摘要：針對農(nóng)貿(mào)市場、果蔬超市中結(jié)算流程不夠智能化以及重型神經(jīng)網(wǎng)絡(luò)模型部署困難等問題，對果蔬分類模型輕量化識別方法進行了研究。首先針對果蔬智能識別設(shè)備所在環(huán)境差異大、果蔬套袋問題，采用多場景采集方案在果蔬超市現(xiàn)場采集果蔬170種、圖片136 000張，并設(shè)計了弱化套袋的圖像預(yù)處理方法，對數(shù)據(jù)進一步增強。然后針對重量級神經(jīng)網(wǎng)絡(luò)部署困難以及成本較高的問題，設(shè)計了一種基于深度可分離卷積的果蔬分類識別模型，并進行訓(xùn)練測試，其Top-1準確率達96.8%，Top-5準確率達100%，相對于Mobilenetv2-224，運算量減少了70%，相對于Mobilenetv3-224，運算量減少了60%，識別能力介于Mobilenetv2-224和Mobilenetv3-224之間。最后對所設(shè)計果蔬分類模型在實際部署中面臨的問題進行了分析。

關(guān)鍵詞：果蔬分類；圖像增強；深度可分類卷積；輕量化神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP391.41" " " " "文獻標識碼：A

文章編號：0439-8114（2024）08-0028-07

DOI：10.14088/j.cnki.issn0439-8114.2024.08.006 開放科學(xué)（資源服務(wù)）標識碼（OSID）：

Fruit and vegetable classification and recognition method based on Depthwise Separable Convolution

YUE Zhen1， LI Zhuo-ran1， WANG Xu-qian1， HOU Zong-sheng1， MIAO Zhuang2， ZHENG Yi3， LIU Jie1

（1. School of Science and Information Science， Qingdao Agricultural University， Qingdao" 266109， Shandong， China；

2. Qingdao Topscomm Communication Co.， Ltd.， Qingdao" 266109， Shandong， China；

3. Yiwen Family Farm in Pingyi County， Linyi" 273302， Shandong， China）

Abstract： Aiming at the problem that the settlement process in agricultural trade markets and fruit and vegetable supermarkets was not intelligent enough and the difficulty of deploying heavy neural network models， the lightweight recognition method of fruit and vegetable classification model was studied. Firstly， in response to the large differences in the environment where the intelligent recognition equipment for fruits and vegetables was located， and the problem of fuzzy features in fruit and vegetable bagging， a multi-scene collection scheme was used to collect 170 kinds of fruits and vegetables and 136 000 pictures in the fruit and vegetable supermarket， and an image preprocessing scheme for weakened bagging was formulated to further enhance the data. Secondly， aiming at the difficulty of deploying the heavyweight neural network and the high cost， a fruit and vegetable classification recognition model based on Depthwise separable convolution was designed， trained and tested. Its Top-1 success rate had reached 96.8%， and the Top-5 success rate had reached 100%. Compared to Mobilenetv2-224， the amount of computation had been reduced by 70%， compared to Mobilenetv3-224， the amount of computing had also been reduced by 60%， and the recognition ability was higher than Mobilenetv2-224 and lower than Mobilenetv3-224. Finally， the problems faced by the designed fruit and vegetable classification model in the actual deployment were analyzed.

Key words： fruit and vegetable classification； image enhancement； depthwise separable convolution； lightweight neural network

隨著生產(chǎn)力的發(fā)展，人們生活水平不斷提高，對水果蔬菜的需求不斷增長［1-4］。當前水果和蔬菜銷售集中在農(nóng)貿(mào)市場、生鮮超市，主要有兩種購物方式［5］：第一種是先由顧客選自己所需要的果蔬，交給店員輸入商品價格、稱重然后結(jié)算，這種購物過程不僅需要店員一直守候在稱重和付款設(shè)備旁邊重復(fù)輸入果蔬價格，比較容易出錯，且可能導(dǎo)致顧客排隊；第二種是工作人員首先對果蔬封裝、稱重并打上價格條形碼，消費者自主選擇后到收銀臺掃描付費［6］，這種購物方式雖然不需要客戶排隊稱重，但是影響了消費者對需求量大小的選擇，并增加了運營者更多的人力成本。

