一種基于GhostNet的綠色類圓果實識別方法

摘要： 為實現果園實際環境中綠色類圓果實的識別，研究了基于單階段目標檢測網絡的綠色類圓果實識別方法。本研究對比4種不同輕量化卷積網絡模型，以GhostNet作為本研究網絡的主干特征提取網絡，將提取到的特征信息利用復雜雙向多尺度融合網絡進行融合，最后以改進后的YOLO_Head作為預測頭，建立適合本研究的目標檢測網絡。結果表明，在果園背景下本研究構建的目標檢測網絡對綠色類圓果實的均值平均精度達到96.8%，每張圖片檢測所用的時間為37 ms，網絡內存占用大小為11.8 M，實現了對綠色類圓果實的快速、準確識別，能夠為早期果樹的產量預估、病蟲害識別提供技術支撐。

關鍵詞： 目標檢測；輕量化卷積網絡；特征融合；綠色類圓果實

中圖分類號： TP391.41 文獻標識碼： A 文章編號： 1000-4440（2023）03-0724-08

A green round-like fruits identification method based on GhostNet

LI Heng， NAN Xin-yuan， GAO Bing-peng， MA Zhi-gang

（School of Electrical Engineering， Xinjiang University/Siemens Laboratories， Urumqi 830017， China）

Abstract： In order to realize the recognition of green round-like fruits in the actual environment of orchards， the recognition method of green round-like fruits based on one-stage object detection network was studied. In this study， four different lightweight convolutional network models were compared. GhostNet was used as the backbone feature extraction network of this research network. The extracted feature information was fused by bidirectional feature pyramid network（BiFPN）. Finally， the improved YOLO_Head was used as the prediction head to establish a target detection network suitable for this study. The experimental results showed that the final detection accuracy of the green round-like fruits in the object detection network constructed in the context of orchard reached 96.8%， the detection speed of a single image reached 37 ms， and the memory occupancy size of the network was 11.8 M， which realized the rapid and accurate identification of green round-like fruits， and could provide technical support for the yield estimation and disease and pest identification of early fruit trees.

Key words： object detection;lightweight convolutional networks;feature fusion;green round-like fruits

中國是傳統農業大國，水果種植面積、產量、消費量早已位居世界第一，然而中國的水果種植業仍以人力為主，自動化、機械化水平與發達國家相比存在一定差距。近年來為了應對中國人口紅利的衰減，順應國家提出的數字農業戰略，將機器視覺與農業相結合成為國內學者研究的關注點。利用機器視覺可以更好地實現早期果樹的產量預估、果樹病蟲害的早期識別并及時進行防治、實現成熟果實的精準采摘等[1-3]。此外，多數果樹果實在生長階段會具備綠色、類圓特征，因此對綠色類圓果實精準識別是非常有研究價值的。

然而在實際環境中，綠色類圓果實與果園背景相近，且葉片、枝干遮擋果實、果實相互重疊遮擋，給綠色類圓果實的識別造成一定的影響[4-6]。目前國內外相關研究為上述識別過程中存在的難點提供了部分解決辦法。在傳統機器學習目標檢測算法方面，Bansal等[7]應用快速傅里葉變換（FFT）對正常環境下的綠色柑橘進行識別，在構建的數據集上達到82.2%的識別準確率。盧軍等[8]利用類圓果實在自然光下圖像具有環形光照分布的輪廓特征，將Hough變換與該輪廓特征及局部二值模式（LBP）紋理特征進行結合，最終進行圓擬合，該方法的果實識別召回率達到82.3%，然而該方法只適用于正常光照條件下，不能對復雜環境中的果樹果實進行精準識別。馬翠花等[9]利用無監督的顯著性檢測方法密集稀疏重構（DSR），完成未成熟的綠色番茄的檢測任務，最終識別率達到77.6%，然而該研究存在強光下漏檢率高、誤檢率高的缺陷。謝忠紅等[10]改進Hough變換，提出類圓果實檢測方法，但精度低且存在誤檢漏檢。Liu等[11]利用顏色與形狀特征檢測蘋果，網絡召回率達到85.0%，但存在魯棒性較差問題。與傳統方法相比，現階段深度卷積神經網絡不局限于表面特征，以更高維的視角對特征進行全面學習，充分挖掘檢測目標的特征信息，從而更好地滿足更精準的識別要求。李頎等[12]在ResNet50網絡中引入金字塔結構及遮擋補償機制，最終實現了果粒排列密集相互遮擋的葡萄果實檢測。劉芳等[13]以Darknet-20網絡為基礎，引入融合多尺度檢測模塊，重構檢測網絡，最終利用采摘試驗實現了對番茄果實的識別。岳有軍等[14]利用級聯卷積神經網絡研究番茄果實的檢測問題，實現番茄的快速檢測。賈偉寬等[15]對Transformer結構進行優化，并結合前饋神經網絡（FFN）結構構建目標檢測網絡，對綠色蘋果、柿子進行識別，最終識別精度分別達到93.27%、91.35%。上述方法僅針對某種特定果實構建網絡進行檢測，并沒有某個網絡可以對不同的綠色類圓果實進行識別，網絡的泛化性、普適性還有待提升。

