基于深度残差网络的茶园杂草分类及模型压缩方法研究

高琪娟，李春波，金 秀，李叶云，吴慧平

(1. 安徽农业大学信息与计算机学院，合肥230036；2. 安徽农业大学茶树生物学与资源利用国家重点实验室，合肥230036；3. 安徽农业大学植物保护学院，合肥230036)

在茶园生态环境下，茶园杂草与茶树争夺水肥和光照，是影响茶园产量的重要因素之一[1]。当前主要采用喷施除草剂除草，不合理的施肥会带来环境污染及食品安全等问题[2-3]。近年来，智能化除草技术发展迅速，如何对杂草分类是实现智能化除草技术的关键问题[4]。随着现代化农业的发展，利用计算机的图像和视觉处理技术，将杂草分类结果反馈给除草机器或者将数据传达给除草的人是未来研究的课题。

目前，利用基于机器学习的方法在杂草分类技术领域取得了很多进展，李慧等提出利用主成分分析（principal components analysis，PCA）和支持向量机（support vector machine，SVM）的方法对棉花杂草分类，并通过实验取得了很好的分类效果[5]。刘冥羽利用k-means算法结合层级聚类方法对农作物中的杂草图片分类，提高了分类的准确性[6]。随着深度学习的兴起，卷积神经网络（convolutional neural network，CNN）在图像分类任务中的应用越来越广泛，能够自动提取到图像的特征，降低图像的分类错误率。2012年AlexNet模型有效提高了大规模数据集的图像分类准确率后[7]，卷积神经网络的发展方向是层数的加深，产生了效果更加的VGGNet模型[8]，例如，周云成等[9]提出了一种基于VGGNet的8层CNN优化结构TD-Net，实现了对番茄主要器官的分类识别。随着模型深度加深，训练会增大训练误差，于是Szegedy等在2015年提出了深度残差网络ResNet50[10]。……