利用遙感影像的預(yù)測。人工現(xiàn)場判斷依賴于經(jīng)驗(yàn)，準(zhǔn)確性較低且勞動(dòng)強(qiáng)度大。使用體積法測量小麥密度不僅成本高，而且效率低。遙感方法使用衛(wèi)星圖像作為樣本，但由于圖像距離地面較遠(yuǎn)，只適用于大規(guī)模處理和分析，因此小麥預(yù)測的精度較低。隨著圖像識別技術(shù)的發(fā)展，利用圖像數(shù)據(jù)進(jìn)行麥穗檢測和計(jì)數(shù)已成為一種更為有效的方法［4］。傳統(tǒng)的圖像處理方法雖然可以在簡單環(huán)境下實(shí)現(xiàn)麥穗計(jì)數(shù)，但存在特征工程復(fù)雜、識別精度低和可移植性差等問題。相較之下，基于深度學(xué)習(xí)的麥穗識別方法提供了更加有效的解決方案。

近年來，已有很多學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)用于小麥麥穗檢測或計(jì)數(shù)。Hasan［5］等采用深度學(xué)習(xí)方法，成功實(shí)現(xiàn)對麥穗的檢測和計(jì)數(shù)，其準(zhǔn)確率最高可達(dá)94%。Madec［6］等學(xué)者利用卷積神經(jīng)網(wǎng)絡(luò)從低空間分辨率的RGB 圖像中識別麥穗。Zhao［7］等研究者提出了一種改進(jìn)的基于Yolov5的方法，能夠準(zhǔn)確檢測無人機(jī)（Unmanned AerialVehicle， UAV）圖像中的麥穗數(shù)量。Gong［8］等學(xué)者提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的麥穗檢測方法，其平均精度值為94.5%。另外，Xie［9］等研究者引入特征金字塔及在線負(fù)樣本挖掘技術(shù)，提出了一種基于深度學(xué)習(xí)的麥穗檢測方法，成功實(shí)現(xiàn)對麥穗的檢測，檢測精度達(dá)到92.9%。Shi［10］等提出了一種新的麥穗檢測算法YOLOv5s-t，通過改變空間金字塔中的卷積核大小來對麥穗進(jìn)行檢測，其平均精度值可以達(dá)到97.4%。Qiu［11］等利用局部小麥數(shù)據(jù)集對原始YOLOv5 模型結(jié)構(gòu)進(jìn)行優(yōu)化，利用GhostNet 輕量級模塊對YOLOv5模型結(jié)構(gòu)進(jìn)行優(yōu)化，降低了模型的參數(shù)和計(jì)算復(fù)雜度，改進(jìn)后的模型mAP為96.60%。

無人機(jī)技術(shù)具有成本低、操作方便、效率高等特點(diǎn)，被廣泛應(yīng)用于了小麥麥田信息的采集［12］。由于主干特征提取網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，參數(shù)眾多，已有的用于小麥麥穗計(jì)數(shù)的卷積神經(jīng)網(wǎng)絡(luò)只能部署在地面的中心服務(wù)器。近年來，為了提高麥穗檢測的實(shí)時(shí)性并減少數(shù)據(jù)傳輸?shù)难舆t，越來越多的研究聚焦于開發(fā)可部署于無人機(jī)邊緣設(shè)備的輕量化模型。這些模型通過簡化計(jì)算過程和減少模型大小，使得無人機(jī)能夠在飛行過程中實(shí)時(shí)進(jìn)行麥穗檢測和計(jì)數(shù)，極大地提高了作業(yè)效率和數(shù)據(jù)處理速度。在小麥麥穗檢測和計(jì)數(shù)領(lǐng)域，Bhagat［13］等提出了一種輕量級的WheatNet-Lite 結(jié)構(gòu)，采用混合深度卷積算法，在骨干網(wǎng)絡(luò)中加入一個(gè)反向的殘余瓶頸來設(shè)計(jì)輕量化模型。Dong［14］等引入了空間維度和通道維度的極化自注意，并采用Shuffle 單元將這兩種注意機(jī)制有效地結(jié)合起來用在小麥穗檢測上。Shen［15］等利用ShuffleNetV2 輕量級卷積神經(jīng)網(wǎng)絡(luò)對YOLOv5s 模型進(jìn)行輕量化設(shè)計(jì)。Li［16］等將DCNv3 作為主干網(wǎng)內(nèi)的部分卷積，采用FasterNet中的PConv 作為ELAN-W 模塊的標(biāo)準(zhǔn)卷積，從而達(dá)到模型輕量化的目的。上述研究均是通過輕量化卷積、特征融合等人工設(shè)計(jì)方法來對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行輕量化的。大田環(huán)境下，小麥麥穗密集，多個(gè)麥穗易存在粘附疊加現(xiàn)象，并且采集的麥穗圖片的質(zhì)量受外界環(huán)境和拍攝角度影響較大，因此大田小麥麥穗數(shù)據(jù)具有復(fù)雜性的特點(diǎn)。而人工設(shè)計(jì)的輕量化卷積神經(jīng)網(wǎng)絡(luò)對于復(fù)雜的任務(wù)或數(shù)據(jù)集，可能難以達(dá)到最佳性能。并且人工設(shè)計(jì)的輕量化卷積神經(jīng)網(wǎng)絡(luò)一旦設(shè)計(jì)完成后，要對網(wǎng)絡(luò)進(jìn)行更新或改進(jìn)可能需要重新設(shè)計(jì)和訓(xùn)練，成本較高。相對于人工設(shè)計(jì)方法，基于現(xiàn)有模型進(jìn)行優(yōu)化和壓縮的方法則具有更新成本低、性能保持等優(yōu)點(diǎn)。