近年來，圖像識別技術(shù)快速發(fā)展，在大規(guī)模圖像識別挑戰(zhàn)賽（ILSVRC）中，深度學(xué)習技術(shù)的引入推動了圖像分類的性能從2010年的30%錯誤率下降到2017年的2%以下。理論上基于深度學(xué)習的果蔬分類識別只需要一個攝像頭和一臺計算機即可實現(xiàn)，從而可以使果蔬的購物方式變成客戶自助購物模式。神經(jīng)網(wǎng)絡(luò)模型目前有兩種發(fā)展方向，一種為了追求更高的準確率，其結(jié)構(gòu)往更深、更復(fù)雜方向設(shè)計；另一種考慮到有限計算環(huán)境下的實時計算，在追求準確率的同時兼顧網(wǎng)絡(luò)大小和運行速度。

在果蔬超市中，果蔬識別系統(tǒng)布置在不同的位置，其識別容易受到各種室內(nèi)燈光環(huán)境的影響，并且還容易受到各種外界天氣變化的影響［7］；農(nóng)貿(mào)市場很多處于露天環(huán)境，即使有大棚遮擋，果蔬識別也非常容易受到外界各種天氣、光照以及來往人員影子的影響。這些因素都給果蔬的正確識別帶來了干擾。雖然復(fù)雜的深度學(xué)習網(wǎng)絡(luò)在性能上更加強大，但是由于運算量和參數(shù)量巨大，對果蔬識別的硬件平臺要求比較高［8，9］。一般的硬件平臺即使能夠運行復(fù)雜的神經(jīng)網(wǎng)絡(luò)，但是運行的時間會比較長，這會影響顧客購物體驗；如果采用加速棒等方法進行加速，雖然可以提高速度，但是會增加成本，不利于智能果蔬識別設(shè)備在農(nóng)貿(mào)市場和果蔬超市的推廣應(yīng)用。隨著深度卷積神經(jīng)網(wǎng)絡(luò)輕量化的發(fā)展，可以在低運算量下實現(xiàn)較高準確率，從而兼顧成本與識別率。

1 整體架構(gòu)

本研究所采用的果蔬分類整體識別方法流程如圖1所示，首先使用ACS-S30采集果蔬訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，對兩個數(shù)據(jù)集分別進行圖像預(yù)處理后進行增強，然后使用增強后的果蔬訓(xùn)練數(shù)據(jù)集對建立的果蔬分類識別神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并使用增強后的果蔬測試數(shù)據(jù)集進行測試并分析，最后將果蔬分類識別網(wǎng)絡(luò)部署在安卓平臺，應(yīng)用在各個果蔬超市中?？紤]到果蔬超市中顧客會先對果蔬裝袋然后稱重，本研究對訓(xùn)練圖片和測試圖片都進行了圖像預(yù)處理。考慮到果蔬超市運營者對成本比較敏感以及復(fù)雜神經(jīng)網(wǎng)絡(luò)部署上的困難，本研究參考ShuffleNet網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計了一種基于深度可分離的果蔬分類識別模型，并基于此模型對果蔬分類方法進行了研究。

2 數(shù)據(jù)和方法

2.1 多場景現(xiàn)場數(shù)據(jù)采集

在青島樂華超市8個門店使用青島中科英泰商用系統(tǒng)股份有限公司智能秤ACS-S30進行果蔬實時采集，共采集果蔬170種。因為每一種果蔬選購的頻率不同，每種果蔬采集的照片數(shù)量不同。對采集數(shù)量較多的果蔬對其圖片進行隨機抽選，對采集較少的果蔬安排人員采集補充，使每種果蔬都有800張圖片，總共得到圖片136 000張，將圖片按照" 8∶2的比例分為訓(xùn)練集和測試集。采用這種多個門店現(xiàn)場采集方法，可以保證所采集的每一種果蔬圖片盡可能地模擬真實顧客購買場景，每種果蔬的圖片組合包含此品種在不同環(huán)境、光照下的各種形態(tài)圖片，方便所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型可以直接部署在門店使用。為了盡量減少背景的干擾，對所采集的圖片進行了居中裁剪，裁剪后的分辨率為1 100× 1 000。

