基于深度學(xué)習(xí)的家畜虛擬電子圍欄設(shè)計(jì)

摘 要： 針對(duì)牧場(chǎng)中家畜越界及傳統(tǒng)電子圍欄難以防止家畜越界的問(wèn)題，基于改進(jìn)后的YOLOv5 算法，設(shè)計(jì)了虛擬電子圍欄。采用YOLOv5s 算法作為基礎(chǔ)，并進(jìn)行了遷移學(xué)習(xí)和添加ECA 注意力模塊。利用PyTorch 框架進(jìn)行訓(xùn)練，并對(duì)模型進(jìn)行了評(píng)估，相比原版YOLOv5s，改進(jìn)YOLOv5s 算法對(duì)黃牛的檢測(cè)精確率、召回率、平均精度均值分別提升0.2、1.3、0.7 個(gè)百分點(diǎn)，單幀推理總耗時(shí)下降0.5 ms。將改進(jìn)后的模型轉(zhuǎn)換為RKNN 格式，并部署在帶有NPU 的RK3588 開(kāi)發(fā)板上，加快模型推理速度。結(jié)果表明，應(yīng)用深度學(xué)習(xí)技術(shù)與ROI 劃定技術(shù)，成功設(shè)計(jì)了家畜虛擬電子圍欄，優(yōu)化智慧牧場(chǎng)的管理體系，提高管理效率，降低管理成本，具備一定的實(shí)用價(jià)值。

關(guān)鍵詞：YOLOv5；RK3588；深度學(xué)習(xí)；虛擬圍欄；感興趣區(qū)域；智慧牧場(chǎng)；家畜

中圖分類號(hào)：S126 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1795（2024）04-0041-05

DOI：10.19998/j.cnki.2095-1795.2024.04.007

0 引言

近年來(lái)，我國(guó)畜牧養(yǎng)殖規(guī)模持續(xù)擴(kuò)大，牧場(chǎng)養(yǎng)殖中存在家畜越界的問(wèn)題，為生產(chǎn)管理帶來(lái)巨大挑戰(zhàn)。隨著智慧農(nóng)業(yè)的快速發(fā)展，人工智能技術(shù)、物聯(lián)網(wǎng)技術(shù)正在潛移默化地幫助現(xiàn)代養(yǎng)殖產(chǎn)業(yè)更新?lián)Q代，牧場(chǎng)管理方式更加信息化、智能化[1-3]。基于計(jì)算機(jī)視覺(jué)與目標(biāo)檢測(cè)技術(shù)，能夠?yàn)榧倚筇摂M電子圍欄提供技術(shù)支撐[4]。

家畜越界一直是困擾牧場(chǎng)的一大問(wèn)題，傳統(tǒng)的木制圍欄安裝麻煩、維護(hù)成本高，廢棄后難以拆除。現(xiàn)有脈沖電子圍欄雖能在一定程度上阻止家畜越界，但是其通電有間隔，并且通電導(dǎo)線較細(xì)，家畜有可能會(huì)趁未通電時(shí)間沖撞或越出圍欄，脈沖電子圍欄無(wú)法有效阻止家畜越界。

在國(guó)外，由PARK J K[5] 研究的無(wú)人農(nóng)場(chǎng)虛擬圍欄，是為每個(gè)動(dòng)物佩戴上裝有GPS 模塊和射頻模塊的嵌入式項(xiàng)鏈。虛擬圍欄是由許多基站組合成的多邊形，當(dāng)動(dòng)物接近虛擬圍欄時(shí)，基站就會(huì)向動(dòng)物發(fā)出其不喜歡的聲音，使其遠(yuǎn)離虛擬圍欄。然而，此設(shè)計(jì)的缺點(diǎn)也很明顯，每個(gè)動(dòng)物都佩戴特制項(xiàng)鏈，這將大大增加成本，可能高于傳統(tǒng)物理圍欄系統(tǒng)成本。

隨著牧場(chǎng)視頻監(jiān)控設(shè)備的普及，將Faster R-CNN[6]、SSD [7]、YOLO 系列[8-11] 目標(biāo)檢測(cè)算法應(yīng)用于家畜檢測(cè)。本研究基于YOLOv5 算法，使用ROI 作為圍欄，當(dāng)家畜進(jìn)入?yún)^(qū)域后發(fā)出警報(bào)，以此構(gòu)建虛擬電子圍欄。

