基于改進MobileNetV2的煙絲種類識別

中圖分類號：TS493 文獻標識碼：A 文章編號：2095-5553（2025）08-0058-08

Abstract：To address theissue of smallandindistinguishable tobacco strands morphology among different types，a tobacco strandsclasification method basedon the improved MobileNetV2 was proposed in this study.The method employedMobileNetV2as the base network and introduceda multi-scale feature fusion moduletocapturerichdetailsof tobaccostrands.Excessive bottlenecks inthe backbone network wereremoved，and the clasifierwasredesigned toreduce networkdepth.Knowledgedistilationtechniqueswereincorporated，utilizingatransfer-learnedResNet5Onetwork to guide the trainingof themodified MobileNetV2 for lightweight model implementation.Experimentalresults demonstrated that the improvedMobileNetV2-based tobacco strands clasification method achieved an accuracyof 95.37% in recognizing various tobacco strands types，showing an 8.6% improvement over the baseline network. The parameter count was reduced to 0.62M ，a decrease of 1.61M compared to the baseline network.Furthermore，when compared to traditional classificationnetworks（GoogLeNet，AlexNet，ResNet50，VGG16），the proposed method exhibited higher accuracy in tobacco strands recognition with lower computational complexity.

Keywords：tobacco strands identification；deep learning；convolutionalneural network；knowledgedistilation；lightweight

0 引言

隨著各類煙草制品的需求量逐年攀升，煙草已經成為全球性產業。葉絲、梗絲、膨脹煙絲和再造煙絲的配方比例是重要質量指標，影響到卷煙制品的口感、香氣和煙霧的排放等性能。因此，實現高效快速的煙絲種類識別對進一步提升煙草生產流程的煙支品質、研制新型配方煙以及提高煙草生產設備的智能化水平和市場競爭力都至關重要。

近年來，機器視覺和深度學習相結合的圖像處理技術開始廣泛應用于農業的檢測任務中，如作物害蟲圖像分類[1]、果蔬分類、昆蟲分類2等。隨后，基于機器視覺的深度學習技術在煙草及其制品的質量檢測領域也被廣泛研究。He等3提出一種基于模糊識別算法的煙葉等級識別，通過提取煙葉的外形特征對樣本進行分類。劉浩等4探究基于粒子群算法的反向傳播神經網絡、極限學習機和基于遺傳算法的支持向量機3種模型對鮮煙成熟度的判別，為煙葉智能化采集提供技術支持。王士鑫等5針對煙葉分級提出一種新的卷積神經網絡，選取InceptionV3作為模型，將卷積層和網絡層進行融合，將輸入的煙葉圖像經過卷積池化操作后獲得特征信息，提高煙葉識別準確率。焦方圓等6提出一種基于改進VGG16網絡的煙葉分級模型，通過引入空洞卷積代替標準卷積，增加圖像的感受野，并將網絡中的ReLU激活函數改為Leaky_ReLU函數，有效提高煙葉分級的性能。

目前機器視覺在煙葉分級上的應用相對成熟，而在煙絲分類上的應用較少，這也吸引一批學者嘗試用機器視覺技術對煙絲分類進行研究。但煙絲形態差異小且難以識別，給研究帶來一定的挑戰。高震宇等以LeNet網絡為基礎設計了煙絲組分識別模型。鐘宇等[8以殘差神經網絡為基礎，對模型的預訓練權值、算法、學習率等進行優化，使其具有更高的識別率、泛化能力和魯棒性。周博等9利用太赫茲時域光譜技術對葉絲、梗絲、再造煙絲進行分類識別，但并未研究形狀極其相似的葉絲和膨脹葉絲，存在一定的缺陷。Wang等[10]提出一種重疊煙絲種類識別方法，通過改進MaskR—CNN增強網絡的特征提取能力，提高小目標檢測性能。王小明等[1]提出一種基于AdaBoost集成學習的煙絲識別方法，通過研究不同煙絲在紋理、顏色和形狀的差異性，利用 F 一score特征選擇方法對煙絲的紋理、顏色和形狀特征進行降維處理，然后以SVM作為基分類器，利用AdaBoost得到煙絲分類模型。