2.2 圖像預(yù)處理

訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集的圖像預(yù)處理流程如圖2所示。為提高所搭建神經(jīng)網(wǎng)絡(luò)模型對外界環(huán)境變換的適應(yīng)能力，需要通過圖像增強訓(xùn)練來進一步泛化神經(jīng)網(wǎng)絡(luò)，所采用的圖像增強方法包括：對訓(xùn)練數(shù)據(jù)集進行隨機裁剪，水平或者豎直鏡像，亮度、色調(diào)、對比度［10］隨機調(diào)整。由于在農(nóng)貿(mào)市場和果蔬超市，果蔬通常是先裝袋然后稱重，所套袋子往往會模糊果蔬細節(jié)，因此有必要對套袋果蔬圖像進行增強處理，弱化套袋帶來的影響。本研究采用圖像直方圖均衡化［11］方法對圖像進行增強，直方圖均衡方法如下。

1）首先統(tǒng)計原始圖像直方圖，統(tǒng)計方法如公式（1）所示，其中N為一幅圖像的總的像素數(shù)，[nk]表示第k級灰度的像素數(shù)，[rk]表示第k個灰度級，[p（rk）]為該灰度級出現(xiàn)的相對頻率；

[p（rk）] =[nkN]" " " " " "（1）

2）由公式（2）計算新的灰度級；

[sk=Trk=j=0kprj=j=0knkN]" " " " （2）

3）根據(jù)圖像像素深度，修正[sk]為合理的灰度級；

4）重新計算新的直方圖，用處理后新的灰度值代替處理前的灰度值，生成新圖像。

3 基于深度可分離卷積的果蔬分類模型

精簡模型網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)輕量化是提高檢測速度的主要手段，根據(jù)實現(xiàn)方式的不同可大致分為輕量級網(wǎng)絡(luò)［12］設(shè)計和網(wǎng)絡(luò)剪枝［13］兩條技術(shù)路線，本研究從輕量級網(wǎng)絡(luò)設(shè)計出發(fā)，結(jié)合果蔬識別實際應(yīng)用場景，提出了一種基于深度可分離神經(jīng)網(wǎng)絡(luò)分類模型并對該網(wǎng)絡(luò)模型能力進行了對比測試。

3.1 輕量級網(wǎng)絡(luò)設(shè)計方法

在卷積神經(jīng)網(wǎng)絡(luò)中，卷積不僅是確保網(wǎng)絡(luò)表征能力最重要的一環(huán)，同時亦是計算和存儲成本最高的一項操作。為了有效降低卷積的計算量和參數(shù)量，在輕量級網(wǎng)絡(luò)設(shè)計中常采用深度可分離卷積（Depthwise Separable Convolution）替代標準卷積作為網(wǎng)絡(luò)的基礎(chǔ)單元。標準卷積的特點是每個卷積核的通道數(shù)與輸入量通道數(shù)相同，卷積核的數(shù)量與輸出量的通道數(shù)相同，每個通道單獨做卷積運算后相加。

在標準卷積的計算過程中，卷積的參數(shù)量和計算量主要受輸入通道數(shù)[Cin]、卷積核[KH×KW] 、輸出通道數(shù)[Cout]和輸出特征圖 [Hout×Wout]四組參數(shù)影響，在忽略加法的情況下，其乘法運算量[G1]如公式（3）所示，參數(shù)量[G2]如公式（4）所示，具體過程如圖3所示。從過程圖和公式可以看出，標準卷積運算量和參數(shù)量都相當大。

[G1=Cin×KH×KW×Cout×Hout×Wout] （3）

[G2=Cin×KH×KW×Cout]" " " " " " （4）

卷積前與卷積后的圖像尺寸變化根據(jù)公式（5）計算。其中[Fin]為輸入尺寸，k為卷積尺寸大小，p為補零個數(shù)，s為步進值，[FO]為輸出尺寸。

[FO=Fin-k+2ps+1]" " " " " " （5）

深度可分離卷積是一種用來降低參數(shù)量和運算量的卷積方式，其卷積過程包括深度卷積和點卷積兩部分。深度卷積中一個卷積核只有一個通道，卷積核數(shù)量與輸入量通道數(shù)相同，輸出量通道數(shù)不變，只負責通道內(nèi)信息的融合，即一個卷積核只對一個通道進行卷積，具體過程如圖4所示。深度卷積忽略了通道之間的影響，因此經(jīng)過深度卷積后再進行點卷積，點卷積是一種標準卷積，卷積核大小為[1×1]。點卷積實際上就是逐通道卷積可進行組內(nèi)通道的信息融合。一次完整深度可分離卷積，其乘法運算量[G1s]如公式（6）所示，參數(shù)量[G2s]如公式（7）所示。

