基于改進YOLOv5s的核桃樹干共振頻率檢測方法

中圖分類號：S225.93 文獻標識碼：A 文章編號：2095-5553（2025）07-0131-07

Abstract：In order toimprove the eficiency of walnut shaking harvesting equipment in orchard environment，a non-contact method for detecting the resonance frequency of walnut trunk was proposed.Firstly，in order to eficiently andaccurately obtain the motion information of featurepointson walnut trunksat each excitation frequency，the goal of lightweight integration in the orchard environment was achieved by improving the YOLOv5 network model，and the feasibilityof theimproved strategy was verified by ablation experiments and comparison experiments between diferent models，and the experiments showed that the mAP value of the improved YOLOv5s model was increased by 2.09% ，the number of model parameters was reduced by 72.4% ，and the detection speed of a single image could reach 9.2ms . Then，thehigh-framecamerawasmounted onthewalnut vibration equipment tocary out thefield walnut trunk resonance frequency detection test on twosample trees，and finally the trunk vibration data measuredby the displacement sensorwere quantitatively analyzed.The results offield experiment show thatthenon-contact detection method proposed in this paper is more time-saving and labor-saving，and the mean errors of the two sample trees in the range of 10-25Hz excitation frequency are 0. 434mm and 0. 245mm ，respectively.

Keywords：walnuts；trunk；shake harvesting；non-contact detection；resonant frequency；YOLOv5s

0 引言

核桃是一種營養豐富的堅果，具有豐富的蛋白質、脂肪、纖維素、維生素和礦物質等營養成分，經濟效益較高。核桃采收是整個核桃產業生產鏈中最為耗時、費力的一個環節[]。現有研究表明，果實的采收成本約占總成本的 50%^[2] 。核桃采收一直是影響核桃產業化、規模化發展的技術瓶頸[3]。國外對核桃振動采收的研究較早，相關采收裝置早已進入應用階段，國內林果振動采收機發展較晚，相關研究比較缺乏[4]。目前，林果業機械采摘裝備大部分采用振動式裝置使林果掉落[5]。研究表明，在果樹的固有頻率上搖振，可以實現較高的采收效率和果實采凈率[]，獲取核桃樹固有頻率對實現核桃高效采收有重要意義。

近年來，國內外學者相繼對果樹共振頻率的檢測方法開展了大量研究。王長勤等使用加速度傳感器配合振動測試系統測量了核桃樹的固有頻率。Junior等[8]使用加速度傳感器探究了咖啡果樹的固有頻率并建立了咖啡果樹的動力學模型。然而傳感器雖能較為準確地測得果樹固有頻率，但需布置大量的檢測點位以及處理龐大的傳感器數據且檢測成本高昂。鄭甲紅等9使用建模軟件與有限元分析軟件對樹體模型開展模態分析，求解得到樹體模型的固有頻率和振型。許林云等[10]利用激光點云技術構建了樹體模型，結合有限元分析軟件測得了果樹固有頻率，并能夠在實測值中找到較為近似的值，但有限元方法所設定的材料、力學參數與實際參數存在差異，給檢測結果帶來干擾。近年來，有學者陸續使用圖像分割技術與高速攝影技術等來探究枸杞[11]、荔枝[12]、杏[13]等果樹的振動響應，已陸續取得技術性突破，為果樹搖振采收提供了新思路和指導方向。

綜上所述，本文提出一種非接觸式的核桃樹干共振頻率檢測方法，搭配高幀相機與核桃搖振設備，可在田間快速準確地檢測核桃樹干的共振頻率，后續可搭載到核桃振動采收機上，進一步為核桃搖振采收環節提質增效。

1核桃樹干共振頻率檢測方法

在核桃搖振采收作業中，準確地獲取核桃樹干的共振頻率能夠大幅提升采收機的采收效率。現有獲取核桃樹共振頻率的方法多為傳感器測量、有限元分析等方法，檢測成本高且檢測周期長。相比于現有檢測方法的局限性，提出一種基于YOLOv5s的核桃樹干共振頻率檢測方法，與振動收獲設備配合可準確識別核桃樹干在不同激振頻率下的振動位移響應。考慮到核桃樹干在振動采收中的振動頻率為 10～25Hz ，振動位移響應為

