靜琦，，.基于改進YOLOv8模型的黃花菜花蕾識別研究［J].湖北農(nóng)業(yè)科學(xué)，2025，64（7）：186-191.

關(guān)鍵詞：改進YOLOv8模型;深度學(xué)習(xí)；黃花菜（HemerocalliscitrinaBaroni）;花蕾；識別

中圖分類號：TP391 文獻標識碼：A

文章編號：0439-8114（2025）07-0186-06

DOI：10.14088/j.cnki.issn0439-8114.2025.07.032 開放科學(xué)（資源服務(wù)）標識碼（OSID）：I

Research on daylily buds recognition based on an improved YOLOv8 model

HUOJing-qi，CUI Ting-ting，XUE Zhi-lu （School of Mechatronic Engineering，Xi'an Vocational and Technical College，Xi'an 71Oooo，China）

Abstract：A CSPDenseNetbackbone module wasconstructedbydeply integratingCSPNetand DenseNet.This module wasintegrated intotheYOLOv8model，replacingthelasttwostandardconvolutioalmodulesattheendoftebackbonenetwork，resultinginteimproved YOLOv8model（Dense-YOLOv8）.Theresults demonstrated thattheDense-YOLOv8modelsuccesfullyidentifiedall maturebudsunderscenarioswithasimplebackgroundandsparsedaylily（Hemerocaliscitrina）Baronibuds.Underscenarioswith asimple backgroudanddensedaylilybuds，theDense-YOLOv8 modelexhibitedexcellentrecognitionperformanceinthebuddetectiontask，altoughsosedetectiosstilouednprocessingtightlyacenttargetsUnderscenariosiholebackground and dense daylily buds，the Dense-YOLOv8 model successfully identified all mature buds.The mAP ， FI ，recognition speed， and model size of the Dense-YOLOv8 model were 90.75% ，89 % ， 53f/s ，and 217.68 MB，respectively. Compared with the YOLO Δv8 2 model，F(xiàn)asterR-CNNmodelandYOLOv7model，theDense-YOLOv8 modelsignificantly improvedboththeaccuracyandspeedof object detection while streamlining the network structure and reducing parameters.

Key Words： improved YOLOv8 model;deep learning；daylily（Hemerocalis citrina Baroni）；bud;recognition

黃花菜（HemerocalliscitrinaBaroni）作為經(jīng)濟作物，對種植環(huán)境要求較低，但對采摘條件要求嚴苛，成熟可食用的黃花菜通常呈淡黃色，花蕾端口處微微開裂時為最佳采摘時機。大田環(huán)境下生長的黃花菜形態(tài)特征區(qū)分度較低，其成熟花蕾在形態(tài)上與衰敗花蕾和未成熟花蕾差異不明顯。黃花菜采摘作業(yè)主要依靠人工經(jīng)驗進行成熟度判別，針對成熟黃花菜的目標識別技術(shù)研究相對匱乏。隨著農(nóng)業(yè)智能化技術(shù)的快速發(fā)展，基于計算機視覺和深度學(xué)習(xí)的果實識別檢測技術(shù)日趨成熟，自動化采摘已成為現(xiàn)代農(nóng)業(yè)研究的重點領(lǐng)域。在此背景下，實現(xiàn)黃花菜采摘的自動化與智能化將顯著降低人工成本，有效提升種植者的經(jīng)濟效益。