[G1s=Cin×KH×KW×Hout×Wout+Cin×Cout×Hout×Wout]" " " （6）

[G2s=Cin×KH×KW+Cin×Cout]" " " " （7）

經(jīng)過如上分析，深度可分離卷積的參數(shù)量、運算量與標準卷積的參數(shù)量、運算量之比如公式（8）和公式（9）所示。深度可分離卷積無論是參數(shù)量還是計算量均僅為標準卷積的[1Cout+1KH×KW]。因為卷積過程輸出通道數(shù)一般比較多，[1Cout]可以忽略。以 3×3 卷積核為例，前者的參數(shù)量和計算量約為后者的1/9，降幅十分明顯。

[G1sG1=Cin×KH×KW×Hout×Wout+Cin×Cout×Hout×WoutCin×KH×KW×Cout×Hout×Wout=1Cout+1KH×KW]" " " " （8）

[G2sG2=Cin×KH×KW+Cin×CoutCin×KH×KW×Cout=1Cout+1KH×KW]" "（9）

3.2 果蔬神經(jīng)網(wǎng)絡(luò)分類模型

特征提取模塊作為分類模型的骨干，是模型中參數(shù)量和計算量最大的一個模塊。通常為了提高模塊的表征能力，需要設(shè)計一個較深的網(wǎng)絡(luò)結(jié)構(gòu)。而網(wǎng)絡(luò)深度的增加意味著模塊參數(shù)量和計算量的增加，因此對于實時檢測模型而言，如何在保證一定表征能力的前提下盡可能降低模塊的開銷是設(shè)計的關(guān)鍵。為了實現(xiàn)上述目標，參考ShuffleNetV2，設(shè)計一種果蔬分類神經(jīng)網(wǎng)絡(luò)模型，表1為模塊詳細的網(wǎng)絡(luò)結(jié)構(gòu)。

從表1可以看到，特征提取模塊在處理輸入圖像時共需經(jīng)歷八個階段。前五個階段，在輸出特征圖尺寸減小一半的同時，為了能夠保留盡量多的信息，輸出的通道數(shù)會相應(yīng)增加。在第一和第二階段，模塊首先會利用一個3×3的標準卷積和3×3的最大值池化，步進都為2，快速將特征圖的尺寸縮小至原始圖像的1/16。從第三到第五階段，每一階段均是由數(shù)個圖5a中的單元組成。在每個階段的開始，首先使用Block 1對輸入進行下采樣并擴展通道數(shù)，對應(yīng)第三至第五階段，通道數(shù)分別被擴展至96、192和384；之后通過堆疊Block 2的方式提高圖像特征的提取能力，對應(yīng)第三至第五階段，Block 2分別被重復(fù)堆疊的次數(shù)為4、6和4。第六階段進行一次點卷積，將通道數(shù)提高到1 000；第七階段進行最大值池化，將多通道圖像轉(zhuǎn)化為一維數(shù)據(jù)；第八階段進行一個全連接，輸出果蔬分類結(jié)果。實際上，Block 1擴展的通道數(shù)和Block 2堆疊的次數(shù)均可以根據(jù)應(yīng)用場景進行調(diào)整。一般而言，通道數(shù)和堆疊次數(shù)越少，模型的檢測速度越快，相應(yīng)的檢測精度也越低。需要指出，在特征提取模塊中包含了大量通道混洗的操作，為了實現(xiàn)通道之間信息更加充分地流動，通道混洗方法如圖5b所示。

可以看到，實現(xiàn)通道混洗可分為3步操作。首先，依次對輸入通道進行編號并按照序號順序?qū)ζ溥M行分組，根據(jù)分組情況將通道從一維列向量變換成二維數(shù)組，然后對二維數(shù)組進行轉(zhuǎn)置，實現(xiàn)行列互換。

3.3 果蔬神經(jīng)網(wǎng)絡(luò)分類模型訓(xùn)練及測試

為防止過擬合，首先將網(wǎng)絡(luò)模型輸出更改為" " 1 000，采用國際公用圖像庫ImageNet進行訓(xùn)練，對建立的果蔬分類模型進行訓(xùn)練得到一個初步的學(xué)習參數(shù)。接著將輸出層數(shù)量更改為170，其他保持不變，使用果蔬訓(xùn)練數(shù)據(jù)集接著訓(xùn)練，并計算epoch個數(shù)。當訓(xùn)練數(shù)據(jù)集中圖片都輸入到神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成一輪后使用測試數(shù)據(jù)集進行測試。其中訓(xùn)練程序和測試程序通過Python實現(xiàn)應(yīng)用軟件開發(fā)。