在眾多的模型壓縮技術(shù)中，剪枝和知識蒸餾是兩種常用的模型壓縮技術(shù)［17］，它們在減少模型參數(shù)量和提升推理效率方面都有顯著的優(yōu)勢。剪枝通過消除模型中冗余的連接和參數(shù)來減小模型的體積，降低計(jì)算資源需求，并提高推理速度。知識蒸餾則是引入一個(gè)輔助的小模型（教師模型），來引導(dǎo)學(xué)習(xí)一個(gè)更小而高效的模型（學(xué)生模型），在保持模型性能的同時(shí)減小模型的體積。在小麥麥穗計(jì)數(shù)領(lǐng)域，使用剪枝或知識蒸餾構(gòu)建輕量化模型的研究較少。Shi［10］等構(gòu)建了一個(gè)數(shù)據(jù)集，涵蓋了小麥的三個(gè)生長階段：開花、灌漿和成熟，以YOLOv5s 模型為基礎(chǔ)進(jìn)行剪枝，減少了模型參數(shù)量，使模型權(quán)重僅為9.1 MB。但此輕量化的模型大小仍有改進(jìn)的空間。

因此，本文嘗試將剪枝和知識蒸餾兩種方法結(jié)合，充分發(fā)揮它們各自的優(yōu)勢，對模型進(jìn)行輕量化設(shè)計(jì)，在保持較高準(zhǔn)確率的同時(shí)，盡可能地減小模型大小，實(shí)現(xiàn)一個(gè)能有效進(jìn)行小麥麥穗計(jì)數(shù)的輕量化模型，并使其能夠搭載在無人機(jī)邊緣設(shè)備上，實(shí)現(xiàn)小麥麥穗的實(shí)時(shí)檢測和計(jì)數(shù)。

1 材料與方法

1.1 數(shù)據(jù)集構(gòu)建

1.1.1 數(shù)據(jù)采集 數(shù)據(jù)采集點(diǎn)位于山東省泰安市山東農(nóng)業(yè)大學(xué)泮河校區(qū)農(nóng)學(xué)試驗(yàn)站，位置位于山東省泰安市泰山區(qū)在東經(jīng)117°09′～117°10′和北緯36°09′～36°10′之間，海拔約120 m。該地區(qū)屬于溫帶季風(fēng)氣候，適合小麥的種植和生產(chǎn)。地理位置圖如圖1所示。

由于無人機(jī)具備數(shù)據(jù)采集高效、節(jié)約人力資源、不影響小麥生長環(huán)境等優(yōu)勢，并能方便實(shí)現(xiàn)大范圍的數(shù)據(jù)采集［18］，因此本文基于大疆PHANTOM 4 PRO V2.0 無人機(jī)進(jìn)行麥穗數(shù)據(jù)采集。搭載高分辨率攝像頭的無人機(jī)在預(yù)定的飛行高度上對小麥麥田進(jìn)行連續(xù)航拍，為了清晰拍攝小麥麥穗圖像，飛行速度設(shè)置為1 m/s，其余飛行參數(shù)設(shè)置詳見表1。