綜上所述，本研究擬構建目標檢測網絡對多類綠色類圓果實進行檢測，在提升網絡檢測精度及速度的同時，提高網絡的泛化性、適用性。本研究擬借助GhostNet網絡，通過引入復雜多向特征融合網絡及改進后的YOLO_Head，提出基于GhostNet的綠色類圓果實檢測網絡，實現對自然環境下綠色類圓果實的快速精確檢測，以期為早期果實計數、果實病蟲害識別、綠色類圓果實采摘等提供參考。

1 材料與方法

1.1 目標檢測網絡

現階段國內外學者用來構建檢測網絡的方法總體上可分為兩類（圖1）：一類是基于區域進行提名的兩階段檢測網絡，如RCNN[16-17]系列網絡，這類網絡先生成區域候選框，再通過卷積神經網絡進行分類、回歸修正以達到預測目的；另一類是直接端到端的單階段目標檢測網絡，如YOLO[18-19]系列、SDD[20]系列網絡，此類網絡不需要生成候選框，而是直接利用網絡提取到的檢測對象特征直接進行預測。2類方法各有優劣，兩階段檢測網絡因為要生成候選框所以檢測速度較慢，卻能更好地保證檢測精度，而單階段目標檢測網絡恰恰相反，有著更快的檢測速度，但檢測精度低于兩階段網絡。

因此，為了快速、準確地實現綠色類圓果實的檢測，本研究構建端到端的單階段目標檢測網絡，在網絡中添加加權特征融合網絡并利用改進后的YOLO_Head同時進行分類和回歸，在實現快速檢測的同時保證網絡的檢測精度。

1.2 本研究網絡構建

1.2.1 輕量化卷積網絡 卷積神經網絡一經提出就引起各國研究者的廣泛關注，目標檢測網絡方面的學者將其引入檢測識別任務，然而大多數學者都在考慮如何提升網絡性能，提高網絡的識別準確性，這就導致卷積神經網絡的深度越來越深、參數越來越多，然而卻忽視了現實環境中普通計算機的算力、空間存儲有限，很難在一般的硬件及嵌入式設備上進行檢測任務，不利于目標檢測在現實生活中的應用。基于此谷歌實驗室提出InceptionNet，首次提及卷積網絡輕量化概念，后續學者參考InceptionNet提出并構建了基于不同方法的輕量化卷積網絡模型[21]，如SqueezeNet，利用剪枝、量化、張量分解、知識蒸餾等方法壓縮重構模型；MobileNet、ShuffleNet使用較小卷積核，使網絡結構更加緊湊，達到輕量化目的。

GhostNet的構建方式則不同于上述輕量化卷積網絡，相較于其他網絡輕量化方法，GhostNet將關注點放在了卷積之后生成的大量冗余特征圖上，這些冗余特征圖的作用是對檢測目標主要特征圖進行補充，保證網絡對檢測對象有更全面、充分的認識，然而在實際檢測任務中，此類冗余特征圖卻僅能發揮很小的作用，但生成這些冗余圖卻需要消耗計算機大量算力，如此一來，既浪費計算機的算力，也不能更好地幫助網絡提升檢測任務精度。基于此，GhostNet構建了Ghost模塊，利用Ghost模塊以更快、更節省計算機算力的方式來生成冗余圖。