針對煙絲形態小且不同種類煙絲之間差異小、難以識別的問題，本文從現場實際應用出發，提出一種改進MobileNetV2的煙絲種類識別方法。該方法在MobileNetV2的基礎上增加改進后的多尺度特征融合模塊，去除主干網絡中步距為1的bottleneck并對分類器進行重新設計，使用遷移學習后的ResNet50網絡對改進后的MobileNetV2網絡進行學習指導，并對比不同算法在煙絲種類識別上準確率的差異。

1材料與方法

1.1系統采集裝置

圖像采集裝置由計算機、工業相機、鏡頭、環形光源、載物平臺、白色的平衡卡等硬件組成。相機選用的型號是海康威 MV-CE100-30GC 1 000 萬像素的工業相機。圖像采集使用MVS軟件，為了更好地顯示煙絲的顏色及紋理特征，設置其曝光時間為 1/100s 伽馬校正選擇sRGB模型，打開自動白平衡，同時拍照的背景選用白色平衡卡配合 5000K 的冷光源進行拍攝，鏡頭與煙絲保持 30cm 的距離。

1.2 數據集制作

用圖像采集系統一共獲取6160張圖片，其中梗絲1520張、膨脹葉絲1560張、葉絲1550張、再造煙絲1530張，試驗所用煙絲如圖1所示。將6160張煙絲圖像按照8：2的比例隨機劃分，4928張作為訓練集，1232張作為測試集。

圖14種煙絲類型Fig.1 Four types of tobacco strands

1.3 圖像預處理

考慮到煙絲圖像過小的問題，在將圖像進行深度學習之前，還需對煙絲圖像進行預處理操作，這樣可以減少后續對煙絲圖像特征提取的工作量以及圖像深度學習的時間，如圖2所示。

圖2圖像預處理流程 Fig. 2 Image preprocessing flowchart

將讀入的煙絲圖像進行雙邊濾波處理，在保留圖像細節特征的情況下，對煙絲圖像中的噪聲進行有效的抑制。將濾波后的圖像進行灰度處理，再通過最大閾值法得到前景與背景的閾值，并利用得到的閾值將灰度圖轉為二值化圖像。再進行輪廓篩選，剔除煙絲中存在的碎渣輪廓，對目標輪廓截取最小外接矩形，確定煙絲主體所在區域即ROI區域。為獲得最好的識別效果，減小縮放操作造成的煙絲比例失真影響，將最小外接矩形根據長寬均勻擴充為正方形，最終將該正方形區域從原圖中裁剪出來。

2 模型構建

2.1 MobileNetV2模型

MobileNetV2的模型結構如表1所示。

表1MobileNetV2網絡結構Tab.1MobileNetV2networkarchitecture

注：t表示擴展因子，c表示輸出通道數， Ω_n 表示重復次數，s表示卷積步長，k表示該模塊最終輸出通道數。

他網絡具有更小的體積、更少的計算量、更高的準確率以及更快的速度，同時還能適應多種應用場景，例如目標檢測、人臉識別、煙絲種類識別等。

MobileNetV2使用深度可分離卷積3來替代標準卷積，深度可分離卷積由深度卷積（DW）和逐點卷積（PW）兩部分組成，深度卷積對輸入數據的每個通道應用單個固定的卷積核來提取通道內的特征。用 1×1 逐點卷積對提取的特征進行組合，并輸出最終結果，使用反向殘差結構，利用逐點卷積對輸人圖像升維，通過 3x 3的深度卷積提取各通道的特征，用逐點卷積進行降維，反向殘差結構還包括殘差連接分支，當步長為1時，使用殘差連接來跨層傳遞信息；步長為2時，使用串聯結構。采用線性瓶頸模塊替代非線性瓶頸，用線性卷積替代原始卷積并與ReLU函數組合，防止激活函數在低維轉換時過濾太多有效信息，從而提高分類性能。