測試集的Top-1準確率、Top-5準確率、loss和訓(xùn)練輪數(shù)epoch的關(guān)系如圖6所示。果蔬分類模型會給出5個預(yù)測結(jié)果，并根據(jù)可信度高低依次進行排序。Top-1準確率是指第一預(yù)測結(jié)果預(yù)測正確的概率，Top-5準確率是指5個預(yù)測結(jié)果中有一個預(yù)測正確的概率。從圖6可以看出，因為在使用果蔬訓(xùn)練集訓(xùn)練前已經(jīng)使用ImageNet進行訓(xùn)練，所以將輸出層數(shù)量更改為170以后，Top-1準確率和Top-5準確率能夠快速達到90%以上。其中的一個epoch是將所有的訓(xùn)練集數(shù)據(jù)送入網(wǎng)絡(luò)中完成一次前向傳播及反向傳播的過程。當完成20個epoch的訓(xùn)練后，測試集的Top-1準確率基本開始穩(wěn)定，最后穩(wěn)定在96.8%，Top-5準確率穩(wěn)定在100%。

采用同樣方式，對mobilenetv2-224網(wǎng)絡(luò)和mobilenetv3-224網(wǎng)絡(luò)進行訓(xùn)練，3種神經(jīng)網(wǎng)絡(luò)的準確率以及損失與輪數(shù)的對比如圖7所示。其使用上文計算得到的參數(shù)量、運算量、準確率以及在ACS-S30平臺上完成一次果蔬識別的時間如表2所示，其中完成一次果蔬識別包括圖像采集、圖像預(yù)處理和神經(jīng)網(wǎng)絡(luò)識別。從表2可以看出，使用本研究所建立的果蔬分類模型，相對于Mobilenetv2-224，運算量減少了70%，相對于Mobilenetv3-224，運算量也減少了60%。其Top-1準確率雖然低于Mobilenetv3-224，但是相對于Mobilenetv2-224卻有了提高。在ACS-S30上的一次果蔬識別時間降到193 ms，比采用Mobilenetv2-224降低了211 ms，比采用Mobilenetv3-224降低了130 ms。

4 果蔬分類神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)分析

圖8a、圖8b、圖8c是模型第一預(yù)測結(jié)果正確的3張示例圖，使用本研究建立的果蔬分類識別網(wǎng)絡(luò)的預(yù)測結(jié)果如表3所示。從表3可以看出，3種果蔬的第一預(yù)測結(jié)果的可信度遠高于其他預(yù)測結(jié)果的可信度。

圖8d、圖8e、圖8f是模型第一預(yù)測結(jié)果不正確，但是其余4個預(yù)測結(jié)果中有一個正確的3張示例圖，其預(yù)測結(jié)果如表3。圖8d是一顆大白菜，第一預(yù)測結(jié)果是綠甘藍，第三預(yù)測結(jié)果是大白菜，主要由于相機拍攝視場角的問題沒有獲取到大白菜全貌；圖8e是兩顆放在一起的綠甘藍，第一預(yù)測結(jié)果是生菜，第三預(yù)測結(jié)果綠甘藍，主要是由于兩顆綠甘藍渾然一體模糊了綠甘藍的特征；圖8f是紅富士蘋果，第一預(yù)測結(jié)果是西紅柿，第二預(yù)測結(jié)果為紅富士蘋果，主要由于擺放問題以及塑料袋打結(jié)導(dǎo)致沒有露出蘋果蒂和果臍而模糊了蘋果特征。

從預(yù)測結(jié)果分析可以看出，超市果蔬識別的主要問題是套袋問題和拍攝視場角問題。套袋主要是由于一些超市的袋子不透明或者打結(jié)致使袋子不透明所致；由于170種果蔬大小不一，顧客每次購買數(shù)量也不相同，裝袋后的擺放姿勢也各不相同，視場角如果過大會引入背景復(fù)雜問題，過小會導(dǎo)致無法獲得一些果蔬全貌。如果需要進一步提高正確率，需要在數(shù)據(jù)多樣性以及攝像頭擺放上面進一步細化研究。

5 小結(jié)