Ghost模塊提取檢測目標特征過程如圖2顯示，其操作過程可以分為2部分，第一部分操作與多數卷積神經網絡相似，利用給定大小的卷積核（卷積核大小可隨意設置，而不是僅局限于大小為1的卷積核）對輸入圖像進行操作，獲取檢測對象各個通道的特征圖；第二部分操作時Ghost模塊并沒有直接繼續利用卷積核對已有多通道特征圖直接進行卷積，而是利用深度卷積（圖3）分別對每個單一通道進行卷積來獲取大量冗余的特征圖；最后通過拼接2部分獲得的特征圖并不斷堆疊Ghost模塊，即可搭建任意層數的輕量級GhostNet，更便捷、高效地提取待檢測目標的特征。

1.2.2 特征融合網絡 為了更好地利用特征提取網絡提取出的特征圖，對檢測目標特征進行更全面的學習，需要對從不同尺度圖像中提取的目標對象特征圖進行融合。

早期的目標檢測網絡并沒有特征融合的概念，無論是單階段還是雙階段目標檢測網絡都只是在最后一次卷積操作提取特征圖后直接接檢測頭進行預測，可想而知，這種用單一的特征圖直接表示檢測對象的方式并不能高效、全面地幫助網絡學習，也不利于網絡的檢測精度。因此，后期的學者在構建目標檢測網絡時開始關注每次特征提取后的特征圖（圖4），利用不同尺度的特征圖直接組成或進行融合后組成特征金字塔，從而更好地完成目標檢測任務，獲得更準確的檢測結果。

圖5顯示，復雜雙向多尺度融合網絡（BiFPN）是在特征金字塔的基礎上既添加了自頂向下通道傳遞高層特征進行融合，又加入自底向上通道融合底層特征信息，此外在進行融合時并不是像傳統特征融合一樣簡單地對特征圖進行疊加、相加、拼接操作，而是通過計算不同尺度特征圖在檢測任務中占據的權重完成特征信息的融合。

計算權重是因為來自不同層卷積操作后的特征圖分辨率不同，需要上采樣或卷積操作保持相同分辨率后進行融合，而上采樣或卷積操作的特征圖及原分辨率特征圖對融合后特征圖的貢獻并不一樣，因此需要通過權重對不同重要程度的特征有重點地進行學習，對特征圖中的信息進行有區別地融合。此外，BiFPN的加權特征融合采用快速歸一化融合方式，具體融合方式以圖5的C6層進行融合輸出結果P6舉例說明。

融合過程具體分為2步，首先對C6和C7層的輸入特征圖進行融合，融合過程如公式1：

其次將公式1結果與C6層輸入及C5層輸出P5進行融合操作，融合過程如公式2：

公式1、公式2中的ε是避免數值不穩定的小數值，一般取0.000 1；C6、C7分別指代原始圖像經第6、第7次卷積之后的結果；P6表示第6次卷積后的最終輸出；P5表示第5次卷積后的最終輸出；P1表示第1次卷積后的最終輸出；UpSample表示上采樣操作；Conv為下采樣操作；ω是學習到的各輸入對于融合結果重要程度所占權重參數，這些權重參數類似于注意力機制中的權重，可以區分特征融合結果對不同特征的依賴程度，此外利用Relu函數保證權重參數的穩定性ωi≥0，并對其進行歸一化操作，使其范圍限定在[0，1]。

1.2.3 改進的YOLO_Head YOLO_Head是目標檢測網絡YOLO系列網絡提出的檢測頭，在各公開數據集的檢測中都有較好的表現，可以實現檢測目標的精準定位，然而由于本研究檢測對象為綠色果實，綠色果實相較于其他數據集中的動物、人、車等目標相對較小，因此需要對YOLO檢測頭進行改進，使其更好地進行小目標識別。

原始YOLO_Head在大、中、小3個不同尺度的特征圖上進行檢測，為了更好地檢測小目標，本研究在原始3個檢測層的基礎上添加一個對小目標進行檢測的檢測層，從而提升改進后YOLO_Head的小目標檢測精度。此外，由于對預測頭進行改進，因此需要重新對本研究數據集中的真實目標檢測錨框聚類，從而使預測頭能夠更有效地匹配檢測對象的預測框，減小預測框與實際目標位置的偏離程度，并提高被遮擋物體的識別精度。