5～15mm ，屬于低頻低幅位移，普通攝像模塊難以捕捉到核桃樹干的振動響應信息，因此，使用高幀相機記錄樹干的振動位移響應，并在樹干上固定反光標點以提高檢測效果，標記點的運動信息直接反映核桃樹干的位移響應。本方法應用場景為核桃果園，屬于典型的非結構環境，為實現核桃樹干共振頻率實時檢測，根據實際應用場景需求對YOLOv5s模型進行合理的改進，最終改進結果如圖1所示。

1.1 YOLOv5s網絡結構

YOLOv5[14.15]作為單階段（One-Stage）目標檢測的代表算法，具有網絡模型尺寸小、靈活度高和檢測速度快等優點，被廣泛應用到很多實際項目中。YOLOv5網絡分為4個主要部分：輸入端（Input）、骨干基準網絡（Backbone）、頸部網絡（Neck）和輸出端（Head）。圖像先進入輸入端，經過數據增強后輸入骨干基準網絡中。骨干基準網絡主要由CBS模塊、C3模塊和SPPF模塊組成，其中特征圖生成主要依賴CBS模塊和C3模塊的卷積操作，最終位于骨干基準網絡末端的SPPF模塊將多種尺度的特征圖變形為固定長度的向量，隨后將其輸入到全連接層中進行分類。特征提取完成后，得到3個不同尺度的特征圖像，用于識別不同大小的目標信息。頸部網絡中的FPN與PAN結構通過融合這3個尺度的特征，以增強語義表達和目標框定位能力。最終輸出端輸出3個不同的預測結果，并包括目標的位置、類別和置信度，詳細過程如圖2所示。

選擇模型量較小的YOLOv5s的深度學習框架作為基本框架，并在此基礎上搭建輕量化目標檢測模型。相比于YOLOv3[16]和YOLOv4[17]，YOLOv5s在檢測速度與精度上獲得大幅提升。檢測對象為直徑10mm 的圓形標記點，屬于典型的小目標對象，試驗背景多為樹干、樹葉和其他雜物，檢測過程受光照強度、光圈陰影等影響存在漏檢、錯檢等問題，且果園環境屬計算資源受限的邊緣化場景，因此，需要模型參數小和復雜程度低的網絡模型結構。綜合考慮以上問題，以保證檢測精度和檢測速度為前提，以樹干共振頻率檢測算法的輕量化集成設計為目標，對YOLOv5s網絡模型進行輕量化的改進，提高模型在復雜農業環境中對小目標物體的檢測能力。

1.2 MobileNetV3輕量化模型

為實現在移動設備和嵌人式系統等資源受限環境下的高效目標檢測，將MobileNetV3[18]網絡結構深度集成到YOLOv5s目標檢測框架中，將結構復雜的C3模塊替換為輕量化網絡MobileNetV3的基礎模塊，大幅減少模型參數計算量與模型參數量，進一步提升目標檢測的速度。

1. 2.1 深度可分離卷積

MobileNetV3是一種輕量級的卷積神經網絡，具有較少的參數和計算復雜度特點，從而在計算效率和檢測性能方面取得顯著的優越性，更適用于邊緣計算場景進行高效推斷。這是因為MobileNetV3大量使用了深度可分離卷積（DSC）模塊，如圖3所示，通過將卷積操作分解為深度卷積（DW）和逐點卷積（PW），顯著減少了卷積核的數量，該模塊在深度卷積階段通過對每個通道并行操作，后續利用逐點卷積階段再進行線性組合，進而有效地減少特征提取的計算復雜度和模型參數，并保持相對較好的特征表示能力。

1.2.2 倒殘差結構

在傳統的殘差結構中，輸人特征圖經過一系列卷積操作后，再與原始輸入相加得到輸出，這種結構整體呈現為兩端大、中間小的沙漏型。而MobileNetV3網絡模型中大量使用倒殘差結構，在倒殘差結構中對輸入特征圖先進行擴張，其次再進行一個深度可分離卷積，然后通過逐點卷積將通道數調節至原始輸人大小，最后與原始輸人特征圖相加得到輸出。這種結構整體呈現為兩端小、中間大的梭形結構，這種方式與殘差網絡結構相反，故稱為倒殘差結構（圖4）。

倒殘差結構通過在通道擴張后再進行深度可分離卷積，將計算成本降低到較低的程度，從而在輕量級網絡中實現高效的特征提取，后續加人通道注意力（SE）模塊[19]，提高網絡對重要區域的關注度。綜上所述，將MobileNetV3網絡結構融人YOLOv5s中，不僅提高了計算效率，還增強了模型對目標的感知能力和表達能力，從而在自標檢測任務中取得顯著的優越性。這一改進后YOLOv5s模型更適用于移動端和嵌入式設備，為實際應用場景中的目標檢測提供更為靈活和高效的解決方案。

1.3 損失函數改進

損失函數是用來衡量目標網絡檢測模型預測信息與期望信息的差距，預測結果越接近期望結果，則損失函數的值就越小。YOLOv5s使用GIoU損失函數[20]，在IoU_LOSS損失函數的基礎上增添包含真實框與預測框的最小外接矩形作為真實目標框。檢測框損失函數如式（1）所示。

?