1 數(shù)據(jù)獲取與處理

1.1 數(shù)據(jù)獲取

本研究應(yīng)用場(chǎng)景是在牧場(chǎng)外圍禁止家畜越出圍欄，在此前提下，將目標(biāo)檢測(cè)的圖像分為綿羊和黃牛兩種。在目標(biāo)檢測(cè)中常用的數(shù)據(jù)集為COCO 數(shù)據(jù)集。

COCO 數(shù)據(jù)集作為公開(kāi)數(shù)據(jù)集，可以從官方網(wǎng)站下載。本研究圖像均來(lái)自其最新的COCO2017，其中，綿羊圖像共1 483 張、黃牛圖像共2 839 張。圖像包括不同光照、不同拍攝角度和距離、不同遮擋的情況。

1.2 數(shù)據(jù)集構(gòu)建

將下載的綿羊、黃牛數(shù)據(jù)集進(jìn)行處理，剔除遮擋率高、質(zhì)量差的圖像，并使用LabelImg 軟件進(jìn)行人工標(biāo)注，保證訓(xùn)練數(shù)據(jù)的高質(zhì)量。數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集，其中，訓(xùn)練集占80%，驗(yàn)證集占20%。最終，數(shù)據(jù)集的圖像數(shù)量分布如表1 所示。

2 研究方法

2.1 YOLOv5 算法

YOLOv5 算法在YOLOv4 的基礎(chǔ)上進(jìn)行了許多改進(jìn)，具有輕量、高速、準(zhǔn)確度高的優(yōu)點(diǎn)，其應(yīng)用廣泛，技術(shù)成熟。YOLOv5 在輸入端保留了Mosaic 數(shù)據(jù)增強(qiáng)的基礎(chǔ)上，增加了自適應(yīng)圖像縮放與自適應(yīng)錨框計(jì)算方法；在特征提取層上添加了C3 與Focus 結(jié)構(gòu)，大幅增強(qiáng)特征表達(dá)能力[12]。

YOLOv5 系列網(wǎng)絡(luò)架構(gòu)有5 種結(jié)構(gòu)：YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x。其中，YOLOv5n 的特征圖寬度和網(wǎng)絡(luò)深度最小，其余4 個(gè)版本都是在YOLOv5n 基礎(chǔ)上加深和加寬的網(wǎng)絡(luò)[13]。綜合考慮精度、推理速度、模型體量， 本研究選擇YOLOv5s 作為基礎(chǔ)，并在其基礎(chǔ)上進(jìn)行改進(jìn)以滿足設(shè)計(jì)需求。

2.2 改進(jìn)YOLOv5s 目標(biāo)檢測(cè)方法

2.2.1 遷移學(xué)習(xí)

由于準(zhǔn)備的訓(xùn)練集較大，如果從零開(kāi)始訓(xùn)練，容易出現(xiàn)收斂慢的問(wèn)題。因此，使用YOLO 官方提供的YOLOv5s.pt 預(yù)訓(xùn)練權(quán)重，在訓(xùn)練時(shí)能夠加快收斂速度。

2.2.2 添加感興趣區(qū)域

感興趣區(qū)域（ROI）是指從待處理圖像中任意標(biāo)出一個(gè)閉合多邊形區(qū)域，讓程序重點(diǎn)處理ROI 內(nèi)的圖像，簡(jiǎn)化處理過(guò)程。本研究用ROI 作為虛擬圍欄，起到代替實(shí)體圍欄的作用。

為了使程序僅檢測(cè)區(qū)域內(nèi)的目標(biāo)，需要對(duì)待處理圖像非ROI 部分進(jìn)行遮罩處理。首先，用鼠標(biāo)選取4個(gè)點(diǎn)作為四邊形的4 個(gè)頂點(diǎn)，程序自動(dòng)計(jì)算這4 個(gè)點(diǎn)相對(duì)左邊框與上邊框的距離比例，如圖1 所示。