本研究采用K-means++算法對綠色果實數據集中29 085個檢測對象的標記錨框聚類，因為本研究改進后的YOLO_Head需要在4個不同尺度，且每個尺度有3個檢測框的基礎上進行錨框預測，因此人為設定聚類中心個數K=12。此外，由于本研究不再是對坐標點進行聚類，而是對真實錨框聚類，因此在聚類時不再使用歐式距離作為度量值，改為使用其他真實框與聚類中心框的面積交并比（IoU）作為度量真實框與聚類中心的距離，IoU越小，表明真實框與聚類中心重疊面積越小，其越遠離聚類中心。新的距離計算公式：

式中，B表示數據集中真實框集合；C表示聚類初始選取的錨框集合；d表示距離；IoU表示真實框與聚類中心框的面積交并比。最終通過不斷進行IoU計算及迭代調整聚類中心框的尺度，獲取了適合本研究采取的錨框尺度（表1）。

1.2.4 Ghost_BY目標檢測網絡 本研究單階段目標檢測網絡主要包含3大部分：主干特征提取網絡、特征加權融合網絡及增加一個檢測層的YOLO_Head預測頭，其網絡框圖如圖6所示。輸入層接受圖像并經過圖像預處理，將輸入圖像按網絡輸入要求進行縮放或擴充，使其滿足網絡輸入要求，接著進行歸一化、Mosaic數據增強等操作，對數據集進行數據增強處理，隨后將處理后的圖像送入GhostNet，經過特征提取操作后將全部特征圖送入特征融合網絡BiFPN進行復雜雙向多尺度特征融合，最后利用改進后的YOLO_Head進行預測，對預測出的錨框本研究采用非極大值抑制回歸算法（NMS）來獲取最佳預測框，實現檢測目標的標記及定位。

1.3 試驗準備

1.3.1 數據集的獲取與預處理 本研究選取青核桃、青桃子、青桔、青李子、青梅、青蘋果、青番茄、青棗8種綠色果實為研究對象（圖7），使用紅米k40pro手機作為拍攝設備，分辨率2 400×1 080，在2021年5月、7月、8月進入新疆地區的不同果園分時分地進行圖片拍攝，并且人為對拍攝的圖像進行篩選，經人為初步篩選后共采集復雜背景下各類綠色果實圖像4 392張，其中包括青核桃578張、青桔491張、青李子494張、青梅556張、青蘋果546張、青桃子608張、青番茄518張、青棗601張，數據集中果實目標共29 085個，最終使用LabelImg軟件對全部果實目標進行標注。

1.3.2 評價指標 本研究在訓練和測試中使用的計算機硬件環境配置是：處理器為3塊Intel（R） Xeon（R） CPU E5-2678 v3@2.5 GHz型號CPU，CPU內存為8 GB，GPU 型號為NVIDIA Tesla K80，顯卡內存為12 GB，操作系統及軟件環境為：Windows10操作系統、CUDA 11.1版本的并行計算機框架、Cudnn 8.05版本的深度學習加速庫、Pytorch 1.9.1深度學習框架、YOLOv5目標檢測網絡框架，編程語言為Python 3.8。

本研究用來評價目標檢測網絡的具體指標主要包括：以均值平均精度（mAP）評價網絡預測結果的準確率（綜合考慮精確率（P）和召回率（R），利于評價網絡準確性）；以參數量及最終權重文件占用內存大小評價網絡大小；以每張圖片檢測所用的時間（FPS）評價網絡檢測的檢測速度，最終各評價指標的計算公式如下：

式中，TP表示IoU滿足設定閾值的檢測框數目；FP表示IoU沒有滿足設定閾值的檢測框數目；FN表示漏檢的目標數；P表示精確率；R表示召回率；mAP表示均值平均精度；FPS表示每張圖片檢測所用的時間；AP表示平均精度；n表示檢測到待檢目標的檢測框個數；TotalTime指檢測全部驗證圖像所用時間；FigureNumber表示驗證圖像總數。

2 結果與分析

2.1 不同特征提取網絡對目標檢測網絡性能的影響

為了驗證特征提取網絡對本研究網絡檢測性能的影響，本研究在保證網絡使用超參數、迭代次數、訓練技巧不發生改變的基礎上，分別使用SqueezeNet、MobileNet、ShuffNet這3種特征提取網絡與GhostNet相比較，它們的網絡大小、均值平均精度、每張圖片檢測所用的時間見表2。GhostNet特征提取網絡在保證檢測速度的同時，相較于其他提取網絡擁有最高的均值平均精度，達到93.5%，雖然網絡大小比MobileNet多0.3 M，但綜合精度、速度、大小3方面考慮，GhostNet提取網絡是4種提取網絡中的最優選擇，因此本研究選用GhostNet作為特征提取網絡。

