基于深度學習YOLOX算法的混凝土構件裂縫智能化檢測方法

劉珂鋮 謝群 李雁軍

文章編號：1671-3559（2024）03-0341-09DOI：10.13349/j.cnki.jdxbn.20240024.003

摘要： 針對現有混凝土構件裂縫人工檢測操作不僅費時、 費力，而且易出現錯檢、 誤檢、 漏檢，以及部分位置難以開展檢測的問題，提出一種基于深度學習YOLOX（You Only Look Once）算法的混凝土構件裂縫智能化檢測方法；首先采集、 整理包含各類混凝土構件的典型裂縫圖像，并通過圖像數據增強建立Pascal VOC數據集，然后基于Facebook公司開發的深度學習框架Pytorch，利用數據集訓練YOLOX算法，并進行裂縫識別和驗證；將訓練完成后YOLOX算法移植至搭載安卓系統的手機端，進行現場實時檢測操作。結果表明：在迭代次數為700時，混凝土構件裂縫識別精度可達88.84%，能有效篩分混凝土構件表面裂縫，并排除其他干擾項，證明了所提出的方法對裂縫具有較高的識別精度和廣泛的適用性；經試驗測試，移植至手機端的YOLOX算法能在提升便攜性的同時保證高效、準確的檢測效果，具有良好的應用前景。

關鍵詞： 深度學習； YOLOX（You Only Look Once）算法； 混凝土構件； 裂縫識別

中圖分類號： TV544； TP18； TP391.41

文獻標志碼： A

開放科學識別碼（OSID碼）：

Intelligent Detection Method for Cracks of Concrete Members Based on

Deep Learning YOLOX Algorithm

LIU Kecheng， XIE Qun， LI Yanjun

（School of Civil Engineering and Architecture， University of Jinan， Jinan 250022， Shandong， China）

Abstract： In view of the problem that the existing artificial detection technology for cracks of concrete members was not only time-consuming and laborious but also prone to misdiagnosis， false detection， miss detection， and difficulties in detecting some locations， an intelligent detection method for cracks of concrete elements based on deep learning YOLOX （You Only Look Once） algorithm was proposed. Typical crack images of various concrete members were firstly collected and sorted out， and a Pascal VOC dataset was established through image data enhancement. On the basis of deep learning framework Pytorch developed by Facebook， YOLOX algorithm was then trained and verified for crack identification by using the dataset. YOLOX algorithm after training was transplanted to the mobile phone terminal with Android system for on-site real-time detection. The results show that the crack identification accuracy concrete members can reach 88.84% when the iteration number is 700. Cracks on the surface of concrete members can be effectively screened out and other interference items can be excluded， which indicates that the proposed method has high identification accuracy and wide applicability for cracks. Through the test， YOLOX algorithm transplanted to mobile phone terminals can not only improve portability but also ensure the efficient and accurate detection effect， which has a good application prospect.

Keywords： deep learning; YOLOX （You Only Look Once） algorithm; concrete member; crack identification

收稿日期： 2022-12-21????????? 網絡首發時間：2024-01-24T18：14：34

基金項目： 國家自然科學基金項目（52108214）； 山東省住房城鄉建設科技計劃項目（2020-K5-18）； 建筑結構加固改造與地下空間

工程教育部重點實驗室開放課題項目（MEKL202006）

第一作者簡介： 劉珂鋮（1999—），男，福建福州人。碩士研究生，研究方向為圖像識別與智慧建造。E-mail：llwllkc0214@foxmail.com。

通信作者簡介： 謝群（1979—），男，山東聊城人。教授，博士，博士生導師，研究方向為新材料結構、 新型裝配式結構、 工程結構抗災。

E-mail：cea_xieq@ujn.edu.cn。

網絡首發地址： https：//link.cnki.net/urlid/37.1378.N.20240124.1122.006

混凝土構件破壞開裂產生的裂縫是構件受力和變形最直觀和主要的損傷形式［1］。 在實際工程建筑物的檢測鑒定中， 裂縫損傷屬于可靠性鑒定的主要指標， 在混凝土結構受力性能試驗中， 裂縫也是混凝土結構加載過程中測量的關鍵指標。 據美國聯邦公路管理局2001年公開報道［2］， 公路橋梁工程中人工檢測裂縫損傷存在主觀性強、 精確性差、 定期檢測中易忽略混凝土剪切裂縫等重要裂縫等重大缺陷。 在試驗中對混凝土構件裂縫的檢測目前同樣主要由人工進行［3-5］， 但是試驗通常具有往復加載時間長、 加載級數多等特點［6］， 因此人工監測不僅費時、 費力， 無法實時動態監測， 而且極易因記錄者疲勞等而導致錯檢、 誤檢和漏檢。 探尋一種便捷、 高效的試驗中混凝土構件裂縫的檢測方法， 對我國日益增長的建筑抗震性能試驗需求具有重大現實意義。