2.2 MobileNetV2網絡改進

由于煙絲粒徑小、色澤不均、紋理復雜、形態多樣等特點，尤其是膨脹葉絲和葉絲，它們的相似度極高，給煙絲分類識別帶來巨大挑戰。MobileNetV2網絡識別準確率僅有 86.77% ，無法滿足高精度煙絲識別任務的要求，故對MobileNetV2網絡進行改進來提升網絡性能，將綜合改進的網絡命名為I—MobileNetV2—kd ，結構如圖3所示。其中， α，β 表示權重， α+β=1 T 為溫度參數， T_s 為溫度實際值。

2.2.1引入改進的多尺度特征融合模塊

結合GoogLeNet網絡中的多尺度特征融合模塊[14（Inception），并借鑒MobileNetV2網絡中的深度可分離卷積思想對Inception 模塊加以改進，改進后的模塊結構如圖4所示，將普通卷積改為步長為2、不帶殘差連接的串聯結構；并去除原有的最大池化分支；將原結構中的4條支路減少至3條，一條由 1×1 逐點卷積組成，一條由 1×1 逐點卷積 3×3 深度卷積和 1× 1逐點卷積組成，一條由 1×1 逐點卷積、 .5×5 深度卷積和 1×1 逐點卷積組成，使用并行分支的結構對輸人的特征進行提取；因各分支輸出的特征圖大小維度一致，故將原拼接結構改為各分支直接相加的方式后進行輸出，在實現降低參數量的同時不影響準確率。將改進后的多尺度特征融合命名為I—Inception。

為使網絡獲取豐富的煙絲細節信息，考慮將改進后的多尺度特征融合模塊放于網絡前端，方便提取圖像淺層特征，綜合考慮后，將改進后的多尺度特征融合模塊放于第一層卷積和第一個瓶頸模塊之間。將引入改進的多尺度特征融合模塊后的MobileNetV2網絡命名為M—MobileNetV2。

2.2.2 優化主干網絡

為更好地利用主干網絡提取出煙絲細節特征，提升對煙絲種類的識別能力，對主干網絡和分類器部分重新進行設計。在主干網絡部分，過多的bottleneck導致網絡深度增加，會丟失部分特征，淺層特征難以得到保存。因此，對bottleneck的設置進行調整，從原始網絡中可以看出，使用步長為1的bottleneck進行重復操作，但并沒有縮小輸出尺寸，為保證網絡特征信息的有效傳遞，降低網絡深度，將步長為1的bottleneck模塊刪去，并同時調整輸入輸出通道的數量，減少網絡的參數量與計算量。

為避免數據集中特征數不多，造成模型學習困難，對分類器也進行重新設計，先將bottleneck結束之后的 1×1 大小的Conv2d的輸出通道數由1280改為320。緊接著全局平均池化不做改動，將特征圖壓縮至 7²×320 ，提取出每張特征圖上最為明顯的特征點。全連接層是由320到4的連接，得到4種煙絲類別識別結果。將優化主干網絡后的MobileNetV2網絡命名為O—MobileNetV2。

2.2.3 引入知識蒸餾

知識蒸餾[15是將一個復雜模型（通常稱為“教師模型\"）的知識轉移給一個相對簡單的模型（通常稱為“學生模型”），以減少小型模型的復雜度并提高推理速度，同時保持高準確度。在知識蒸餾中，教師模型被用來生成軟標簽。學生模型通過監督學習的方式，學習這些軟標簽，同時也會被監督學習真實標簽。這樣，學生模型既可以受到教師模型的指導，又可以學習到真實標簽的信息，從而獲得更優良的性能。

將自建煙絲數據集在一些常見網絡上進行訓練，具體結果如表2所示。可見，ResNet5O網絡的準確率最高，MobileNetV2網絡的參數量、模型文件都是最小的，更加輕量化。因此，選取MobileNetV2為學生模型的基礎網絡，ResNet5O為教師模型。將引入知識蒸餾后的MobileNetV2網絡命名為MobileNetV2—kd，結構如圖5所示。