式中： Loss_GloU 檢測框損失函數；IoU- 預測框與真實框交集面積與并集面積比值的絕對值；AR 預測框面積；BR 真實框面積；CR 最小外接矩形面積。

在GIoU損失函數中，真實框與預測框距離趨近于重合時，GIoU損失函數趨近于1；當真實框與預測框逐漸分離時，GIoU損失函數的值趨近2；當預測框與真實框互相包含或重合時，此時無法區分兩者之間的真實位置關系，導致邊界框回歸收斂速度緩慢。考慮到上述問題，SIoU損失函數考慮了真實框和預測框之間的角度、距離與形狀的損失，重新定義損失函數。本文主要檢測樹干標記點在搖振過程中的振動量，但由于被檢測物為小目標，在非結構環境中極易出現目標丟失、雜物遮擋等復雜情況，使用SIoU損失函數能更快速地定量評估邊界框回歸損失，進一步提高檢測算法的檢測精度和收斂速度[21]。定義如式（2）～式（5）所示。

?

?

式中： ? 角度損失；? 距離損失；? 形狀損失；λ 真實框與預測框中心點連線的水平夾角的正弦值；Y 角度損失系數，其值為 2-Λ ρ_t 預測框在 x 與 y 方向上的距離損失系數；w h ——預測框的寬和高；θ —形狀損失的權重系數；ω_t （20號 預測框的形狀損失系數。

1.4 網絡模型檢測端改進

為實現對高幀視頻流的目標檢測任務，需要進一步提升算法的檢測速度。若要實現對樹干共振頻率的實時檢測，需快速地檢測到標記點在每一幀圖像中的位置坐標信息，并通過對標記點坐標信息進行計算處理，可實時輸出樹干標記點的最大振動幅度。

YOLOv5s的目標檢測端包含一些卷積層、池化層和全連接層等，主要負責對骨干網絡提取的特征圖進行多尺度目標檢測。YOLOv5s的檢測端模塊采用多層級特征融合的方法，首先將骨干網絡輸出的特征圖經過普通卷積模塊進行通道數的降維和特征圖的縮放，然后再將不同層級的特征圖進行融合，得到更加豐富的特征信息，從而提高檢測性能。實驗發現，由于YOLOv5s的檢測端大量使用普通卷積模塊，進行特征融合時會占用大量GPU內存，同時會降低算法檢測速度，無法滿足核桃樹干共振頻率檢測的實時性。因此，本文以提高圖像檢測速度為目標對檢測端進行輕量化改進，使用深度可分離卷積模塊替換檢測端中的普通卷積模塊，在僅犧牲小部分檢測性能的前提下，大幅提升算法的推斷速度的同時降低網絡模型的參數量，符合樹干共振頻率檢測的應用場景需求。

2 實驗數據獲取

所采集的實驗數據均來自新疆喀什地區葉城縣核桃種質資源圃，位于葉城縣洛克鄉，東經 77.6^° ，北緯37.8^° 。圖像采集時間為2023年7月10—15日。核桃果園的核桃樹每列間距 5m ，每行間距 8m ，樹齡為10～15 年。在核桃園中共計采集5000幅有效圖像，圖像采集設備為IQOO8手機，感應器為IMX一766圖像感應器，并用高幀相機拍攝樹干標記點的高幀視頻，從中抽幀1000幅圖像用于擴充數據集以提高泛化性能，樹干標記點圖像數據集的具體分類如表1所示。

表1標記點數據集數量Tab.1Number of labeled point datasets

?