目前，有關試驗中混凝土構件裂縫檢測的研究匱乏。鑒于傳統的裂縫人工檢測方式在該領域中的諸多缺陷，利用近年來崛起的人工智能是改善現狀的最佳方法。深度學習（deep learning， DL）是源于機器學習（machine learning， ML）的新興研究方向，深度學習的引入使機器學習更接近實現人工智能的終極目標。由于深度學習具有重現性能良好、處理精度和泛用性廣等諸多優點，因此受到施工方和研究者的廣泛關注與青睞［7-8］。目前，深度學習在數據模擬、 材料分析、 事故分析及智能檢測等多項土木建筑工程領域中均具有良好的應用前景［9-13］。

YOLO（You Only Look Once）系列算法僅瀏覽1次即可識別出圖像中物體的類別和位置，YOLOX算法作為該系列算法的改進版，綜合了系列算法的網絡的優點，使用Focus、 CSPnet網絡結構進行特征提取，通過Mosaic結構進行數據增強，創新地應用了新的解耦頭、 Anchor Free思想和SimOTA動態正樣本匹配方法，大幅改善了YOLO系列算法的識別效果。本文中以各類典型混凝土構件為研究對象，提出一種基于深度學習YOLOX算法的混凝土構件裂縫智能化檢測方法，對混凝土構件裂縫進行識別和驗證。

1? YOLOX算法結構及裂縫識別流程

目前學者們已提出一些基于深度學習的裂縫檢測方法［14-16］，并證明了這些方法在裂縫檢測和識別中的良好可行性。這些方法通常應用于建成一段時間的道路和橋梁，裂縫尺寸較大，對識別精度要求較低，同時這些裂縫圖像的像素點與灰度值存在重疊，并且與背景和噪聲的形態存在差異，因此研究者后續選用卷積神經網絡（convolutional neural network， CNN）［17］，或區域卷積神經網絡（region-based CNN， R-CNN）［18］等改進算法。在試驗過程中，構件開裂最先形成的裂縫多為細小裂縫，這些裂縫在圖像中的像素點較小，因此應用于道路和橋梁的深度學習方法泛用性不足，無法直接應用于試驗中混凝土構件裂縫的檢測。更重要的是，傳統的神經元網絡系統在裂縫識別時對設備要求高，訓練周期長，通常需要訓練上萬次才能達到較高的識別精度［19-20］，無法滿足低成本、易操作和高效檢測混凝土構件裂縫的實際需求。

針對混凝土構件裂縫檢測面臨的實際問題，本文中提出一種兼具識別快、 運行效率高、 準確率較高等特性［21］的基于深度學習YOLOX算法的混凝土構件裂縫智能化檢測方法。圖1所示為YOLOX算法與其他最先進的物體探測算法的速度與精度均值對比［21］。由圖可知，相對于作為工業應用最廣泛的探測器之一的YOLOv3算法，YOLOX算法在COCO數據集上的精度均值（average precision）更高，在圖像處理器（GPU）Tesla V100上以每秒68.9幀的速率實現精度均值50%，識別效果優于同期發布的YOLOv5算法［21］。

按照網絡深度和特征圖深度的大小，YOLOX算法可分為輕量級和標準2種類型，YOLOX-s算法是標準網絡中深度最小、運行最快的算法，能夠實現端對端的目標檢測，該算法選用單個神經網絡直接預測圖像中物品的類別和邊界概率［21］，更適用于現場實際應用環境，因此本文中將YOLOX-s算法應用于混凝土構件裂縫識別。