表2常用卷積神經網絡對比 Tab.2 Comparison of commonly used convolutional neural networks

將使用預訓練的ResNet5O網絡在ImageNet數據集上進行訓練，訓練后將其遷移到自建的煙絲數據集上作為教師網絡，傳遞其優秀的特征表達能力，將MobileNetV2作為學生網絡。利用知識蒸餾原理，用教師網絡對學生網絡進行訓練，從而有效提高學生網絡的分類精度。

3 試驗結果與分析

3.1試驗平臺與參數設置

3.1.1 試驗平臺

試驗基于WindowslO操作系統，選擇Pytorch深度學習框架作為訓練和驗證模型的主要工具，具體配置如表3所示。

表3試驗平臺參數配置Tab.3 Experimental platform parameter configuration

3.1.2 參數設置

試驗訓練知識蒸餾溫度設置為10，使用交叉熵損失函數，選用Adam優化器，設置學習率為 0.000 1 訓練批次為16、訓練輪數為50。

3.2知識蒸餾中教師網絡與溫度的分析

3.2.1遷移學習對知識蒸餾中教師網絡的影響

為探究遷移學習對教師網絡的影響，從ResNet50網絡遷移前后煙絲的準確率、損失值進行驗證。將訓練集中的煙絲分別送入無遷移學習的ResNet5O網絡和有遷移學習的ResNet5O—TL網絡[16]中，對比結果如圖6所示。

由圖6（a）可知，ResNet5O—TL網絡最高準確率為94.72% ，ResNet5O網絡最高準確率為 91.96% 。ResNet5O—TL網絡剛開始準確率就高于 80% ，僅僅迭代幾輪準確率就高達 90% ，而且后期的穩定性和最終準確率明顯優于ResNet5O網絡，準確率提高2.76% ，煙絲分類的準確率得到明顯提升。同時，從圖6（b）可以明顯看出，使用遷移學習的網絡不僅損失值低，且損失值的收斂速度也很快。

3.2.2試驗溫度對知識蒸餾的影響

在知識蒸餾中，溫度對試驗模型起著關鍵作用[17]。如圖7所示，較高的溫度會使Softmax分布更為平滑，這使得模型更加容易進行分類并減少其對特定類別的依賴性。另一方面，較低的溫度則會導致更尖銳的Softmax分布，這可能會增加模型對于特定類別的依賴性，從而降低其泛化能力。因此，選擇適當的溫度參數極其重要。

圖7不同溫度參數概率分布 Fig.7Probabilitydistributionofdifferent temperatureparameter：

注：橫坐標0、1、2、3分別表示梗絲、膨脹葉絲、葉絲、再造煙絲。

考慮到溫度會影響蒸餾效果，在不同的溫度下對同一個模型進行訓練，找到最佳溫度。首先，取試驗溫度參數 T 分別為1、5、10、20，然后，將ResNet50—TL網絡作為教師模型，將MobileNetV2網絡作為學生模型進行訓練，訓練結果如表4所示，一味升高溫度并不能使準確率一直上升，溫度過高準確率反而下降。當T=10 時，網絡準確率為 93.43% ，同時精確率、召回率等參數也是最優的。所以，為保證后續試驗效果最佳，選用的溫度參數 T 均為 10 。

表4不同溫度試驗結果Tab.4 Experimental results at different temperatures %

3.3 消融實驗

采用消融實驗對各種改進網絡在同一自建煙絲數據集上進行訓練，并對其結果進行分析。各模型所做改進、準確率值和參數量如表5所示，增加改進多尺度特征融合模塊后的MobileNetV2，參數量僅增加 0.03M 但準確率提高 4.7% 。優化主干網絡后的O—MobileNetV2網絡表現最為亮眼，參數量僅有 0.58M 在大幅減少模型參數量的同時準確率也提高 6.09% ，說明MobileNetV2根據煙絲的實際特點進行的優化改進是十分有效的，原網絡結構存在復雜冗余的情況，阻礙了特征信息的流動，降低了識別能力。引人知識蒸餾后的MobileNetV2網絡準確率提升 6.66% ，說明引入知識蒸餾能夠很好地優化原網絡，進一步提高煙絲復雜特征的提取能力。