深度學(xué)習(xí)技術(shù)在果蔬檢測與分類領(lǐng)域已取得顯著進展。現(xiàn)有研究廣泛采用多種卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，成功實現(xiàn)了包括蘋果[1-3]、芒果[4]、草莓[5]和弼猴桃6等在內(nèi)的多種果蔬目標檢測。楊千通過將輕量級MobileNetv1網(wǎng)絡(luò)與SSD網(wǎng)絡(luò)相融合，構(gòu)建了SSD-MobileNet檢測模型，該模型在溫室平菇目標檢測任務(wù)中不僅顯著降低計算復(fù)雜度，同時有效提升了檢測效率。Ren等8提出基于YOLOv3的改進方法，結(jié)合小批量K-Means ⁺⁺ 聚類與遷移學(xué)習(xí)策略，實現(xiàn)高效的實時目標檢測。該方法采用啟發(fā)式初始化和小批量聚類優(yōu)化錨框生成，在提升目標定位與識別精度的同時，顯著提升了模型的推理速度。熊俊濤等9提出多尺度特征融合算法Des-YOLOv3，通過跨層特征復(fù)用與融合機制，有效增強模型對小目標及被遮擋果實的檢測能力，提升了復(fù)雜場景下的果實識別精度。Liu等°對FasterR-CNN框架進行改進，通過將VGG16骨干網(wǎng)絡(luò)的輸入層擴展為6通道，實現(xiàn)多模態(tài)特征提取。研究創(chuàng)新性地結(jié)合了圖像融合與特征融合策略，采用反向傳播與隨機梯度下降技術(shù)進行端到端優(yōu)化，結(jié)果表明，該方法在弼猴桃檢測任務(wù)中表現(xiàn)出優(yōu)越的性能，展現(xiàn)了其在水果目標檢測領(lǐng)域的應(yīng)用潛力。Liu等\"通過訓(xùn)練YO-LOv3、ResNet50和ResNet152深度網(wǎng)絡(luò)，驗證DNNs的水果識別能力。其中，性能最好的ResNet152網(wǎng)絡(luò)對自然環(huán)境中柑橘的識別準確率為 95.35% ，對重疊柑橘類水果的識別準確率為 97.86% ，對柑橘枝葉識別準確率為 85.12% ?，F(xiàn)有研究主要集中于顏色特征顯著或形態(tài)區(qū)分度高的典型果蔬目標，而針對黃花菜這類成熟期表型特征微弱、難以辨識的特殊作物，相關(guān)檢測技術(shù)研究較少。

本研究提出一種利用深度學(xué)習(xí)對黃花菜成熟花蕾進行目標識別的算法。主流的目標檢測算法主要分為兩階段（Two-stage）和單階段（One-stage）2種類型，前者以FasterR-CNN[為代表，后者則以YOLO系列算法3為代表。兩階段檢測算法采用基于候選區(qū)域的方法，首先生成目標檢測的感興趣區(qū)域（ROI），然后將這些區(qū)域歸一化至固定尺寸，再利用卷積神經(jīng)網(wǎng)絡(luò)進行特征提取和分類。這類方法通常具有較高的檢測精度，其代表性算法包括R-CNN、FasterR-CNN及SPP-Net等。單階段檢測算法以YOLO系列為代表，采用端到端的檢測方式，將整幅圖像輸入網(wǎng)絡(luò)，通過輸出層同步回歸目標的邊界框位置和類別概率。由于省去了候選框生成步驟，相比兩階段算法，單階段算法在檢測速度方面具有顯著優(yōu)勢。本研究的核心技術(shù)難點在黃花菜植株的特殊生長特性，首先，復(fù)雜的田間背景和花蕾間相互遮擋顯著增加了目標檢測的難度；其次，成熟花蕾與衰敗花蕾、未成熟花蕾在顏色特征上高度相似，導(dǎo)致基于顏色特征的識別方法存在漏檢率高、檢測精度低的問題。針對上述問題，本研究提出基于形態(tài)特征的識別方法，重點提取成熟黃花菜花蕾的兩個關(guān)鍵特征，包括細長的花蕾輪廓特征和花瓣輕微開裂的形態(tài)特征。基于黃花菜采摘機器人的實際需求，綜合考慮檢測精度和實時性要求，選取YOLOv8作為基礎(chǔ)算法進行改進。該算法在目標檢測速度和分類精度方面均表現(xiàn)出色，能夠有效滿足采摘機器人視覺系統(tǒng)對快速識別和實時響應(yīng)的技術(shù)要求。

