摘" 要：在嵌入式系統(tǒng)和邊緣計(jì)算中，為提高VGG16卷積神經(jīng)網(wǎng)絡(luò)對小尺寸圖像識別的計(jì)算效率，通過調(diào)整模型全連接層數(shù)量、卷積核數(shù)量和使用全局平均池化替代全連接層等方式對VGG16網(wǎng)絡(luò)進(jìn)行改進(jìn)，降低網(wǎng)絡(luò)模型的可訓(xùn)練參數(shù)量。將改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型在圖像增強(qiáng)的CIFAR-10數(shù)據(jù)集上進(jìn)行訓(xùn)練，訓(xùn)練集達(dá)到99%以上的識別準(zhǔn)確率，測試集可以達(dá)到90%以上的識別準(zhǔn)確率，改進(jìn)后的網(wǎng)絡(luò)模型參數(shù)量較VGG16網(wǎng)絡(luò)參數(shù)量減少了89.04%，驗(yàn)證了改進(jìn)網(wǎng)絡(luò)模型的有效性。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；VGG16；CIFAR-10數(shù)據(jù)集；網(wǎng)絡(luò)輕量化；圖像增強(qiáng)

中圖分類號：TP391.4；TP183" 文獻(xiàn)標(biāo)識碼：A" 文章編號：2096-4706（2024）23-0105-05

Research on Small-size Image Recognition Based on Improved VGG16 Network

CHEN Lingfang， ZHANG Peng， LI Kun， YANG Hang， QIU Yuanyuan

（Xinjiang Institute of Technology， Aksu" 843100， China）

Abstract： In embedded systems and edge computing， in order to improve the computational efficiency of the VGG16 Convolutional Neural Networks for small-size image recognition， the VGG16 network is improved by adjusting the number of fully connected layers and the number of convolutional kernels in the model， using global average pooling to replace fully connected layers， and other ways， so as to reduce the number of trainable parameters of the network model. The improved neural network model is trained on the CIFAR-10 dataset with image enhancement. The recognition accuracy of the training set reaches more than 99%， and the recognition accuracy of test set can reach more than 90%. The number of parameters of the improved network model is reduced by 89.04% compared with the VGG16 network， which verifies the effectiveness of the improved network model.

Keywords： Convolutional Neural Networks; VGG16; CIFAR-10 dataset; network lightweight; image enhancement

0" 引" 言

卷積神經(jīng)網(wǎng)絡(luò)在基于嵌入式系統(tǒng)和邊緣計(jì)算系統(tǒng)的圖像分類識別中有十分廣泛的應(yīng)用。在圖形分類識別的中，由于在嵌入式系統(tǒng)和邊緣計(jì)算中，系統(tǒng)的計(jì)算能力有限，過大的圖片增加嵌入式系統(tǒng)的計(jì)算量，會造成系統(tǒng)計(jì)算速度較慢，而采用較小的圖片尺寸，并對網(wǎng)絡(luò)模型進(jìn)行輕量化，可以降低嵌入式系統(tǒng)和邊緣計(jì)算的計(jì)算量，提高系統(tǒng)反應(yīng)速度[1]。

VGG網(wǎng)絡(luò)及其改進(jìn)網(wǎng)絡(luò)模型在圖形識別領(lǐng)域有著廣泛的應(yīng)用，多數(shù)關(guān)于VGG網(wǎng)絡(luò)及其改進(jìn)網(wǎng)絡(luò)的研究都是在ImageNET數(shù)據(jù)集上進(jìn)行訓(xùn)練和測試，均達(dá)到了較好的圖像識別性能[2]。但針對諸如CIFAR-10、MNIST數(shù)據(jù)集，由于其圖像通道數(shù)、分辨率等均遠(yuǎn)小于ImageNET數(shù)據(jù)集圖像，標(biāo)準(zhǔn)的VGG網(wǎng)絡(luò)對圖像尺寸較小數(shù)據(jù)集的識別效果雖然較好，但是參數(shù)較多，計(jì)算量較大，不適宜應(yīng)用在多數(shù)的嵌入式設(shè)備和邊緣計(jì)算上。實(shí)現(xiàn)模型的輕量化即減少模型參數(shù)量，可采用網(wǎng)絡(luò)模型壓縮、采用全局池化代替全連接層、使用多個(gè)小卷積核來代替一個(gè)大卷積核、使用并聯(lián)的非對稱卷積核來代替一個(gè)正常的卷積核、剪枝等多種方法，也有諸如SqueezeNET、MobileNET、Xception等優(yōu)秀的輕量化模型，這些典型網(wǎng)絡(luò)模型的輕量化思路也被廣泛應(yīng)用[3-5]。