綜合改進后的網絡相比MobileNetV2參數量下降72. 20% ，準確率提升 8.6% 。說明借助教師網絡進行學習指導以及自身模型優化之后，參數量大幅降低，識別能力得到極大提升。

表5消融實驗結果 Tab.5Results of ablation experiment

各模型對煙絲分類的識別準確率變化曲線和損失值變化曲線如圖8所示。由圖8（a）可知，MobileNetV2波動最大，上升最為緩慢，且后續準確率一直在 85% 附近上下波動，無法穩定。M—MobileNetV2準確率從一開始就有了很大的提升，說明多尺度特征融合模塊能夠充分地提取煙絲圖像中淺層的豐富多尺度特征。I—MobileNetV2—kd不超過5輪迭代，準確率就能達到 90% 左右，相比其他模型收斂更快，后續也更加平穩。由圖8（b）可知，改進后的網絡在前10輪的損失值下降速度都很快，而I—MobileNetV2—kd的收斂速度明顯優于其他網絡，而且后續下降更平緩，波動較少，模型表現更加穩定。

3.4 不同模型對比

為驗證所提出的基于改進MobileNetV2煙絲種類識別方法的性能，選取一些常見的神經網絡（GoogLeNet、AlexNet、ResNet5O、VGGl6）在自制煙絲數據集上進行訓練對比。

具體訓練結果如圖9所示，MobileNetV2網絡收斂速度較快，但準確率較低也不穩定；GoogLeNet網絡計算效率高，但特征提取能力不佳，訓練十幾輪后準確率僅穩定在 85% 左右；AlexNet網絡推行較早，細節特征提取能力不佳，最終準確率也僅為 87% 左右；VGG16網絡因帶有龐大參數的全連接層，在煙絲數據集上表現不佳，準確率均低于 85% ;ResNet50網絡在煙絲數據集上表現不錯，準確率高達 92% ，但不如I-MobileNetV2—kd網絡準確率穩定且收斂速度快。試驗證明，I—MobileNetV2—kd不僅準確率高且收斂速度快，能夠更好地識別煙絲種類，有利于現場實際部署應用。

所提出的I—MobileNetV2—kd模型不僅煙絲識別準確率高還非常輕量化，選取MobileNetV2、ResNet5O—TL、Light—VGG[18]三種模型作為對比。如表6所示，分別從準確率、參數量、模型文件大小以及單張圖像預測時間4個方面進行詳細的比較，其中選取了單張預測時長的原因是在深度學習用于煙絲圖像分類任務時，預測時間是一個重要的指標，耗時過長會影響現場的實際部署應用。與原網絡相比，雖然I—MobileNetV2—kd的單張圖片預測時間增加0.037s，但其準確率提升 8.6% ，參數量減少 72.2% ，模型大小降低 71.9% ，模型的準確性和泛化性更好，能夠更好地滿足卷煙廠生產線的實際需求。ResNet5O—TL網絡模型參數量與模型大小最大，而且準確率并沒有超過 95% 。Light—VGG模型總體性能有所提高，但不如I—MobileNetV2—kd輕量化。

表6各模型指標對比 Tab.6 Comparison of various model indicators

3.5 混淆矩陣

為更加清晰地顯示各模型對每種煙絲的識別效果，圖10為不同改進模型對應分類結果的混淆矩陣。可以看出，再造煙絲是最好識別的煙絲類型，除MobileNetV2正確識別為298張外，其余4種網絡能夠正確識別302張以上。MobileNetV2對其余3種煙絲的識別效果不佳，其中正確識別的膨脹葉絲只有263張，識別準確率僅為 80.7% 。通過增加多尺度融合模塊，對梗絲、膨脹葉絲和葉絲的識別性能顯著提高；通過優化主干網絡，對膨脹葉絲和葉絲的識別性能有所提高；結合知識蒸餾方法，學習教師網絡知識后，對難以區分的膨脹葉絲和葉絲兩種煙絲識別性能繼續提高，正確張數分別為278張和298張，說明學生網絡經過改進并結合知識蒸餾的學習后能夠有效提升識別性能。

