基于知识蒸馏的多教师棉田杂草检测模型.pdfVIP

第

41

卷

第

7

期农

业

工

程

学

报Vol.41No.7

2002025

年

4

月Transactions

of

the

Chinese

Society

of

Agricultural

EngineeringApr.

2025

基于知识蒸馏的多教师棉田杂草检测模型

1,2,31,2,31,2,341,2,31,2,3※

朱养鑫

，郝珊珊

，郑伟健

，金诚谦

，印祥

，周鹏

（1.

山东理工大学农业工程与食品科学学院，淄博

255000；2.

山东理工大学现代农业装备研究院，淄博

255000；

3.

山东省大田作物智慧农业技术与智能农机装备重点实验室，淄博

255000；

4.

农业农村部南京农业机械化研究所，南京

210014）

摘要：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）为94.5%，平均精度均值（mean

average

precision,

mAP）在验证集和测试集上1

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mAP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。

关键词：杂草检测；图像处理；深度学习；YOLO；知识蒸馏

doi：10.11975/j.issn.1002-6819.202411218

中图分类号：S126；S233.3；TP181文献标志码：A文章编号：1002-6819(2025)-07-0200-11

朱养鑫，郝珊珊，郑伟健，等.

基于知识蒸馏的多教师棉田杂草检测模型[J].

农业工程学报，2025，41(7)：200-210.

doi:

10.11975/j.issn.1002-6819.202411218

ZHU

Yangxin,

HAO

Shanshan,

ZHENG

Weijian,

et

al.

Multi-teacher

cotton

field

weed

detection

model

based

on

knowledge

distillation[J].

Transactions

of

the

Chinese

Society

of