為了提升模型的泛化能力，最普遍的做法是對數(shù)據(jù)集采取數(shù)據(jù)增強(qiáng)。在深度學(xué)習(xí)中，往往要求樣本數(shù)量充足，樣本數(shù)量越多，訓(xùn)練出來的模型效果越好，模型的泛化能力越強(qiáng)，但在實(shí)際中樣本數(shù)量不足或者樣本質(zhì)量不夠好，這時(shí)就需要對樣本做數(shù)據(jù)增強(qiáng)來提高樣本質(zhì)量。例如在圖像分類任務(wù)中，對輸入的圖像可以進(jìn)行一些簡單的旋轉(zhuǎn)、平移、縮放、遮擋、剪切、顏色變化等操作，這些操作不會改變圖像的類別，但可以增加訓(xùn)練樣本的數(shù)量和提高樣本質(zhì)量，這一些增強(qiáng)后的樣本可以幫助模型更好地學(xué)習(xí)和理解圖像的特征，提高模型的泛化能力和識別準(zhǔn)確率。

本文通過調(diào)整VGG16卷積神經(jīng)網(wǎng)絡(luò)的卷積核數(shù)量、全連接層參數(shù)、卷積層數(shù)等，來實(shí)現(xiàn)網(wǎng)絡(luò)模型參數(shù)的輕量化，并進(jìn)行數(shù)據(jù)增強(qiáng)以提高數(shù)據(jù)質(zhì)量，較好實(shí)現(xiàn)CIFAR-10數(shù)據(jù)集的分類識別。

1" 基于VGG網(wǎng)絡(luò)的圖像識別

VGG卷積神經(jīng)網(wǎng)絡(luò)在圖像分來中有著廣泛的應(yīng)用，VGG網(wǎng)絡(luò)根據(jù)網(wǎng)絡(luò)深度主要有VGG11、VGG13、VGG16、VGG19等幾種網(wǎng)絡(luò)結(jié)構(gòu)。其中VGG16卷積神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)模型參數(shù)量、特征提取能力、訓(xùn)練收斂速度等方面擁有十分均衡的性能。由于小尺寸圖像的分辨率較低，所含特征相對較少，VGG16就可以完全滿足諸如Fashion-MNIST數(shù)據(jù)集、MNIST手寫字體數(shù)據(jù)集、CIFAR-10數(shù)據(jù)集等小尺寸圖像的識別分類任務(wù)。VGG16網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

CIFAR-10數(shù)據(jù)集包含10個(gè)類別的圖像，每個(gè)類別有6 000張圖片，每張圖片有3個(gè)顏色通道、圖片尺寸為32×32像素。在諸多文獻(xiàn)中，對CIFAR-10數(shù)據(jù)集采用卷積神經(jīng)網(wǎng)絡(luò)的識別性能分析，在訓(xùn)練集上均能達(dá)到十分優(yōu)秀的識別準(zhǔn)確率，但對于測試集數(shù)據(jù)的識別準(zhǔn)確率仍有較大的提升空間，若模型訓(xùn)練時(shí)沒有進(jìn)行數(shù)據(jù)增強(qiáng)，測試集數(shù)據(jù)的識別準(zhǔn)確率一般不會超過85%，而訓(xùn)練時(shí)進(jìn)行數(shù)據(jù)增強(qiáng)后，測試集數(shù)據(jù)的識別準(zhǔn)確率明顯好于沒有進(jìn)行數(shù)據(jù)增強(qiáng)的情況[6-7]。

圖1中所示VGG16網(wǎng)絡(luò)結(jié)構(gòu)圖部分參數(shù)做了相應(yīng)改變。在諸多可查詢的相關(guān)文獻(xiàn)中，VGG16卷積神經(jīng)網(wǎng)絡(luò)大多是在ImageNet數(shù)據(jù)集上進(jìn)行的分類訓(xùn)練測試的，其類別數(shù)達(dá)到了1 000種，而CIFAR-10數(shù)據(jù)集、MNIST手寫字體數(shù)據(jù)集、Fashion-MNIST數(shù)據(jù)集僅有10種類別，需要將輸入層Input的數(shù)據(jù)輸入尺寸改為（32，32，3），將FC3全連接層的輸出參數(shù)設(shè)置為10，可訓(xùn)練參數(shù)量為33 638 218。因此對VGG16網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)做必要的調(diào)整來對模型適當(dāng)輕量化，從而減少計(jì)算量理論上是可行的。