3.6煙絲識別試驗結果

為驗證I—MobileNetV2—kd模型的準確性和泛化能力，在測試集中隨機選擇梗絲、膨脹葉絲、葉絲和再造煙絲各100張，如圖11所示。

對所選擇的400張煙絲圖像進行種類識別，識別結果如表7所示。在100張梗絲圖像中，梗絲的識別準確率為 97% ；在100張膨脹葉絲圖像中，膨脹葉絲的識別準確率為 95% ；在100張葉絲圖像中，葉絲的識別準確率為 96% ；在100張再造煙絲圖像中，再造煙絲的識別準確率為 99% 。從而證明I—MobileNetV2—kd模型具有較好的泛化能力。

表7I—MobileNetV2—kd模型的煙絲識別結果

Tab.7 Tobacco strands recognition results of theI—MobileNetV2—kdmodel

4結論

1）針對煙絲形態小且不同種類煙絲之間差異小不易識別的問題，提出一種基于改進MobileNetV2的煙絲種類識別方法。該方法在MobileNetV2網絡中引入改進的多尺度特征模塊，在降低參數量的同時不影響準確率；減少主干網絡中步長為1的bottleneck，并調整優化器和最后的輸出通道數，進而提高模型對煙絲的識別能力；結合知識蒸餾技術使用遷移學習后的ResNet50網絡對改進后的MobileNetV2網絡進行學習指導，在提高準確率的同時實現模型輕量化。

2）改進后煙絲種類識別算法I—MobileNetV2—kd，有效解決煙絲形態小不易識別的問題，實現對4種煙絲的準確識別;I—MobileNetV2—kd的識別準確率高達 95.37% ，參數量低至 0.62M ；與GoogLeNet、AlexNet、ResNet50、VGG16相比，準確率分別提高6.97%.8.07%.3.37%.10.79% ，參數量分別降低5.38M，13.98M，22.88M，133.68M 試驗結果表明，I—MobileNetV2—kd煙絲種類識別算法在實現輕量化的同時又提高了煙絲的識別準確率，對卷煙廠的實際生產起到一定的指導意義。

參考文獻

[1］陳繼清，韋德鵬，龍騰，等．基于卷積神經網絡的害蟲分類[J].中國農機化學報，2022，43（11）：188—194.Chen Jiqing，WeiDepeng，Long Teng，et al.Pest

classificatio based on convolutional neural network [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（11）：188—194.

[2]Amarathunga D C，Ratnayake M N，Grundy J，et al. Fine-grained image classification of microscopic insect pest species：Western flower thrips and plague thrips [J]. Computers and Electronics in Agriculture，2O22，203： 107462.

[3]He Y，Wang H，Zhu S，et al. Method for grade identification of tobacco based on machine vision [J]. Transactions of the ASABE，2018，61（5）：1487-1495.

［4］劉浩，孟令峰，王松峰，等．基于機器視覺的烤煙鮮煙成 熟度判別模型優選[J]．中國農機化學報，2023，44（8）： 118—124. Liu Hao，Meng Lingfeng，Wang Songfeng，et al. Optimizationoffreshflue-curedtobaccomaturity discrimination model based on machine vision [J]. Journal of Chinese Agricultural Mechanization，2O23，44（8）： 118—124.

［5］王士鑫，云利軍，葉志霞，等．一種基于卷積神經網絡的 煙葉分級處理算法[J].云南民族大學學報（自然科學 版），2020，29（1）：65—69. Wang Shixin，Yun Lijun，Ye Zhixia，et al.A tobacco leaf grading processing algorithm based on convolutional neural network [J]. Journal of Yunnan Minzu University （Natural Sciences Edition），2020，29（1）：65-69.

