基于轻量化深度神经网络与迁移学习的多目标花卉图像识别研究

这篇综述系统探讨了轻量化深度神经网络（DNN）与迁移学习在花卉多目标识别中的应用。研究通过优化YOLOv4模型（采用MobileNetV3/CSPDarknet53_tiny轻量化主干网络）实现30FPS以上的实时检测，并构建强监督分类模型（结合ShuffleNet与生成对抗网络GAN数据增强），显著提升模型泛化能力与鲁棒性。成果为农业自动化采收提供了高效技术方案。

　　

研究背景与技术挑战

花卉产业作为绿色经济的重要组成部分，其采收环节长期依赖人工，自动化水平亟待提升。传统CNN模型（如VGGNet、ResNet）虽在ImageNet竞赛中表现优异，但存在参数量大、硬件要求高等问题，难以部署在低性能设备。花卉图像具有颜色形态相似、背景复杂等特点，亟需兼顾精度与效率的轻量化解决方案。

创新方法与技术路线

研究提出双路径优化策略：

1. 轻量化目标检测模型

   • 主干网络替换：将YOLOv4默认的CSPDarknet53替换为MobileNetV3或CSPDarknet53_tiny，其中MobileNetV3采用深度可分离卷积与SE注意力模块，引入h-swish激活函数（ReLU6(x+3)/6）降低计算量。

   • 性能对比：优化后模型参数量减少70%，检测速度达32FPS，mAP提升5.2%。

2. 强监督分类模型

   • 数据增强：通过亮度调整、水平翻转等传统方法扩充数据集至9850张，并引入GAN生成80张虚拟样本（见图6），缓解小样本过拟合问题。

   • 迁移学习：采用ImageNet预训练的ShuffleNet模型，相比从头训练收敛速度提升3倍，测试集准确率达94.7%。

关键技术突破

• 锚框优化：采用K-means聚类生成先验框尺寸，使IOU阈值提升至0.82。

• 注意力机制：在特征金字塔网络（FPN）中嵌入CBAM模块，使遮挡场景识别率提高12%。

• 训练策略：Mosaic数据增强与余弦退火学习率调度联合使用，损失函数下降速度加快40%。

应用验证与局限性

在自建14类花卉数据集（含非洲菊、向日葵等）测试中：

• 轻量化模型对密集花朵的检测准确率（89.3%）接近原YOLOv4（91.5%），但模型体积缩小至1/8。

• 强监督分类在田间复杂光照条件下仍保持85%以上准确率，但GAN生成图像存在纹理模糊问题（见图6）。

未来展望

研究团队计划：

1. 融合Transformer架构提升长距离特征捕捉能力

2. 开发嵌入式设备部署方案，推动农业机器人实际应用

3. 构建百万级花卉-环境多模态数据库，探索表型组学关联分析