本文中采用的模型訓(xùn)練平臺參數(shù)：CPU為Intel i3 8100，內(nèi)存為DDR4，8 GB，2 400 MHz，顯卡為NVIDIA GTX1060，3 GB，使用TensorFlow 2.10.0深度學(xué)習(xí)框架搭建模型。

2" 基于VGG16網(wǎng)絡(luò)的改進(jìn)

在VGG16網(wǎng)絡(luò)中，模型的優(yōu)化器采用SGD，沖量系數(shù)momentum為0.9，學(xué)習(xí)率為0.01，激活函數(shù)為ReLU，批大小為128，測試數(shù)據(jù)集作為驗(yàn)證數(shù)據(jù)集，分別迭代50次、100次和150次，且求三次運(yùn)算結(jié)果的分類識別準(zhǔn)確率平均值為最終值，減小偶然因素的影響。模型識別準(zhǔn)確率如表1所示。

CIFAR-10數(shù)據(jù)集相較于ImageNET數(shù)據(jù)集圖像尺寸小很多，圖像包含的特征也要少一些，可以對VGG16網(wǎng)絡(luò)模型進(jìn)行輕量化而不降低網(wǎng)絡(luò)模型對CIFAR-10數(shù)據(jù)集的識別精度。通過調(diào)整VGG16卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)層數(shù)、卷積核數(shù)量、調(diào)整全連接層參數(shù)等方法，可以實(shí)現(xiàn)對VGG16網(wǎng)絡(luò)的輕量化改進(jìn)，達(dá)到對小尺寸圖像良好的分類識別性能[8-9]。

2.1" 減少卷積核數(shù)量

降低各卷積核的數(shù)量可以較為明顯地減少模型的可訓(xùn)練參數(shù)數(shù)量。本文通過等比例減少各層的卷積核數(shù)量和全連接層神經(jīng)元數(shù)量，來初步實(shí)現(xiàn)針對小尺寸圖像識別的卷積神經(jīng)網(wǎng)絡(luò)輕量化。將第一層卷積核由64逐步改為32、24、16，其余各層參數(shù)等比例減少，得到了3個(gè)卷積神經(jīng)網(wǎng)絡(luò)，針對CIFAR-10數(shù)據(jù)集進(jìn)行訓(xùn)練，選出性能表現(xiàn)優(yōu)秀的模型。得到的3個(gè)卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中采用固定學(xué)習(xí)率的方法會出現(xiàn)明顯的過擬合現(xiàn)象，訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集均在迭代50次以后出現(xiàn)明顯的識別準(zhǔn)確率跳動，說明出現(xiàn)了過擬合現(xiàn)象。為此采用動態(tài)更新學(xué)習(xí)率機(jī)制來克服過擬合現(xiàn)象，每迭代20次后，學(xué)習(xí)率變?yōu)橹暗?.65倍，得到的訓(xùn)練結(jié)果如表2所示。

在表2中，各分類精度數(shù)據(jù)是在進(jìn)行150次迭代后得到的?？梢钥闯?，隨著卷積核數(shù)量減少，模型的測試數(shù)據(jù)分類準(zhǔn)確率有較為明顯的下降，但訓(xùn)練數(shù)據(jù)集的分類準(zhǔn)確率并沒有較大改變。因此對于小尺寸圖像，測試數(shù)據(jù)分類準(zhǔn)確率會隨著第一層卷積核數(shù)量減少而下降，綜合測試集數(shù)據(jù)分類識別結(jié)果選取第一層的卷積核數(shù)量為32的模型作為優(yōu)化對象，繼續(xù)進(jìn)行改進(jìn)。

2.2" 調(diào)整網(wǎng)絡(luò)層數(shù)

通過刪減網(wǎng)絡(luò)模型的層數(shù)簡化網(wǎng)絡(luò)，增加全連接層會顯著增加網(wǎng)絡(luò)模型的參數(shù)量，相反的減少全連接層可以明顯減少網(wǎng)絡(luò)模型的參數(shù)量，嘗試刪減FC1、FC2以及BLOCK1池化層等，來研究模型對CIFAR-10數(shù)據(jù)集的分類識別準(zhǔn)確率。采用固定學(xué)習(xí)率（學(xué)習(xí)率設(shè)為0.01）經(jīng)過三次訓(xùn)練后，仍然取三次分類準(zhǔn)確率的平均值作為最終的分類準(zhǔn)確率，實(shí)驗(yàn)結(jié)果如表3所示。