［6］焦方圓，申金媛，郝同盟．一種基于卷積神經網絡的煙葉 等級識別方法[J]．食品與機械，2022，38（2）：222—227. Jiao Fangyuan， Shen Jinyuan，Hao Tongmeng. A method of tobacco leaf grade recognition based on convolutional neural network[J]．Food amp;Machinery，2022，38（2）： 222-227.

［7］高震宇，王安，董浩，等．基于卷積神經網絡的煙絲物質 組成識別方法[J]．煙草科技，2017，50（9）：68—75. Gao Zhenyu，Wang An，Dong Hao，et al. Identification of tobacco components in cut filler based on convolutional neural network [J]. Tobacco Science amp;.Technology， 2017，50（9）： 68-75.

［8］鐘宇，周明珠，徐燕，等．基于殘差神經網絡的煙絲類型 識別方法的建立[J].煙草科技，2021，54（5）：82—89. Zhong Yu，Zhou Mingzhu，Xu Yan，et al. A method for identifying types of tobacco strands based on residual neural network [J]． Tobacco Science amp;.Technology，2021， 54（5）：82-89.

［9］周博，朱文魁，王趙改，等．基于太赫茲時域光譜技術的 煙草組分識別［J]．農業工程學報，2022，38（10）： 310—316. Zhou Bo， ZhuWenkui， WangZhaogai，etal. Identification of tobacco materials based on terahertz time-domain spectroscopy[J]. Transactionsofthe Chinese Society of Agricultural Engineering， 2022， 38（10）：310-316.

[10]Wang L， Jia K，Fu Y，et al. Overlapped tobacco shred image segmentation andareacomputation usingan improved Mask R—CNN network and COT algorithm [J]. Frontiers in Plant Science，2023，14：1108560.

[11]王小明，魏甲欣，馬飛，等．基于AdaBoost集成學習 的煙絲組分識別[J]．食品與機械，2022，38（3）： 205—211. Wang Xiaoming，Wei Jiaxin，Ma Fei，et al. Identifrcation of cut tobacco components based on AdaBoost ensemble learning[J].Foodamp;Machinery，2022，38（3）： 205—211.

[12]Gulzar Y. Fruit image classification model based on MobileNetV2 with deep transfer learning technique [J]. Sustainability，2023，15（3）：1906.

[13]Dai Y，Li C，Su X，et al. Multi-scale depthwise separable convolution for semantic segmentation in street-road scenes[J].Remote Sensing，2023，15（10）：2649.

[14]魯夢瑤，周強，姜舒文，等．基于深度學習與多尺度特征 融合的烤煙煙葉分級方法[J]．中國農機化學報，2022， 43（1）：158-166. Lu Mengyao， Zhou Qiang，Jiang Shuwen， etal. Flue-cured tobacco leaf grading method based on deep learning and multi-scale feature fusion [J]. Journal of Chinese Agricultural Mechanization，2022，43（1）： 158-166.

[15]Arablouei R，Wang L，Phillips C，et al. In-situ animal behavior classification using knowledge distillation and fixed-pointquantization[J].SmartAgricultural Technology，2023，4：100159.

[16]WulF，Lin H. Effect of transfer learning on the performance of VGGNet—16 and ResNet—5O for the classification of organic and residual waste [J]. Frontiers in Environmental Science，2022，10：2129.

[17］劉坤香．基于知識蒸餾的泥石流災害溝谷分類研究［D]. 昆明：云南師范大學，2022. Liu Kunxiang. Study on gully classification of debris flow disaster based on knowledge distillation [D]. Kunming ： Yunnan Normal University，2022.

[18］牛群峰，袁強，靳毅，等．基于改進VGG16卷積神經網 絡的煙絲類型識別[J]．國外電子測量技術，2022， 41（9）：149-154. Niu Qunfeng，Yuan Qiang，Jin Yi，et al.Identification of tobacco strandstypes basedon improved VGG16 convolutional neural network [J]. Foreign Electronic Measurement Technology，2022，41（9）：149—154.