每個(gè)頂點(diǎn)的位置計(jì)算方法如下

設(shè)第i 個(gè)點(diǎn)的坐標(biāo)為（xi， yi），則可得

式中 di1——第i 個(gè)點(diǎn)與左邊框的距離之比，0lt;di1lt;1

di2——第i 個(gè)點(diǎn)與上邊框的距離之比，0lt;di2lt;1

w——圖像橫向總像素點(diǎn)，px

h——圖像縱向總像素點(diǎn)，px

xi——第i 個(gè)點(diǎn)與圖像左側(cè)的像素點(diǎn)之差，px

yi——第i 個(gè)點(diǎn)與圖像上側(cè)的像素點(diǎn)之差，px

使用Python 的OpenCV、Numpy 庫(kù)，可以很方便地在圖像上畫(huà)出遮罩，如圖2 所示。

使用YOLOv5 自帶的推理函數(shù)，得到圖像推理結(jié)果，如圖3 所示。可以發(fā)現(xiàn)，在ROI 內(nèi)的綿羊均被檢測(cè)到，而ROI 外的綿羊未被檢測(cè)。至此，ROI 添加完畢。

2.2.3 添加ECA 注意力模塊

ECA（efficient channel attention）模塊是一種高效的通道注意力模塊[14]。ECA 模塊通過(guò)1D 卷積生成通道注意力，其卷積核大小可以通過(guò)通道維度的非線性映射自適應(yīng)確定。ECA 模塊的通道注意力權(quán)重計(jì)算公式為

式中 ωi——第i 個(gè)通道注意力權(quán)重

yj， i——第i 個(gè)通道第j 個(gè)特征圖

wj， i——第i 個(gè)通道第j 個(gè)特征圖的權(quán)重

C——通道數(shù)

σ——sigmoid 函數(shù)

對(duì)于每個(gè)通道i，對(duì)該通道的所有特征圖進(jìn)行加權(quán)求和，得到一個(gè)標(biāo)量值，然后通過(guò)sigmoid 函數(shù)將其映射到[0，1] 的范圍內(nèi)，作為該通道的注意力權(quán)重。其中，權(quán)重wj， i 是通過(guò)一個(gè)自適應(yīng)的非線性映射計(jì)算得到的，這個(gè)權(quán)重計(jì)算方式可以捕捉到通道之間的交互關(guān)系，從而提高模型的性能。

ECA 模塊相比于其他注意力模塊，只增加了極少的額外參數(shù)和計(jì)算量，同時(shí)帶來(lái)了顯著的性能提升。本研究將其嵌入YOLOv5s 的特征層中，有效捕獲了跨通道交互的信息，以聚焦于目標(biāo)檢測(cè)。插入ECA 模塊后的改進(jìn)YOLOv5s 模型結(jié)構(gòu)如圖4 所示。

3 模型訓(xùn)練

3.1 訓(xùn)練參數(shù)設(shè)置

試驗(yàn)所使用的顯卡RTX 3 070 Laptop、操作系統(tǒng)Ubuntu 22.04、使用Pytorch 版本2.0.1、CUDA 版本11.7 及CuDNN 版本8.5.0。YOLOv5s 使用像素640×640 圖像作為輸入，迭代周期（Epoch）150，批量大小（Batch-size）16，訓(xùn)練優(yōu)化器選用隨機(jī)梯度下降法（SGD），初始與最終學(xué)習(xí)率均為0.01，動(dòng)量因子0.937，權(quán)重衰減系數(shù)0.000 5，開(kāi)啟Mosaic 數(shù)據(jù)增強(qiáng)。

3.2 評(píng)價(jià)指標(biāo)

選取召回率（recall）、精確率（precision）、平均精度均值（mean average precision，mAP）、單幀推理總耗時(shí)作為評(píng)價(jià)指標(biāo)以衡量模型性能。其中單幀推理總耗時(shí)=前處理（pre-process）耗時(shí)+推理（inference）耗時(shí)+非極大值抑制（non-maximum suppression，NMS）耗時(shí)。

3.3 模型結(jié)果與分析

從訓(xùn)練集與驗(yàn)證集中各隨機(jī)選擇100 張圖片，作為測(cè)試集。對(duì)于黃牛和綿羊的檢測(cè)結(jié)果如表2 所示。改進(jìn)YOLOv5s 對(duì)黃牛的檢測(cè)精確率、召回率和平均精度均值分別提升0.2、1.3 和0.7 個(gè)百分點(diǎn)，單幀推理總耗時(shí)下降0.5 ms；雖然改進(jìn)YOLOv5s 對(duì)綿羊的檢測(cè)精確率下降1.8 個(gè)百分點(diǎn)，但召回率、平均精度均值分別提升1.5 和0.6 個(gè)百分點(diǎn)，單幀推理總耗時(shí)下降1.0 ms ，說(shuō)明改進(jìn)YOLOv5s 有更好的模型性能。因此，本研究的遷移學(xué)習(xí)、添加注意力機(jī)制有效提升了檢測(cè)準(zhǔn)確度，降低推理耗時(shí)。