通過表3中數(shù)據(jù)能夠很清晰看出，無論是VGG16模型還是簡化后的模型，在經(jīng)過150次的迭代訓(xùn)練結(jié)束后，對訓(xùn)練數(shù)據(jù)集的分類準(zhǔn)確率差別很小，對測試數(shù)據(jù)集的分類準(zhǔn)確率集中在80%左右，說明模型均有較好的收斂性和圖像特征提取與分類能力。結(jié)合網(wǎng)絡(luò)模型各層訓(xùn)練參數(shù)數(shù)量可看出，全連接層神經(jīng)元數(shù)量對網(wǎng)絡(luò)參數(shù)數(shù)量影響最大，因此將原有的3個(gè)全連接層調(diào)整為兩個(gè)全連接層用來進(jìn)行分類。在訓(xùn)練過程中，由于全連接層的減少，可訓(xùn)練參數(shù)明顯減少，模型的過擬合現(xiàn)象有所減弱，在訓(xùn)練過程中采用固定學(xué)習(xí)率仍可以達(dá)到較好的訓(xùn)練效果。

分析網(wǎng)絡(luò)的各層輸出，VGG16網(wǎng)絡(luò)模型的輸入圖像尺寸為32×32，BLOCK1的輸出圖像尺寸為16×16，BLOCK2的輸出圖像尺寸為8×8，BLOCK3的輸出圖像尺寸為4×4，BLOCK4的輸出圖像尺寸為2×2，BLOCK5的輸出圖像尺寸為1×1，BLOCK5的輸出圖像尺寸太小，池化過程中會喪失部分圖像特征，對模型的性能有削弱，因此可采用刪除部分池化層，以增BLOCK5輸出的特征圖尺寸。對于刪除BLOCK1_POOL池化層網(wǎng)絡(luò)識別率降低的問題，是由于在訓(xùn)練過程中出現(xiàn)相對較為明顯的過擬合現(xiàn)象，采取動態(tài)調(diào)整學(xué)習(xí)率或是采取批歸一化的方法，可以較好地抑制過擬合現(xiàn)象。

2.3" 增加批歸一化層

增加批歸一化層可以有降低模型對參數(shù)初始化的敏感性，將各層的輸入數(shù)據(jù)均值變?yōu)?、方差變?yōu)?，從而使網(wǎng)絡(luò)不再需要不斷適應(yīng)輸入數(shù)據(jù)的分布變化，允許使用更高的學(xué)習(xí)率，而不會導(dǎo)致訓(xùn)練不穩(wěn)定或發(fā)散，有助于防止網(wǎng)絡(luò)過擬合，加速訓(xùn)練過程。采用先進(jìn)行批歸一化操作后進(jìn)行激活，增加批歸一化層后采用固定學(xué)習(xí)率（學(xué)習(xí)率設(shè)為0.01）訓(xùn)練迭代150次實(shí)驗(yàn)結(jié)果如表4所示。

從表4中可以看出增加歸一化層后，刪除FC1和BLOCK1_POOL池化層后的網(wǎng)絡(luò)對CIFAR-10數(shù)據(jù)集測試集的分類識別性能更好，但該網(wǎng)絡(luò)的參數(shù)量也是3個(gè)網(wǎng)絡(luò)中最多的。

2.4" 調(diào)整全連接層的參數(shù)

在刪除FC1層的前提下，沒有刪除BLOCK1_POOL池化層時(shí)，BLOCK5的輸出特征圖尺寸太小為256×1×1，展開后輸入全連接層的參數(shù)為256；刪除BLOCK1_POOL池化層時(shí)，BLOCK5的輸出特征圖尺寸太小為256×2×2，展開后輸入全連接層的參數(shù)為1 024。完全可以將全連接層的輸出參數(shù)調(diào)整為256，結(jié)合表4增加批歸一化層后模型識別精度，選擇刪除FC1和BLOCK1_POOL池化層后的網(wǎng)絡(luò)將其全連接層FC1輸出參數(shù)調(diào)整為256，經(jīng)過訓(xùn)練得到在CIFAR-10數(shù)據(jù)集測試集上最終的網(wǎng)絡(luò)識別準(zhǔn)確率為86.02%，可訓(xùn)練參數(shù)量為3 949 354。