2.2 不同特征融合網絡對目標檢測網絡性能的影響

為了探究不同特征融合網絡對本研究構建網絡的影響，分別使用特征金字塔網絡（FPN）、路徑聚合網絡（PANet）、BiFPN對GhostNet所提取到的特征圖進行融合。表3顯示，使用BiFPN對特征圖進行融合的確可以提升模型的檢測精度，最終均值平均精度達到94.9%，高于FPN（93.5%）、PANet（94.0%）特征融合后的均值平均精度，但由于進行多次融合，網絡在內存占用及檢測速度方面稍遜于PANet，內存占用增加0.7 M，檢測速度增加4 ms。

2.3 改進后的預測頭對網絡性能的影響

為了檢驗改進后YOLO_Head的有效性，將改進后YOLO_Head與原始YOLO_Head分別作為檢測網絡的預測頭進行性能對比，除改變預測頭外，檢測網絡其余部分不變，均采用GhostNet作為特征提取網絡，使用BiFPN進行特征融合，數據增強手段、訓練參數均相同。結合圖8和表4可以得出，使用改進后的YOLO_Head作為預測頭本研究目標檢測網絡的均值平均精度達到96.8%，相較于改進前預測頭，提升1.9個百分點，且訓練損失值最終收斂為0.02。

為進一步探究添加微小感受野對目標檢測網絡的影響，按照所拍攝果實的實際大小，對圖片進行人為篩選，重新構建數據集，將數據集果實分為大、中、小3類，其中青棗、青梅為小果實；青核桃、青李子為中等果實；青蘋果、青桃子為大果實。重新構建數據集，然而從頭開始訓練網絡不僅需要足夠大的數據集，還需要消耗大量時間再次訓練網絡，因此為了節省訓練時間，加速訓練網絡的收斂，本研究使用此前訓練結束的綠色類圓果實檢測網絡模型作為新網絡的預測訓練模型，使用遷移學習方法訓練新的網絡，分別使用改進前后預測頭進行預測。表5顯示，改進前后預測頭對中等果實、大果實檢測精度的影響并不明顯，然而對小果實的檢測精度影響較大，改進預測頭后檢測網絡的均值平均精度提升2.1個百分點，最終使檢測網絡的均值平均精度提升0.9個百分點。

2.4 與其他網絡的比較

為了進一步證明本研究構建單階段目標檢測網絡的性能，將本研究構建的檢測網絡與現階段較流行的YOLO系列網絡、Faster RCNN網絡、SDD網絡在數據集不改變、硬件條件不變更的前提下進行對比驗證試驗。結果（表6）表明，對比現階段較流行的網絡，本研究構建的檢測網絡在檢測精度、檢測速度方面均優于Faster RCNN網絡、SDD網絡，網絡模型內存占用大小也有明顯下降；YOLO系列v3、v4網絡雖然在檢測速度方面優于Faster RCNN、SDD網絡，但仍落后于本研究網絡的檢測速度；YOLO系列v5網絡雖然檢測速度稍快于本研究構建網絡，但對綠色類圓果實的檢測精度低于本研究構建網絡，本研究所構建網絡的均值平均精度為96.8%，相較于YOLOv3、YOLOv4、YOLOv5分別提升9.3個百分點、5.3個百分點、2.6個百分點。通過對檢測結果的綜合比較，本研究構建的單階段目標檢測網絡綜合性能更優，更適合綠色類圓果實的檢測。

此外，分析本研究構建網絡對綠色類圓果實的部分檢測結果（圖9），發現本研究構建網絡對暗光環境、正常環境和夜間環境下的圖片均有較好的檢測結果；對密集果實、果實遮擋果實、葉片遮擋果實的檢測也都具備良好的檢測效果。