4 模型本地部署

4.1 準(zhǔn)備工作

4.1.1 模型格式轉(zhuǎn)換

為實(shí)現(xiàn)實(shí)時(shí)檢測(cè)牧場(chǎng)攝像頭畫(huà)面，需要配備體積小、推理性能強(qiáng)的設(shè)備。因此，本研究使用香橙派5開(kāi)發(fā)板，其CPU 為RK3588，內(nèi)置6Tops 算力的神經(jīng)網(wǎng)絡(luò)計(jì)算單元（neural-network processing unit，NPU），可滿足視頻流推理需求。也有許多將YOLO 算法與RK 平臺(tái)相結(jié)合的研究， 張利紅[15] 研究了在RK3399Pro 上的YOLO 目標(biāo)檢測(cè)。胡鵬等[16] 基于YOLO 算法在RK3399 平臺(tái)上研究了實(shí)時(shí)行人檢測(cè)方法。

本研究目標(biāo)檢測(cè)模型是在YOLOv5s 預(yù)訓(xùn)練模型基礎(chǔ)上訓(xùn)練而來(lái)的，訓(xùn)練采用PyTorch 框架，其最終模型是PyTorch 模型，而香橙派5 上的NPU 所支持的是RKNN 模型。因此，需要先將PyTorch 轉(zhuǎn)換為開(kāi)放神經(jīng)網(wǎng)絡(luò)交換（open neural network exchange， ONNX）格式，再將ONNX 轉(zhuǎn)換為RKNN 格式。

上述轉(zhuǎn)換分別使用YOLOv5 項(xiàng)目自帶的export.py與RKNN-toolkit2 自帶的test.py 經(jīng)過(guò)調(diào)整參數(shù)及修改部分內(nèi)容，最后運(yùn)行程序，即可實(shí)現(xiàn)模型轉(zhuǎn)換。

4.1.2 優(yōu)化在RK3588 上的推理速度

ReLU（ rectified linear unit conv） [17] 和SiLU（sigmoid linear unit）[18] 都是常用的卷積層激活函數(shù)，它們主要區(qū)別在于非線性形狀不同。ReLU 函數(shù)在輸入gt;0 時(shí)直接輸出，否則輸出0。其數(shù)學(xué)表達(dá)式為

f （x） = max（0， x） （4）

SiLU 函數(shù)在接近零時(shí)具有更平滑的曲線，并且由于其使用了sigmoid 函數(shù)，可以使網(wǎng)絡(luò)的輸出范圍在0和1 之間，其數(shù)學(xué)表達(dá)式為

對(duì)比二者的數(shù)學(xué)表達(dá)式不難發(fā)現(xiàn)， ReLU 函數(shù)的計(jì)算量遠(yuǎn)遠(yuǎn)小于SiLU 函數(shù)的計(jì)算量。在RK3588 平臺(tái)上可以減輕NPU 的計(jì)算壓力，從而獲得更高的FPS。

在訓(xùn)練改進(jìn)后的YOLOv5 模型時(shí)， 將卷積層的SiLU 函數(shù)替換為ReLU 函數(shù)。如表3 所示，經(jīng)過(guò)試驗(yàn)對(duì)比，發(fā)現(xiàn)在RK3588 平臺(tái)上，使用2、4、6 線程時(shí)，ReLU 做卷積層激活函數(shù)會(huì)比SiLU 推理速度分別快76%、73% 和40%，提高了推理速度。

4.1.3 移植、優(yōu)化主程序

把轉(zhuǎn)換完畢的RKNN 模型傳到香橙派5 上，并從PC 端移植、修改對(duì)應(yīng)的推理程序，重寫ROI 檢測(cè)，加入多線程機(jī)制， 提高NPU 使用率， 進(jìn)而提升推理幀數(shù)。