用于混凝土構件裂縫識別的YOLOX算法的結構如圖2所示，其中CSPDarknet是主干特征提取網絡，輸入的圖像首先在該網絡中進行特征提取，提取

到的特征稱為特征層，是輸入圖像的特征集合；特征金字塔網絡（feature pyramid network， FPN）是加強特征提取網絡，特征層在該網絡中進行特征融合，從而結合不同尺度的特征信息；Yolo Head是分類器和回歸器，經由前2個結構產出的加強特征層，具有寬度、 高度和通道個數等尺度，此時可將特征圖看作多個特征點的集合，而每個特征點都有等同于通道個數的特征，分類器和回歸器Yolo Head的作用即為判斷是否有物體與這些特征點相對應。圖3所示為YOLOX算法中分類器和回歸器Yolo Head與舊版本YOLO算法的區別［21］。由圖2、 3可知，與舊版本YOLO算法不同，在YOLOX算法結構中，分類器和回歸器Yolo Head分成兩大部分，分別實現對應功能，直到最后進行預測時才進行整合。綜上所述，整個YOLOX算法的工作流程可以概括為特征提取—特征加強—預測特征點對應的物體類別。

利用YOLOX算法識別裂縫的主要步驟如下： 1）混凝土構件裂縫檢測模塊根據輸入的裂縫圖像進行識別和標注； 2）裂縫識別模塊對檢測到的混凝土構件裂縫區域裁剪出子圖像，根據子圖像中是否存在裂縫進行圖像二分類； 3）預測得出裂縫的識別結果。

2? 數據集建立

2.1? 圖像采集及擴增

由于國內尚沒有混凝土構件裂縫的公開數據集，因此以濟南大學存有的試驗用混凝土構件、 實際工程混凝土構件作為研究對象，構件類型涵蓋鋼筋-混凝土梁、 柱、 板、 剪力墻、 基礎、 外墻等，采集這些構件表面裂縫的圖像。

為了提高混凝土構件裂縫識別的準確性， 對采集到的圖像通過圖像旋轉、 翻轉、 模糊、 增加噪點、 改變亮度等方式進行圖像數據擴增， 增加數據集的樣本量， 有效緩解算法的過擬合， 提高算法的泛化能力。 裂縫原圖及原圖增強樣例如圖4所示。 處理后的數據集中圖像數據擴增至702個，建立基于Pascal VOC格式的混凝土構件裂縫數據集， 然后按照訓練用數據集與驗證用數據集中數據個數之比為9∶1， 將所建立的混凝土構件數據集劃分為訓練用數據集和驗證用數據集。

2.2? 數據處理

在建立數據集后，進行圖像裂縫標注時需要考慮混凝土構件裂縫的實際特性，正確判斷圖像中的裂縫是否為構件開裂破壞時產生的裂縫，同時區分其他干擾項，例如辨別風干開裂的漆面褶皺、 構件上標注的人工筆跡等。

選用Labelimg系統對數據集圖像進行標注， 混凝土構件裂縫標注樣例如圖5所示。 標注完成后， Labelimg系統生成含有裂縫標注信息的擴展名為txt的文本文件， 包含標注的裂縫個數和坐標等信息。

3? YOLOX算法訓練及識別效果分析

3.1? 訓練配置

選用華碩品牌飛行堡壘系列GL502VML型便攜式計算機進行訓練， 硬件配置為英偉達品牌精視系列GTX 1060 3GB型GPU， 英特爾品牌酷睿系列i7-6700HQ型中央處理器（CPU）；操作系統為Windows 10 21H1版本，開發平臺選用Pycharm，軟件環境為Python 3.6；深度學習框架選用Facebook公司開發的Pytorch 1.2.0；根據建立的Pascal VOC格式的混凝土構件裂縫數據集訓練YOLOX-s算法。

3.2? 訓練方案

選取標注的數據集中的裂縫圖像庫作為訓練樣本。 初始權重文件為yolox_s.pth； 使用單GPU加速訓練； 算法的最大、 最小學習率分別設定為0.01、 0.000 1， 學習率下降方式選為余弦退火（cosine annealing）； 選用隨機梯度下降（stochastic gradient descent， SGD）優化器，為了防止過擬合，設置權值衰減系數為0.000 5。

3.3? 損失計算

YOLOX算法的檢測頭主要分為Cls、 Reg和Obj這3個部分，其中Cls用于判斷每個特征點包含物體的種類，Reg用于判斷特征點的回歸參數，Obj用于判斷特征點是否包含物體。YOLOX算法在訓練迭代中的損失L由分類損失Lcls、 定位損失Lreg和置信度損失Lobj這3個部分組成，其中Lcls和Lreg只計算正樣本的損失，Lobj中對正、 負樣本的損失均進行計算。損失L的計算公式［21］為