1 Dense-YOLOv8模型設(shè)計

1.1 YOLOv8模型核心組件

YOLOv8是Ultralytics公司提出的基于深度學(xué)習(xí)的端到端實時檢測模型。相較于該公司2020年發(fā)布的YOLOv5模型，其檢測精度獲得顯著提升；而與上一代YOLOv7模型[14]相比，在保持實時性的基礎(chǔ)上進一步提高了檢測準確率。YOLOv8模型主要包括主干網(wǎng)絡(luò)（backbone）、特征增強網(wǎng)絡(luò)（neck）、檢測頭（head）3個部分。YOLOv8模型的主干網(wǎng)絡(luò)采用C2f模塊結(jié)構(gòu)，該模塊整合BottleneckBlock和SPPF模塊的優(yōu)勢，有效增強網(wǎng)絡(luò)的特征提取能力。YO-LOv8模型采用改進型CSPDarknet53作為骨干網(wǎng)絡(luò)，該架構(gòu)在經(jīng)典Darknet53的基礎(chǔ)上創(chuàng)新性地引入CSP結(jié)構(gòu)，以優(yōu)化梯度流并提升計算效率。通過特征圖的分割處理和交替優(yōu)化機制，該結(jié)構(gòu)不僅顯著提升網(wǎng)絡(luò)推理效率，而且增強了多尺度特征提取性能。YOLOv8模型的特征增強網(wǎng)絡(luò)采用多路徑特征融合架構(gòu)，其核心由改進的PANet結(jié)構(gòu)構(gòu)成。該結(jié)構(gòu)通過自底向上和自頂向下的雙向路徑，實現(xiàn)不同尺度特征圖的有效融合，顯著提升模型的多尺度檢測性能。為進一步優(yōu)化特征融合效果，網(wǎng)絡(luò)在Neck部分創(chuàng)新性地集成PAN-FAN混合結(jié)構(gòu)。檢測頭模塊采用多任務(wù)學(xué)習(xí)機制，同步完成邊界框回歸、類別預(yù)測和置信度評估3項核心任務(wù)，最終通過特征解碼器輸出檢測結(jié)果。這種精心設(shè)計的網(wǎng)絡(luò)架構(gòu)使YOLOv8模型成為性能優(yōu)異的端到端實時檢測系統(tǒng)，在保持高速推理的同時實現(xiàn)卓越的檢測精度。

1.2 Dense-YOLOv8模型結(jié)構(gòu)

基于YOLOv8目標檢測框架，對其主干網(wǎng)絡(luò)CSPDarknet53進行架構(gòu)優(yōu)化。通過將CSPNet結(jié)構(gòu)與密集連接網(wǎng)絡(luò)（DenseNet）[15.16]深度融合，構(gòu)建CSPDenseNet骨干模塊。該模塊整合了CSPNet的高效特征復(fù)用特性和DenseNet的強特征傳遞能力，顯著提升網(wǎng)絡(luò)的特征提取效率。

密集連接塊（Denseblock）由批量歸一化（BN）、ReLU激活函數(shù)與 3×3 卷積層構(gòu)成基礎(chǔ)結(jié)構(gòu)單元。在相鄰Dense block之間插入轉(zhuǎn)換層（Transition lay-er，該層通過 1×1 卷積實現(xiàn)特征壓縮，配合 2×2 平均池化進行下采樣，有效篩選冗余特征。在特征輸入第一個密集連接塊前，網(wǎng)絡(luò)通過16通道的 3×3 卷積層進行特征預(yù)處理，采用單像素零填充（zero-pad-ding=1 ）保持空間分辨率。最終輸出階段，在第三個密集連接塊后接全局平均池化層和Softmax分類器。3個密集連接塊的特征尺寸分別是 32×32、16×16、8×8、 這種密集連接模式與傳統(tǒng)卷積網(wǎng)絡(luò)相比，需要的參數(shù)更少，因為它不需要重新學(xué)習(xí)冗余的特征圖。密集連接塊的設(shè)計使每一層既能學(xué)習(xí)新特征，又能保留并傳遞已有特征，從而提升特征復(fù)用效率。它不僅優(yōu)化了參數(shù)利用率，還增強了網(wǎng)絡(luò)中的信息流動和梯度傳播，使訓(xùn)練更加高效。這種密集連接結(jié)構(gòu)使得網(wǎng)絡(luò)中的每一層都能直接獲取來自損失函數(shù)和原始輸入的梯度信號，從而形成隱式的深度監(jiān)督機制，顯著提升深層網(wǎng)絡(luò)的訓(xùn)練效果。密集連接塊還通過特征的多路徑融合產(chǎn)生正則化作用，降低小規(guī)模數(shù)據(jù)集上的過擬合風(fēng)險。

CSPDenseNet模塊（圖1）采用雙路徑特征處理機制，通過 1×1 卷積核將輸人特征圖均勻劃分為2個通道獨立的特征子集。第一部分直接進行常規(guī)卷積處理，第二部分則先經(jīng)過卷積運算后輸入3層密集連接塊進行深度特征提取，再通過轉(zhuǎn)換層實現(xiàn)特征篩選。最終將兩條路徑處理后的特征圖進行拼接并通過轉(zhuǎn)換層完成特征融合，至此完成模塊的特征傳遞過程。將CSPDenseNet模塊集成至YOLOv8模型架構(gòu)，替換主干網(wǎng)絡(luò)末端的最后2個標準卷積模塊，得到Dense-YOLOv8模型（圖2）。