綜上，經(jīng)過各環(huán)節(jié)改進(jìn)后，改進(jìn)后的模型如圖2所示。

3" 改進(jìn)網(wǎng)絡(luò)的優(yōu)化與測試分析

經(jīng)過對VGG16網(wǎng)絡(luò)進(jìn)行改進(jìn)和適度輕量化，得到的網(wǎng)絡(luò)在CIFAR-10數(shù)據(jù)集上測試集的識別準(zhǔn)確率達(dá)到86%以上，還可以通過對數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)、增加Dropout層、采用全局平均池化層等方法，實(shí)現(xiàn)更高的識別準(zhǔn)確率。在采取有效方法抑制模型訓(xùn)練過擬合的情況下，理論上可以通過增加迭代次數(shù)使測試集識別準(zhǔn)確率達(dá)到或接近100%，但實(shí)際上受限于數(shù)據(jù)集各類別圖像在訓(xùn)練集和測試集上的分布、數(shù)據(jù)增強(qiáng)措施、模型的結(jié)構(gòu)與參數(shù)量等因素，測試集識別準(zhǔn)確率只要達(dá)到期望值，就可以認(rèn)為模型得到了有效訓(xùn)練，達(dá)到了性能要求。

3.1" 采用數(shù)據(jù)增強(qiáng)

對CIFAR-10數(shù)據(jù)集的訓(xùn)練集圖像進(jìn)行隨機(jī)水平平移、隨機(jī)垂直平移、隨機(jī)縮放、隨機(jī)水平翻轉(zhuǎn)、隨機(jī)錯(cuò)切變換操作，同時(shí)對FC1全連接層增加Dropout層，設(shè)置Dropout值為0.4，防止模型訓(xùn)練出現(xiàn)過擬合，提升模型的泛化能力。采用固定學(xué)習(xí)率（學(xué)習(xí)率設(shè)為0.01）迭代150次后數(shù)據(jù)增強(qiáng)后的訓(xùn)練集識別準(zhǔn)確率達(dá)到98.27%，測試集識別準(zhǔn)確率達(dá)到88.05%。數(shù)據(jù)增強(qiáng)后訓(xùn)練結(jié)果如圖3所示。

從圖3可以看出，采用固定學(xué)習(xí)率，在訓(xùn)練初期可以使模型快速收斂，在訓(xùn)練集上達(dá)到了很高的識別準(zhǔn)確率，但隨著迭代次數(shù)的增加，模型驗(yàn)證數(shù)據(jù)集的識別準(zhǔn)確率出現(xiàn)明顯上下浮動，出現(xiàn)過擬合現(xiàn)象，模型訓(xùn)練過程中的穩(wěn)定性有進(jìn)一步提升的空間。

3.2" 動態(tài)調(diào)整學(xué)習(xí)率

在模型訓(xùn)練過程中適時(shí)減小學(xué)習(xí)率可以防止因?qū)W習(xí)率過大造成的模型不收斂和過擬合現(xiàn)象。采取學(xué)習(xí)率動態(tài)調(diào)整策略：迭代前100次固定學(xué)習(xí)率為0.01，迭代次數(shù)在101到160之間為每迭代20次學(xué)習(xí)率變?yōu)橹暗?.65倍，迭代次數(shù)161到210之間為每迭代10次學(xué)習(xí)率變?yōu)橹暗?.75倍，迭代次數(shù)211到250之間為每迭代8次學(xué)習(xí)率變?yōu)橹暗?.8倍，迭代次數(shù)251到300之間的學(xué)習(xí)率為0.000 1。動態(tài)調(diào)整學(xué)習(xí)率后訓(xùn)練結(jié)果如圖4所示。

學(xué)習(xí)率動態(tài)調(diào)整后，測試集識別準(zhǔn)確率變化變得平順，過擬合現(xiàn)象有效改善。迭代150次后數(shù)據(jù)增強(qiáng)后的訓(xùn)練集識別準(zhǔn)確率達(dá)到99.31%，測試集識別準(zhǔn)確率達(dá)到89.78%；迭代300次后數(shù)據(jù)增強(qiáng)后的訓(xùn)練集識別準(zhǔn)確率達(dá)到99.67%，測試集識別準(zhǔn)確率達(dá)到90.39%。