L=Lcls+λLreg+LobjNpos ，（1）

式中： λ為定位損失Lreg的平衡系數，設置為5； Npos為正樣本的錨點個數。

3.4? 評價指標

通常采用廣泛應用于目標檢測算法模型的識別效果評估［22-24］的平均精度均值（mean average precision）作為衡量模型性能的評價指標；但本文所提出的方法僅對混凝土構件裂縫進行目標檢測，因此本文中YOLOX算法可以直接選用精度均值作為裂縫識別的評價指標。精度均值能有效反映模型識別的效果優劣，數值越大則結果越好。根據精度P與召回率R的關系建立P-R曲線，精度均值Pa在對P-R曲線下方區域的面積進行積分后得出，具體公式［22-24］為

P=TpTp+Fp ，（2）

R=TpTp+Fn ，（3）

Pa=∫10PRdR ，（4）

式中： Tp為被正確識別為含有裂縫的正樣本數量； Fp為被正確識別為未含有裂縫的負樣本數量； Fn為未被正確識別為含有裂縫的正樣本的個數。

3.5? 訓練結果

YOLOX算法共進行1 000次訓練，算法訓練的迭代次數與損失、 平均精度均值的關系如圖6所示，算法訓練時的損失如表1所示。

訓練損失、 驗證損失—YOLOX算法在

訓練用數據集、 驗證用數據集中的損失。

由圖6、 表1可知，當迭代次數為700時，YOLOX算法在訓練用數據集中的損失（簡稱訓練損失）和驗證用數據集中的損失（簡稱驗證損失）相近，表明此時精度已相對較高，同時驗證損失與后續迭代次數為800～1 000時差別較小，可見YOLOX算法在迭代次數為700時即可滿足現實場景中的泛化誤差，因此綜合考慮時間成本，選取迭代次數為700時的權值文件作為YOLOX算法訓練結果。

由于YOLOX算法的精度和召回率隨門限值的變化而變化， 因此通常定義門限值為0.5。 YOLOX算法訓練后的精度、 召回率、 精度均值、 精度與召回率的調和均值F1的評估曲線如圖7所示。 由圖可知， 裂縫識別的精度、 召回率分別為88.84%、 85.27%， 精度均值為88.4%， 精度與召回率的調和均值F1達到87%， 說明此時YOLOX算法的裂縫識別能力和準確性均較高。

3.6? 訓練后YOLOX算法的裂縫識別效果測試

為了進一步驗證算法精度，選取其他混凝土構件圖像，裂縫識別效果測試結果見圖8。由圖8（a）、 （b）可知，訓練完成后的YOLOX算法能夠較好地區分裂縫和人工筆跡等其他干擾項，識別出測試圖中存在的裂縫；由圖8（c）可知，在表面粗糙的構件基礎上，復雜背景中的細小裂縫仍能被正確識別；由圖8（d）可知，未存有裂縫的圖像不進行標注。綜上所述，訓練后的YOLOX算法整體標注效果與傳統人工標注水平相近。

4? YOLOX算法移植至安卓系統

4.1? 基于ncnn框架的移植

將訓練完成后的YOLOX算法運用于裂縫識別時， 通常需要采用計算機結合拍攝設備的協同方式進行， 實施流程比傳統人工檢測和計算機圖像處理方法有所改進， 但是仍過于繁瑣， 并且專業拍攝設備便攜性欠佳。 為了便于實際裂縫檢測操作， 基于ncnn框架和Open CV-mobile編譯庫將訓練完成后的YOLOX算法移植至手機端。

Open CV-mobile是基于跨平臺的計算機視覺和機器學習的Open CV軟件庫改進開發的最小化編譯庫， 包含大部分常用的圖像處理功能。ncnn框架是一個專為手機端極致優化的高性能神經網絡前向計算依賴框架， 也是業界首個專精于手機端優化的開源神經網絡推斷庫， 2017年7月由騰訊優圖實驗室開源發布。ncnn框架與傳統手機端編譯框架caffe-android-lib、 mini-caffe在YOLOX算法運行過程中內存使用量、 CPU使用率和得出基準結果所需時間對比如圖9所示。由圖可知：相較于傳統手機端編譯框架， ncnn框架在YOLOX算法運行前、 后內存使用量更小， 運行YOLOX算法時CPU占用率相對更低， 得出基準結果更快。基于ncnn框架， 開發者無須依賴第三方庫就能將深度學習算法封裝產出人工智能應用的手機軟件（mobile application，