圖1 CSPDenseNet網(wǎng)絡(luò)結(jié)構(gòu)

圖2Dense-YOLOv8模型結(jié)構(gòu)

2 圖像采集與前期準備

2.1 圖像采集

黃花菜成熟花蕾樣本采集工作于6：00—8：00在試驗田完成。

圖像采集設(shè)備為IntelrealsenseD455雙目相機，在計算機上利用Python程序操控雙目相機對不同角度的黃花菜進行圖像采集。共采集到16420張圖像，像素尺寸為 640px×480px ，保存為jpg格式。對16420張成熟黃花菜圖像進行篩選，將重復(fù)或不符合要求的圖片剔除，包括花蕾凋謝或未完全成熟的無效樣本。經(jīng)過嚴格篩選后獲得14000張有效圖像，隨后按照 7：3 的比例隨機分為訓(xùn)練集和測試集，以保證模型訓(xùn)練與評估的數(shù)據(jù)可靠性。

2.2 黃花菜圖像樣本分類

黃花菜的實際生長情況較復(fù)雜且隨機性較大，在黃花菜生長較稀疏時，花蕾清晰明顯，算法識別難度較低；在植株生長稠密時，黃花菜花蕾會出現(xiàn)遮擋、重疊等情況，導(dǎo)致識別難度加大。本研究對黃花菜測試集圖像進行分類，依據(jù)花蕾分布密度和背景復(fù)雜度分為花蕾稀疏、花蕾密集、背景環(huán)境復(fù)雜及背景環(huán)境簡單4類。選取各類別中最具代表性的樣本圖像進行可視化分析。圖3a為在環(huán)境背景簡單、花蕾密集且相互遮擋的情況，圖3b為環(huán)境背景簡單、花蕾稀疏且相互獨立的情況，圖3c為背景環(huán)境復(fù)雜、花蕾稀疏的情況，圖3d為背景環(huán)境復(fù)雜、花蕾稠密且相互遮擋較為嚴重的情況

圖3田間黃花菜圖像樣本分類

2.3 網(wǎng)絡(luò)訓(xùn)練

本試驗采用基于Windows10家庭版（64位）操作系統(tǒng)的TensorFlow-GPU深度學(xué)習(xí)框架進行模型訓(xùn)練。硬件配置采用IntelCorei7-6700HQ處理器（主頻 2.60GHz ），配備NVIDIAGeForceGTX1060顯卡（6GB顯存）進行模型訓(xùn)練加速，系統(tǒng)內(nèi)存條為16GBDDR4。深度學(xué)習(xí)開發(fā)環(huán)境包含以下關(guān)鍵組件，CUDA10.0提供GPU加速支持，配合cuDNN10.0優(yōu)化深度神經(jīng)網(wǎng)絡(luò)，采用 OpenCV 3.4 處理圖像數(shù)據(jù)，通過Anaconda3管理Python環(huán)境，選用PyCharm2020作為集成開發(fā)工具。

為了保證網(wǎng)絡(luò)訓(xùn)練樣本的多樣性，對整理好的數(shù)據(jù)集進行數(shù)據(jù)擴增，數(shù)據(jù)擴增增加了噪聲數(shù)據(jù)，提升了模型的魯棒性，也給模型帶來更強的泛化能力，采用的數(shù)據(jù)擴增方式包括調(diào)整飽和度、曝光量和對圖像進行翻轉(zhuǎn)等處理。

在模型訓(xùn)練階段，首先對網(wǎng)絡(luò)參數(shù)進行如下配置。設(shè)置批量大小為32，初始學(xué)習(xí)率為0.001，最大訓(xùn)練輪次為50000。采用階段性學(xué)習(xí)率衰減策略，分別在總訓(xùn)練進度達 80% 和 90% 時將學(xué)習(xí)率降至原值的1/10，同時設(shè)置動量因子為0.9以優(yōu)化訓(xùn)練過程。模型訓(xùn)練完成后，使用測試集數(shù)據(jù)對訓(xùn)練所得模型性能進行全面評估。