3 實驗與分析

3.1實驗環境參數與評價指標

模型訓練階段的實驗環境為Windows10操作系統，CPU為i7—10875H，GPU為NVIDIARTX4070Ti—32G 。訓練環境為基于Pytorch1.13.1的深度學習框架，GPU加速庫為Cuda12.0、Cudnn8.9.3，編程語言為Python3.7。采用早停機制優化訓練過程，在模型訓練過程中，當模型性能不再提升時立刻停止訓練并保存最優權重，防止模型過擬合。為衡量改進前后YOLOv5s模型的性能效果，采用深度學習中常見的評價指標，即平均精度 mAP 、精確度 P 、召回率 R ，計算如式 （6）～ 式（8）所示。

?

?

?

式中： TP 真正例；FP 假正例；FN （20 假反例；k 第 k 個類別；N 檢測樣本類別數量。

3.2 消融實驗

為驗證本文對YOLOv5s網絡模型的每處改進是否具有積極的效果，開展消融實驗，通過對比分析每一步改進后網絡模型的各評價指標的變化情況，對結果進行分析評價，進而判斷網絡模型改進策略是否對網絡模型有積極的意義。

在消融實驗中，M表示替換骨干網絡為MobileNetV3，MS表示在M上添加SIoU損失函數，MSH表示在MS基礎上進一步改進檢測端，消融實驗結果如表2所示。可以看出，在相同的實驗條件下，改進后的網絡模型對樹干標記點的識別效果最為理想。相比于YOLOv5s模型，改進后的算法對單幅圖像檢測速度和模型參數量有明顯提升，分別提高52.6% 、降低 72.4% ，模型有明顯的輕量化改進，實時檢測性能獲得有效提升。值得注意的是，在改進檢測端后，模型參數量降低 41.5% ，而模型檢測精度和mAP僅下降 0.32% 和 0.5% ，在可接受范圍之內，但也表明這一步優化方案的改進效果可能存在消極影響，后續將在實際檢測圖中證明模型是否具備在田間多因素干擾環境下準確識別被檢測物的能力。

表2消融實驗結果 Tab.2Ablation experimental results

?

由表3可知，在同等實驗條件下，改進后的YOLOv5s算法mAP提升 2.09% ，說明在加人SIoU損失函數后，網絡模型能夠有效地從復雜背景下準確識別樹干標記點，盡管改進YOLOv5s算法的 mAP 稍低于FasterR—CNN模型，但在單幅圖像檢測速度遠勝于FasterR—CNN模型，且模型參數量僅占FasterR-CNN模型的 1.4% 。根據消融實驗與網絡模型性能對比實驗的結果表明，所提出的改進YOLOv5s算法檢測精度高且足夠輕量化，適合在計算資源受限的邊緣場景中應用，符合田間核桃樹干共振頻率檢測的應用場景需求。

表3網絡模型性能對比實驗Tab.3Network model performance comparison experiment

?

3.3 檢測效果分析

為驗證改進后的網絡模型確實具備優越性能，針對不同光照條件、雜物遮擋、拍攝角度等圖像分別選擇100幅圖像作為測試集，圖像檢測效果如圖5所示。改進后的模型在較復雜的農業環境中能準確地檢測到標記點，對所列舉的干擾因素具有較強的魯棒性，置信度均在 90% 以上，這表明改進后模型與核桃果園場景匹配良好，同時也表明使用SIoU損失函數后，顯著增強了模型對標記點特征的提取能力。

圖5不同干擾因素下的檢測效果

?

Fig.5Detection effect under different interference factors

在田間非結構環境下，強弱光照環境均會使圖像出現模糊與變形，且雜物遮擋以及不同拍攝角度同樣會影響標記點的檢測效果，標記點極易發生特征丟失。為驗證改進后YOLOv5s模型在多種復雜環境下依舊具有良好的推斷能力，選擇晴天中午、陰天傍晚，不同拍攝角度和雜物遮擋的標記點圖像各100幅，并使用3種網絡模型檢測相同的圖像，如圖6所示。

圖6各干擾因素下模型檢測效果

Fig.6Detection effect of the model under each interference factoi

?