修改RKNN 模型路徑、測(cè)試視頻目錄，運(yùn)行主程序，可查看實(shí)時(shí)推理畫(huà)面、目標(biāo)類型、置信度和FPS。

4.2 部署應(yīng)用

虛擬電子圍欄工作程序如圖5 所示。由于RK3588的NPU 算力強(qiáng)，可同時(shí)將多個(gè)攝像頭的視頻畫(huà)面?zhèn)鬏斀o其推理，節(jié)省硬件成本。當(dāng)在ROI 內(nèi)檢測(cè)到目標(biāo)時(shí)，揚(yáng)聲器會(huì)自動(dòng)發(fā)出警報(bào)驅(qū)離家畜，同時(shí)推送信息給云端，再由云端通過(guò)微信提醒用戶。

5 結(jié)束語(yǔ)

基于現(xiàn)有的牧場(chǎng)存在家畜越界問(wèn)題，提出了將深度學(xué)習(xí)技術(shù)應(yīng)用于虛擬電子圍欄的方法， 完成了YOLOv5s 改進(jìn)模型的訓(xùn)練、家畜虛擬電子圍欄的設(shè)計(jì)、模型部署等工作，將理論研究落地到實(shí)際項(xiàng)目中。第一，提出了一種基于深度學(xué)習(xí)技術(shù)的虛擬電子圍欄設(shè)計(jì)，旨在解決傳統(tǒng)電子圍欄安裝煩瑣、維護(hù)費(fèi)用昂貴等問(wèn)題。第二，引入感興趣區(qū)域（ROI），將其作為虛擬圍欄，當(dāng)家畜進(jìn)入該區(qū)域時(shí)，揚(yáng)聲器會(huì)發(fā)出警報(bào)音以驅(qū)離家畜。第三，為了提高模型性能，對(duì)YOLOv5s模型進(jìn)行了改進(jìn)，引入了遷移學(xué)習(xí)和ECA 注意力模塊。第四，將改進(jìn)后的模型部署到香橙派5 開(kāi)發(fā)板上，并通過(guò)多線程機(jī)制提高NPU 使用率，從而實(shí)現(xiàn)了高效率推理。

主要?jiǎng)?chuàng)新點(diǎn)有兩個(gè)方面。①創(chuàng)新性地將深度學(xué)習(xí)技術(shù)應(yīng)用于家畜虛擬電子圍欄。本研究設(shè)計(jì)的圍欄與國(guó)外基于GPS、IoT 的虛擬圍欄系統(tǒng)不同，使用計(jì)算機(jī)視覺(jué)+深度學(xué)習(xí)目標(biāo)識(shí)別的方法，大幅減少嵌入式設(shè)備的使用，做到真正低成本建設(shè)。②相比國(guó)內(nèi)基于視頻監(jiān)控的虛擬電子圍欄，本研究集檢測(cè)、識(shí)別、通知和驅(qū)離于一體，功能集成度高，可拓展性強(qiáng)。將深度學(xué)習(xí)技術(shù)應(yīng)用于家畜虛擬電子圍欄，使其具有更高的準(zhǔn)確性和智能性。

綜上所述，所提出的虛擬電子圍欄設(shè)計(jì)結(jié)合深度學(xué)習(xí)技術(shù)和ROI 的應(yīng)用，為牧場(chǎng)管理提供了一種新的智能化解決方案。改進(jìn)的YOLOv5 模型在試驗(yàn)中表現(xiàn)出了較好的性能，并且在RK3588 開(kāi)發(fā)板上的部署能夠滿足實(shí)時(shí)監(jiān)測(cè)和驅(qū)離家畜的需求。本研究不僅優(yōu)化了管理體系，提高了管理效率，降低了管理成本，同時(shí)也具備了一定的實(shí)用價(jià)值和推廣潛力。然而，本研究還有一些局限性，如對(duì)其他類型家畜檢測(cè)的泛化能力有待進(jìn)一步探索，未來(lái)可以在此基礎(chǔ)上進(jìn)行更多深入的研究和優(yōu)化。

參考文獻(xiàn)

［1］黃小平，馮濤，郭陽(yáng)陽(yáng)，等．基于改進(jìn)YOLOv5s 的輕量級(jí)奶牛體況評(píng)分方法[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（6）：287-296．

HUANG Xiaoping，F(xiàn)ENG Tao，GUO Yangyang，et al．Lightweightdairy cow body condition scoring method based on improved YOLOv5s[J]． Transactions of the Chinese Society for Agricultural Machinery，2023，54（6）：287-296．