APP），以提升算法的便攜性。

4.2? YOLOX算法移植方案

在目前全球范圍內的三大主流手機系統中，Apple公司開發的iOS系統用戶人數超過17億，占比為34%，Google公司開源開發的安卓（Android）系統用戶人數超過30億，占比為60%，華為公司開發的鴻蒙系統用戶人數為3.2億，占比為6%，大多數用戶持有的智能手機均搭載安卓系統，因此優先考慮將YOLOX算法移植至安卓系統。

采用Android Studio、 Visual Studio 2019軟件平臺進行算法移植。在配置protobuf、 ncnn框架后， 修改YOLOX算法結構中的部分參數以適配手機軟件的開發， 由YOLOX算法中提供的工具包export_onnx.py生成開放神經網絡交換（open neural network exchange， ONNX）格式文件，存儲訓練完成的算法并便于算法在不同框架間進行轉移，命名為yolox.onnx；然后由onnx2ncnn代碼產出參數文件yolox-nano.param和編譯后的二進制文件yolox-nano.bin，將其中部分參數修正后導入Android Studio軟件中的ncnn框架，連接搭載基于安卓系統定制的MIUI系統的Redmi K50 Ultra型智能手機，生成集成訓練完成的YOLOX算法的手機軟件，命名為yolox_demo。

4.3? YOLOX算法移植前、 后裂縫識別效果對比測試

測試手機軟件文件yolox_demo完整，確認未發生閃退等故障后，設計一根鋼筋-混凝土柱用于實際裂縫檢測。采用伺服作動器對鋼筋-混凝土柱施加水平往復荷載，構件屈服前由力控制加載，屈服后選用位移控制加載，每級加載循環3次。鋼筋-混凝土柱檢測現場如圖10所示。

鋼筋-混凝土柱開始加載后，啟動yolox_demo手機軟件調用手機攝像頭，該軟件可選用GPU模式和CPU模式，其中GPU模式識別裂縫效果更佳，因此選用GPU模式與移植前的計算機端共同對檢測過程中的鋼筋-混凝土柱實時拍攝識別，檢測同一構件相同表面處的裂縫進行對比，移植前、后YOLOX算法檢測效果對比如圖11所示，其中左、 右圖分別為手機端、計算機端識別結果，2種終端

對同一區域的裂縫識別結果以雙向箭頭標示。以圖11（b）為例，使用手機端識別2處裂縫的概率分別為88.0%、 78.8%，而計算機端識別對應區域的概率則為94.0%、 83.0%，分別相差6.0%、 4.2%。原因是手機端設備的硬件配置弱于計算機端設備的，并且當前技術尚無法解決［25-26］，但是整體來看，移植前、 后識別效果相近，同時相對于計算機端，手機端具有更高的便攜性和更多的應用場景［26］，證明本文所提出的方法中YOLOX算法的移植在提升YOLOX算法便攜性的同時仍然保證了較高的識別精度。

5? 結論

本文中通過采集各類典型混凝土構件圖像，提出基于深度學習YOLOX算法的混凝土構件裂縫智能化檢測方法，得到如下結論：

1）經采集的圖像數據集訓練迭代后，混凝土構件裂縫識別精度可達88.84%，本文所提出的方法具有識別準確率高、 易于從業人員操作、 對訓練樣本數量要求少等眾多優點，相較現有的人工檢測，保障了檢查人員的人身安全，同時解決了人工檢測時易因記錄者主觀原因錯檢、 誤檢和漏檢等技術難題，在試驗和工程中兼具廣泛應用前景和實際工程價值。

2）將訓練后的YOLOX算法經由ncnn框架和Open CV-mobile編譯庫封裝，移植至搭載安卓系統的智能手機，并檢測鋼筋-混凝土柱實際受力產生的裂縫，識別效果良好，并且移植前、 后識別精度相近，移植方法在保證識別精度的同時有效提升了算法的便攜性和實時性。

參考文獻：

［1］? 中國建筑科學研究院. 混凝土結構試驗方法標準： GB/T 50152—2012［S］. 北京： 中國建筑工業出版社， 2014： 6-7， 31-32.

［2］? GRAYBEALBA，PHARESBM，ROLANDER D D，et al.Visual inspection of highway bridges［J］. Journal of Nondestructive Evaluation， 2002， 21（3）： 67.

［3］? 徐文靖， 邵曉東， 馬骉， 等. 采用UHPC連接的預制拼裝橋墩構造及試驗研究［J］. 土木工程學報， 2022， 55（12）： 105.