3 結(jié)果與分析

3.1 評價指標

為了更直觀地展示網(wǎng)絡(luò)檢測效果，采用平均精度 （AP） 、平均精度均值 （mAP） 、召回率 （R） 和 FI （查準率與查全率的調(diào)和平均數(shù)）作為檢測模型性能的評價指標，計算式如下。

式中， P 表示精確度； TP 表示真正例數(shù)； FP 表示假正例數(shù)； FN 表示假負例數(shù)； N_image 表示檢測圖像數(shù)量； N_class 表示類別數(shù)。

3.2 Dense-YOLOv8模型效果

利用上述評價指標及劃分后的測試集圖像對Dense-YOLOv8模型、YOLOv8模型性能進行分析，結(jié)果如表1所示。Dense-YOLOv8模型的召回率、平均精度、平均精度均值均高于YOLOv8模型，其中平均精度均值提高了2.5個百分點。

表12種模型對黃花菜花蕾的檢測結(jié)果（單位： % ）

由圖4可知，Dense-YOLOv8模型在整體性能上顯著優(yōu)于YOLOv8模型，不僅能夠有效檢測出YO-LOv8在復(fù)雜背景下漏檢的絕大多數(shù)目標，還對相互遮擋嚴重的成熟花蕾表現(xiàn)出較強的識別能力。盡管Dense-YOLOv8模型性能優(yōu)越，但仍存在部分檢測錯誤情況。當黃花菜花蕾間距過近時，模型容易將其誤檢為單一目標;黃花菜的生長背景較復(fù)雜，部分植株因距離攝像頭過遠而出現(xiàn)失焦模糊現(xiàn)象，導(dǎo)致模型難以準確識別；成熟黃花菜的特征區(qū)分度不足，容易與未成熟花蕾及凋謝花蕾發(fā)生混淆，這在一定程度上增加了識別難度。

3.3 檢測效果與分析

為直觀比較不同模型對成熟花蕾的檢測性能，分別采用FasterR-CNN模型、YOLOv8模型和Dense-YOLOv8模型進行測試。

圖5為3種模型在簡單背景、稀疏黃花菜花蕾場景下的檢測結(jié)果，在包含3個成熟黃花菜花蕾的樣本中（圖5a），不同模型的檢測結(jié)果存在差異，F(xiàn)asterR-CNN模型（圖5b）和YOLOv8模型（圖5c）僅檢測出2個目標，而Dense-YOLOv8模型（圖5d）成功識別出全部成熟花蕾。

圖42種模型對黃花菜花蕾檢測效果的對比

圖53種模型在簡單背景、稀疏黃花菜花蕾場景下的檢測結(jié)果

圖6為3種模型在簡單背景、密集黃花菜花蕾場景下的檢測結(jié)果，原始圖像包含6個成熟黃花菜花蕾（圖6a），F(xiàn)asterR-CNN模型存在誤檢和漏檢現(xiàn)象，包括將未成熟花蕾誤判為成熟目標以及將相鄰的2個花蕾合并檢測（圖6b）;YOLOv8模型僅成功識別出2個目標（圖6c）；Dense-YOLOv8模型在花蕾檢測任務(wù)中展現(xiàn)出優(yōu)異的識別性能，但在處理緊密相鄰目標時仍存在部分漏檢現(xiàn)象（圖6d）。

圖63種模型在簡單背景、密集黃花菜花蕾場景下的檢測結(jié)果

圖7為3種模型在復(fù)雜背景、密集黃花菜花蕾場景下的檢測結(jié)果，原始圖像中包含5個成熟黃花菜花蕾（圖7a），F(xiàn)asterR-CNN模型識別出2個目標（圖7b），YOLOv8模型識別出4個目標（圖7c），而Dense-YOLOv8模型成功識別出全部目標（圖7d）。

圖73模型在復(fù)雜背景、密集黃花菜花蕾場景下的檢測結(jié)果

由表2可知，相較于 YOLOv8 模型，Dense-YO-LOv8模型的 mAP，F(xiàn)1 、識別速度分別提高2.5個百分點、6個百分點 ?2f/s ，模型大小減少 13.88MB 。相較于FasterR-CNN模型，Dense-YOLOv8模型少了生成候選區(qū)域這一步，識別速度更快。結(jié)果表明，Dense-YOLOv8模型在精簡網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)的同時，顯著提升了目標檢測的精度與速度。

表24種模型的檢測性能

4小結(jié)