［2］劉生智，李春蓉，劉同金，等．基于YOLOv3 模型的奶牛目標(biāo)檢測(cè)[J]．塔里木大學(xué)學(xué)報(bào)，2019，31（2）：85-90．

LIU Shengzhi， LI Chunrong， LIU Tongjin， et al． Detection of dairycows based on YOLOv3 model[J]．Journal of Tarim University，2019，31（2）：85-90．

［3］何東健，劉冬，趙凱旋．精準(zhǔn)畜牧業(yè)中動(dòng)物信息智能感知與行為檢測(cè)研究進(jìn)展[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（5）：231-244．

HE Dongjian，LIU Dong，ZHAO Kaixuan．Review of perceiving animalinformation and behavior in precision livestock farming[J]．Transactionsof the Chinese Society for Agricultural Machinery， 2016，47（5）：231-244．

［4］劉敬．基于視頻監(jiān)控的虛擬電子圍欄系統(tǒng)設(shè)計(jì)研究[D]．濟(jì)南：濟(jì)南大學(xué)，2020．

LIU Jing． Research and design of virtual electronic fence systembasedon video surveillance[D]．Ji'nan：Ji'nan University，2020．

［5］PARK J K．Unmanned farm utilizes virtual fence technology for animaltracking[J]． International Journal of Engineering and Advanced Technology，2019，9（2）：1328-1330．

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

［7］LIU W， ANGUELOV D， ERHAN D， et al． SSD： Single shotmultiBox detector[C]//European Conference on Computer Vision，2016：21-37．

［8］REDMON J，DIVVALA S，GIRSHICK R，et al．You only look once：unified，real-time object detection[C]//Proceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition，2016：779-788．

［9］REDMON J， FARHADI A． YOLO9000： better， faster， stronger[C]//Proceedings of the IEEE Conference on Computer Vision and PatternRecognition，2017：7263-7271．

［10］REDMON J， FARHADI A． YOLOv3： an incremental improvement[J]．2018．a(chǎn)rXiv：1804.02767．

［11］BOCHKOVSKIY A， WANG C Y， LIAO H Y M． Yolov4： optimalspeed and accuracy of object detection[J]．2020．a(chǎn)rxiv：2004.10934．

［12］WANG H，ZHILI S．Improved mosaic：algorithms for more compleximages[J]． Journal of Physics： Conference Series， 2020（ 1） ： 94-102．

［13］寧紀(jì)鋒，林靖雅，楊蜀秦，等．基于改進(jìn)YOLOv5s 的奶山羊面部識(shí)別方法[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（4）：331-337．

NING Jifeng， LIN Jingya， YANG Shuqin， et al． Face recognitionmethod of dairy goat based on improved YOLOv5s[J]．Transactions ofthe Chinese Society for Agricultural Machinery， 2023， 54（ 4） ： 331-337．

［14］WANG Q，WU B，ZHU P，et al．ECA-Net：Efficient channel attentionfor deep convolutional neural networks[C]//Proceedings of theIEEE/CVF conference on computer vision and pattern recognition，2020：11534-11542．

［15］張利紅．基于RK3399Pro 和YOLO 的目標(biāo)檢測(cè)應(yīng)用研究[D]．成都：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院光電技術(shù)研究所），2022．

ZHANG Lihong． Research on target detection application based onRK3399Pro and YOLO[D]．Chengdu：University of Chinese Academyof Sciences （ The Institute of Optics and Electronics， The ChineseAcademy of Sciences），2022．

［16］胡鵬，張光建．基于YOLO 算法和RK3399 平臺(tái)的行人檢測(cè)實(shí)時(shí)性研究[J]．?dāng)?shù)字技術(shù)與應(yīng)用，2020，38（3）：78-81．

HU Peng，ZHANG Guangjian．Real-time research of pedestrian detectionbased on the YOLO algorithm and the RK3399 platform[J]．DigitalTechnology and Applications，2020，38（3）：78-81．

［17］AGARAP A F． Deep learning using rectified linear units （ relu）[J]．2018．a(chǎn)rxiv：1803.08375．

［18］ELFWING S， UCHIBE E， DOYA K． Sigmoid-weighted linear unitsfor neural network function approximation in reinforcement learning[J]．Neural Networks，2018，107：3-11．