3.3" 采用全局平均池化層

采用全局平均池化層替代FC1全連接層，主要目的還是減少模型參數(shù)量，也會在一定程度上防止過擬合的發(fā)生[10]，替代后模型可訓(xùn)練參數(shù)量為3 686 954。迭代150次后數(shù)據(jù)增強(qiáng)后的訓(xùn)練集識別準(zhǔn)確率達(dá)到99.48%，測試集識別準(zhǔn)確率達(dá)到90.10%；迭代300次后數(shù)據(jù)增強(qiáng)后的訓(xùn)練集識別準(zhǔn)確率達(dá)到99.72%，測試集識別準(zhǔn)確率達(dá)到90.64%。訓(xùn)練過程中識別精度變化和結(jié)果如圖5所示。

此時(shí)的模型比VGG16模型可訓(xùn)練參數(shù)量少了89.04%，測試集上的分類識別準(zhǔn)確率也提升了近9%。

4" 結(jié)" 論

本文對VGG16模型進(jìn)行改進(jìn)，通過減少卷積核數(shù)量、刪除部分網(wǎng)絡(luò)層、使用全局平均池化替代全連接層等方法，使改進(jìn)后的模型在小尺寸圖片分類識別中仍然保持良好的性能，在CIFAR-10數(shù)據(jù)集上進(jìn)行驗(yàn)證網(wǎng)絡(luò)模型性能。

在模型訓(xùn)練過程中，采取數(shù)據(jù)增強(qiáng)、動態(tài)調(diào)整學(xué)習(xí)率、增加Dropout層等方法來抑制過擬合現(xiàn)象。最終得到網(wǎng)絡(luò)模型可訓(xùn)練參數(shù)量為3 686 954，比VGG16模型可訓(xùn)練參數(shù)量少了89.04%，測試集上的分類識別準(zhǔn)確率也提升了近9%，更加適合嵌入式系統(tǒng)和邊緣計(jì)算的應(yīng)用場合。

參考文獻(xiàn)：

[1] 郭慶梅，于恒力，王中訓(xùn)，等.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類模型綜述 [J].電子技術(shù)應(yīng)用，2023，46（9）：31-38.

[2] 李靖霞，李文瑾.基于遷移學(xué)習(xí)和多尺度融合的遙感影像場景分類方法研究 [J].現(xiàn)代信息科技，2024，8（8）：138-141+145.

[3] 郭子寧，黃海龍，高培根.改進(jìn)SqueezeNet卷積神經(jīng)網(wǎng)絡(luò)機(jī)械零件表面缺陷檢測算法 [J].制造業(yè)自動化，2024，46（2）：121-124.

[4] 辛聰，李菁.基于MobileNet的電力設(shè)備圖像識別 [J].工業(yè)控制計(jì)算機(jī)，2024，37（3）：157-158+166.

[5] 謝生鋒.基于Xception和遷移學(xué)習(xí)的圖像分類研究 [J].現(xiàn)代計(jì)算機(jī)，2024，30（1）：75-78.

[6] ERDAS A，ARSLAN E，?ZTüRKCAN B，et al. A Study on Object Classification Using Deep Convolutional Neural Networks and Comparison with Shallow Networks [C]//2018 6th International Conference on Control Engineering amp; Information Technology （CEIT）.Istanbul：IEEE，2018：1-4.

[7] CHAUHAN R，GHANSHALA K K，JOSHI R C. Convolutional Neural Network （CNN） for Image Detection and Recognition [C]//2018 First International Conference on Secure Cyber Computing and Communication （ICSCCC）.Jalandhar：IEEE，2018：278-282.

[8] 張玉，武海，林凡超，等.圖像識別中的深度學(xué)習(xí)模型剪枝技術(shù) [J].南京理工大學(xué)學(xué)報(bào)，2023，47（5）：699-707.

[9] 代東南，馬睿，劉起，等.基于特征融合注意力機(jī)制的櫻桃缺陷檢測識別研究 [J].山東農(nóng)業(yè)科學(xué)，2024，56（3）：154-162.

[10] 李玥辰，趙曉，王若男，等.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的中藥飲片圖像識別 [J].科學(xué)技術(shù)與工程，2024，24（9）：3596-3604.

作者簡介：陳靈方（1989—），男，漢族，河南新安人，講師，碩士，主要研究方向：機(jī)械傳動系統(tǒng)設(shè)計(jì)、農(nóng)機(jī)智能化。