通過將CSPNet結(jié)構(gòu)與密集連接網(wǎng)絡(luò)（DenseNet）深度融合，構(gòu)建CSPDenseNet骨干模塊，將其集成至YOLOv8模型，替換主干網(wǎng)絡(luò)末端的最后2個標準卷積模塊，得到Dense-YOLOv8模型。選取測試集中代表性圖像，分別采用FasterR-CNN模型、YOLOv8模型和Dense-YOLOv8模型進行測試。Dense-YOLOv8模型的 mAP，F(xiàn)1 、識別速度、模型大小分別為 90.75%.89%.53f/s.217.68MB ，在黃花菜目標識別方面取得了較好的效果。Dense-YOLOv8模型憑借更高的檢測精度與魯棒性，為黃花菜采摘機器人提供了可靠的視覺識別能力，推動了采摘機器人的技術(shù)普及與應(yīng)用落地。

參考文獻：

[1]LIUX，ZHAOD，JIAW，etal.Adetectionmethod for apple fruits based on color and shape features[J].IEEE access，2O19，7： 67923-67933.

[2]TAN W，ZHAO C，WU H. Intelligent alerting for fruit-melon lesionimagebased on momentum deeplearning[J].Multimedia tools and applications，2016，75（24）：16741-16761.

[3]TIANY，YANGG，WANGZ，etal.Apple detection duringdifferent growth stages in orchards using the improved YOLOv3 model [J].Computers and electronics in agriculture，2019，157：417- 426.

[4]STEUN M，BARGOTI S，UNDERWOOD J. Image based mango fruit detection，localisation and yield estimation using multiple view geometry[J].Sensors，2016，16（11）：1915.

[5]YUY，ZHANGK，YANGL，etal.Fruit detection for strawbery harvesting robot in non-structural environment based on MaskRCNN[J].Computers and electronics in agriculture，2019，163： 104846.

[6]FUL，F(xiàn)ENGY，ELKAMILT，etal.Imagerecognitionmethod of multi-cluster kiwifruit in field based on convolutional neural networks[J]. Transactions of the Chinese society of agricultural engineering，2018，34（2）：205-211.

[7]楊千.平菇采摘機器人目標識別與定位控制關(guān)鍵技術(shù)研究 [D].江蘇蘇州：蘇州大學(xué)，2020.

[8]REN Z，LAMEY，ZHAO J. Real-Time target detection in visual sensing environments using deep transfer learning and improved anchor box generation[J].IEEE access，2020，8：193512-193522.

[9]熊俊濤，鄭鎮(zhèn)輝，梁嘉恩，等.基于改進YOLOv3網(wǎng)絡(luò)的夜間環(huán)境 柑橘識別方法[J].農(nóng)業(yè)機械學(xué)報，2020，51（4）：199-206.

[10]LIU Z，WU J，F(xiàn)UL，et al. Improved kiwifruit detection using pretrainedVGG16 with RGB and NIR information fusion[J].IEEE access，2019，8：2327-2336.

[11]LIUY P，YANG CH，LING H，et al.A visual system of citrus picking robot using convolutional neural networks[A].2O18 5th international conference on systems and informatics （ICSAI）[C]. Nanjing，China：IEEE，2018.344-349.

[12]REN S，HE K，GIRSHICK R，et al.Faster R-CNN： Towards real-time object detection with region proposal networks[J].Advances in neural information processing systems，2015，28：91- 99.

[13]REDMONJ，DIVVALAS，GIRSHICK R，et al. You only look once：Unified，real-time object detection[A].Proceedings of the IEEE conference on computer vision and pattern recognition[C]. Las Vegas，USA ：IEEE，2016.779-788.

[14] WANG C Y， BOCHKOVSKIY A，LIAO HY M. YOLOv7： Trainablebag-of-freebies sets new state-of-the-art for real-time object detectors[A].Proceedings of the IEEE/CVF conference on computer vision and pattern recognition[C].Vancouver，Canada： IEEE，2023.7464-7475.

[15]HUANG G，LIU Z，VAN DER MAATEN L，et al. Densely connected convolutional networks[A].Proceedings of the IEEE conference on computer vision and pattern recognition[C].Hawaiian， USA：IEEE，2017.4700-4708.

[16]WANGCY，LIAOHYM，WuYH，et al.CSPNet：A new backbone that can enhance learning capability of CNN[A].Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops[C].Seattle，USA：IEEE，2020.390-391.

（責(zé)任編輯雷霄飛）