本研究針對農(nóng)貿(mào)市場和果蔬超市自主結(jié)算場景，首先采用多場景采集方式，使用青島中科英泰商用系統(tǒng)股份有限公司ACS-S30系統(tǒng)在門店現(xiàn)場采集圖片，盡可能還原現(xiàn)實真實場景，并對果蔬訓(xùn)練集和測試數(shù)據(jù)集設(shè)計了弱化套袋的圖像預(yù)處理方案，對數(shù)據(jù)進一步增強。然后根據(jù)果蔬識別特征，基于深度可分離卷積設(shè)計一種果蔬分類神經(jīng)網(wǎng)絡(luò)，其Top-1準確率達到96.8%，但是Top-5準確率達到100%，模型運算量相比Mobilienetv2和Mobilenetv3進一步壓縮，成功率介于兩者之間，可以輕松布置到安卓平臺上運行，在ACS-S30果蔬從采集、預(yù)處理到識別時間為193 ms，不會影響顧客購物體驗。

參考文獻：

［1］ 強文麗，田 楠，劉愛民，等.全球食物供給非均衡性演變及貿(mào)易影響［J］.地理科學(xué)進展， 2022， 41（8）：1416-1427.

［2］ 王靈恩，倪笑雯，李云云，等.基于入戶稱重調(diào)研的居民春節(jié)食物消費和浪費特征［J］.自然資源學(xué)報， 2022， 37（10）：2544-2558.

［3］ XUAN W， TO N C. New retail versus traditional retail in e-commerce： channel establishment， price competition， and consumer recognition［J］. Annals of operations research， 2020， 291（1）： 36937.

［4］ HAUSER M， GüNTHER S A， FLATH C M， et al. Towards digital transformation in fashion retailing： A Design-Oriented IS research study of automated checkout systems［J］. Wirtschaftsinformatik， 2019（1）：51-66.

［5］ 王緒謙， 路 程， 劉 杰， 等. 基于Mobilenetv3的果蔬分類識別研究［J］. 濰坊學(xué)院學(xué)報， 2023， 23（2）：105-110.

［6］ MILNE A. The rise and success of the barcode： Some lessons for financial services［J］. Journal of banking regulation，2013， 14（3-4）：241-254.

［7］ 李天華，孫 萌，丁小明，等.基于YOLO v4+HSV的成熟期番茄識別方法［J］.農(nóng)業(yè)工程學(xué)報， 2021， 37（21）：183-190.

［8］ 高 晗，田育龍，許封元，等.深度學(xué)習模型壓縮與加速綜述［J］.軟件學(xué)報， 2021， 32（1）：68-92.

［9］ 宋 爽， 張 悅， 張琳娜， 等.基于深度學(xué)習的輕量化目標檢測算法［J］.系統(tǒng)工程與電子技術(shù)， 2022， 44（9）：2716-2725.

［10］ 楊慧炯， 韓燕麗， 郭蕓俊. 基于亮度與色度信息的深度學(xué)習圖像風格遷移算法研究［J］. 重慶理工大學(xué)學(xué)報（自然科學(xué)）， 2019， 33（7）：145-151，159.

［11］ 孫海超， 田 睿， 丁南南，等. 基于直方圖均衡化的自動白平衡算法及其FPGA實現(xiàn)［J］.儀器儀表學(xué)報，2015，36（增刊）：222-226.

［12］ 曹渝昆， 桂麗嬡. 基于深度可分離卷積的輕量級時間卷積網(wǎng)絡(luò)設(shè)計［J］. 計算機工程， 2020， 46（9）：95-100，109.

［13］ 周仁爽， 陳堯森， 郭 兵， 等. 基于模塊相似性的超分網(wǎng)絡(luò)剪枝［J］. 電子科技大學(xué)學(xué)報， 2022， 51（1）：108-116.

基金項目：山東省自然科學(xué)基金面上項目“基于圖自注意網(wǎng)絡(luò)的圖嵌入聚類技術(shù)研究”（ZR2021MF078）；青島農(nóng)業(yè)大學(xué)博士課題“農(nóng)產(chǎn)品分選中的輕量級深度學(xué)習模型研究”

作者簡介：岳 振（1988-），男，山東臨沂人，講師，博士，主要從事基于深度學(xué)習的農(nóng)產(chǎn)品智能識別的研究工作，（電話）18766239659（電子信箱）1511052807@qq.com；通信作者，劉 杰，男，山東臨沂人，副教授，主要從事智慧農(nóng)業(yè)研究，（電話）18765282829（電子信箱）1831440117@qq.com。