［4］? 付波， 李梓捷， 林晨豪， 等. 考慮豎向荷載的外包裝飾層鋼板剪力墻抗震性能試驗研究［J］. 工業建筑， 2022， 52（11）： 49.

［5］? 楊丹， 賈彬， 郭瑞. GFRP筋混凝土梁柱組合體抗震性能試驗研究［J］. 建筑結構學報， 2022， 43（10）： 225.

［6］? 中國建筑科學研究院. 建筑抗震試驗規程： JGJ/T 101—2015［S］. 北京： 中國建筑工業出版社， 2015： 10.

［7］? 孫志軍， 薛磊， 許陽明， 等. 深度學習研究綜述［J］. 計算機應用研究， 2012， 29（8）： 2806.

［8］? 周飛燕， 金林鵬， 董軍. 卷積神經網絡研究綜述［J］. 計算機學報， 2017， 40（6）： 1229.

［9］? 王琛， 樊健生. 基于深度學習的土木工程結構全過程響應智能計算框架［J］. 建筑結構學報， 2023， 44（1）： 259.

［10］? 李瀟睿， 班曉娟， 袁兆麟， 等. 工業場景下基于深度學習的時序預測方法及應用［J］. 工程科學學報， 2022， 44（4）： 757.

［11］ ?胡媛媛. 依賴深度學習算法的建筑工程管理項目最優化控制［J］. 貴陽學院學報（自然科學版）， 2021， 16（4）： 92.

［12］? 李巖， 楊豪杰， 劉輝， 等. 基于深度學習的混凝土裂縫檢測研究［J］. 信息技術與信息化， 2021（12）： 233.

［13］? 劉婷， 張社榮， 王超， 等. 水利施工事故文本智能分析的BERT-BiLSTM混合模型［J］. 水力發電學報， 2022， 41（7）： 1.

［14］? 曹錦綱， 楊國田， 楊錫運. 基于注意力機制的深度學習路面裂縫檢測［J］. 計算機輔助設計與圖形學學報， 2020， 32（8）： 1324.

［15］? 王琨. 基于深度學習的路面破損檢測研究及應用［D］. 武漢： 武漢理工大學， 2019.

［16］? 楊杰文， 章光， 陳西江， 等. 基于深度學習的較復雜背景下橋梁裂縫檢測［J］. 鐵道科學與工程學報， 2020， 17（11）： 2722.

［17］? 吳向東， 趙健康， 劉傳奇. 基于CNN與CRF的橋梁裂縫檢測算法［J］. 計算機工程與設計， 2021， 42（1）： 51.

［18］? 肖力煬， 李偉， 袁博， 等. 一種基于改進實例分割模型的路面裂縫檢測方法［J］. 武漢大學學報（信息科學版）， 2023， 48（5）： 765.

［19］? 李太文， 范昕煒. 基于Faster R-CNN的道路裂縫識別［J］. 電子技術應用， 2020， 46（7）： 53.

［20］? 楊文偉， 楊霞， 蒙卉恩. 基于壓電陶瓷的PVA-ECC混凝土柱裂縫損傷監測［J］. 沈陽建筑大學學報（自然科學版）， 2020， 36（4）： 628.

［21］? GEZ，LIUST，WANGF，etal.YOLOX：exceedingYOLOseries in 2021［EB/OL］. （2021-08-06）［2022-10-09］. https：//doi.org/10.48550/arXiv.2107.08430.

［22］? REDMON J， FARHADI A. YOLOv3： an incremental improvement［EB/OL］. （2018-04-08） ［2022-10-09］. https：//doi.org/10.48550/arXiv.1804.02767.

［23］? 李健偉， 曲長文， 彭書娟， 等. 基于卷積神經網絡的SAR圖像艦船目標檢測［J］. 系統工程與電子技術， 2018， 40（9）： 1957.

［24］? CAO G，XIE X，YANG W，et al.Feature-fused SSD：fast detection for small objects［EB/OL］. （2018-11-27） ［2022-10-09］. https：//doi.org/10.48550/arXiv.1709.05054.

［25］? 《電腦迷》編輯部. 手機CPU與電腦CPU的性能究竟差多少［J］. 電腦迷， 2015（8）： 55.

［26］? 劉九如， 尹茗. 我國智能終端產業發展研究及政策建議［J］. 產業經濟評論， 2022（6）： 11， 15-16.

（責任編輯：王? 耘）