3 結論

本研究構建的網絡能夠對自然環境復雜果園背景中的綠色類圓果實實現快速、準確識別，與目前主流檢測網絡相比，本研究構建網絡檢測精度優于其他網絡，能夠在背景與檢測目標相近的情況下實現同色系果實的檢測。使用GhostNet作為特征提取網絡可以降低目標檢測網絡占用大小，提高檢測速度，有利于在嵌入式設備及移動端的應用；使用BiFPN作為特征融合網絡可以提升檢測網絡的檢測精度，更好地實現檢測對象的識別預定位；添加檢測層，改進預測頭可以提升網絡對小目標的檢測精度，繼而提升網絡的整體檢測精度。最終，本研究構建的檢測網絡在試驗數據集中的均值平均精度達到96.8% 、每張圖片檢測所用的時間為37 ms、網絡大小11.8 M，滿足了綠色類圓果實快速、準確的識別要求，也利于后續移動端APP或嵌入式設備的開發工作。

參考文獻：

[1] HE Z L， XIONG J T， LIN R， et al. A method of green litchi recognition in natural environment based on improved LDA classifier[J]. Computers and Electronics in Agriculture， 2017， 140： 159-167.

[2] LINKER R， COHEN O， NAOR A. Determination of the number of green apples in RGB images recorded in orchards[J]. Computers and Electronics in Agriculture， 2012， 81： 45-57.

[3] LI H， LEE W S， WANG K. Identifying blueberry fruit of different growth stages using natural outdoor color images[J]. Computers and Electronics in Agriculture， 2014， 106： 91-101.

[4] LU J， SANG N. Detecting citrus fruits and occlusion recovery under natural illumination conditions[J]. Computers and Electronics in Agriculture， 2015，110： 121-130.

[5] 王丹丹，徐 越，宋懷波，等. 融合K-means與Ncut算法的無遮擋雙重疊蘋果目標分割與重建[J]. 農業工程學報，2015，31（10）：227-234.

[6] LI H， LEE W S， WANG K. Immature green citrus fruit detection and counting based on fast normalized cross correlation （FNCC） using natural outdoor colour images[J]. Precision Agriculture， 2016，17（6）： 678-697.

[7] BANSAL R， LEE W S， SATISH S. Green citrus detection using fast Fourier transform （FFT） leakage[J]. Precision Agriculture， 2013， 14： 59-70.

[8] 盧 軍，胡秀文. 弱光復雜背景下基于MSER和HCA的樹上綠色柑橘檢測[J] 農業工程學報，2017，33（19）：196-201.

[9] 馬翠花，張學平，李育濤，等. 基于顯著性檢測與改進Hough變換方法識別未成熟番茄[J].農業工程學報，2016，32（14）：219-226.

[10]謝忠紅，姬長英，郭小清，等. 基于改進 Hough 變換的類圓果實目標檢測[J]. 農業工程學報， 2010， 26（7）： 157-162.

[11]LIU X， ZHAO D， JIA W， et al. A detection method for apple fruits based on color and shape features[J]. IEEE Access， 2019， 7： 67923-67933.

[12]李 頎，楊 軍. 基于多分辨率特征融合的葡萄尺寸檢測[J] 江蘇農業學報， 2022， 38（2）： 394-402.

[13]劉 芳，劉玉坤，林 森，等. 基于改進型YOLO的復雜環境下番茄果實快速識別方法[J]. 農業機械學報， 2020， 51（6）：229-237.

[14]岳有軍，孫碧玉，王紅君，等. 基于級聯卷積神經網絡的番茄果實目標檢測[J]. 科學技術與工程， 2021， 21（6）：2387-2391.

[15]賈偉寬，孟 虎，馬曉慧，等. 基于優化Transformer網絡的綠色果實高效檢測模型[J]. 農業工程學報， 2021，37（14）：163-170.

[16]GIRSHICK R. Fast R-CNN[C]. Santiago： IEEE， 2015.

[17]REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks[J] IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.

[18]REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection[C] Las Vegas： IEEE， 2016.

[19]REDMON J， FARHADI A. YOLOv3： an incremental improvement [C].Salt Lake City： IEEE， 2018.

[20]LIU W， ANGUELOV D， ERHAD D， et al. SSD： single shotmulti box detector [C] Amsterdam： Springer，2016.

[21]包志龍. 卷積神經網絡輕量化技術研究[J] 無線通信技術，2022（1）：36-41，47.

（責任編輯：王 妮）

收稿日期：2022-07-12

基金項目：國家自然科學基金項目（61863033）

作者簡介：李 恒（1997-），男，新疆喀什人，碩士研究生，主要從事計算機視覺研究。（E-mail）1344166355@qq.com

通訊作者：南新元，（E-mail）xynan@xju.edu.cn