結果表明，改進后的YOLOv5s模型在強光照射、弱光照射、不同拍攝角度以及雜物遮擋干擾因素下均獲得最優的檢測速度與置信度，綜合檢測性能明顯高于另外2種網絡模型，值得注意的是，改進后的YOLOv5s模型所獲得的置信度與FasterR—CNN持平，且檢測單幅圖像的速度相較YOLOv5s模型提升超 50% ，耗時僅約為 9ms ，有力證明本文改進策略的可行性。

3.4振動采收設備檢測試驗

以自主設計的軟軸傳動式偏心搖振裝置[22]為基礎，設計并搭建一種便攜式核桃樹搖振設備，可輸出150N，300N，450N，600N 的激振力，使用單片機控制可實現 0～30Hz 的頻率調節，并搭配高幀相機，該搖振設備的簡圖及田間實際部署如圖7所示。

為驗證所提出的樹干共振頻率檢測方法的可行性與可靠性，在核桃搖振設備上搭載筆記本電腦和高幀相機開展樹干共振頻率檢測試驗，完成對高幀相機的標定，并將高幀相機設置為每秒捕獲200幅圖像。試驗對象為2棵10年樹齡的主干型核桃樹。現有研究表明，核桃樹的偏心激振方式最適宜的采收頻率為15～25Hz^[3] ，故將激振頻率設置為 10～25Hz ，激振力設置為 450N ，激振位置設置為距地面 1.4m 處，每間隔 1Hz 開展1次激振試驗，激振時間設置為 20s .同時在標記點的同一高度布置位移傳感器作為對照試驗。樹干共振頻率檢測算法實時更新標記點在圖像中的最左側與最右側位置坐標，當激振停止后自動求取標記點的最大水平距離，進而映射出標記點在世界坐標系中的實際水平位移。

n_i ——第i個傳感器檢測結果。

圖8樣本樹共振頻率檢測結果 Fig. 8Sample tree resonant frequency detection results

?

使用 wrvb01-BT50 維特智能三軸位移傳感器，采樣頻率設置為 200Hz ，即位移傳感器每秒鐘返回200組數據。最終得到的樣本樹共振頻率檢測結果如圖8所示，詳細試驗數據均記錄在表4中，為驗證所提非接觸式檢測方法的準確性，采用均值誤差 δ 作為算法檢測結果的評判標準，計算如式（9）所示。

?

式中： n ——試驗次數；X_i ——算法檢測結果；

9 9/ 75 / 753 算法檢測 3 算法檢測傳感器檢測 傳感器檢測101214161820222426 101214161820222426頻率/Hz 頻率/Hz（a）樣本樹1 （b）樣本樹2

表4樣本樹1、2樹干振幅檢測數據

Tab.4 Trunk amplitude detection data of sample trees 1 and 2

?

由表4可知，針對樣本樹1，兩種檢測方法均能檢測到樹干所受激振力頻率為 14Hz，24Hz 時，樹干均產生激烈振動，算法檢測到的振幅曲線出現峰值，分別為 7.6mm，8.4mm ，相對于傳感器檢測結果，算法檢測結果的均值誤差 δ 為 0.434mm 。針對樣本樹2，兩種檢測方法均能檢測到樹干所受激振力頻率為16Hz，21Hz 時，樹干均產生激烈振動，算法檢測到的振幅曲線出現峰值，分別為 4.7mm，6.6mm ，相比于傳感器檢測結果，算法檢測結果的均值誤差 δ 為0.245mm 。值得注意的是，算法檢測結果與傳感器檢測結果的變化趨勢是高度一致的，這有力地表明所提出的檢測方法切實可行。在樹干共振頻率檢測結果中，算法檢測結果總是稍大于傳感器檢測，這是由于相機標定環節存在誤差。

4結論

提出一種非接觸式核桃樹干共振頻率檢測方法，

通過開展消融實驗與模型對比實驗，驗證所提網絡模型改進策略的可行性，在真實農業環境中使用自主設計的核桃搖振設備開展樹干共振頻率檢測試驗。

1）消融實驗、與其他模型的對比實驗以及實際檢測效果分析表明，改進后的YOLOv5s算法對每幀圖像的平均處理速度提升 52.6% ，僅為 9.20ms ，而模型參數量降低 72.4% ，平均精度 mAP 提高 2.09%

2）樹干共振頻率檢測試驗結果表明，與位移傳感器檢測結果相比，非接觸式檢測方法在 10～25Hz 激振頻率下測得的樹干振動幅度的均值誤差均低于0.5mm ，且在果園環境中非接觸式檢測方法安裝便捷、操作方便，檢測效率遠遠高于傳感器檢測方法。

參考文獻

[1]許威，尹遜春．振動式核桃采摘機的設計與優化[J]．林業機械與木工設備，2023，51（5）：66—73.Xu Wei， Yin Xunchun. Design and optimizationofvibrating walnut picker [J]. Forestry Machineryamp;.Woodworking Equipment，2023，51（5）：66-73.

[2] Sarig Y.Mechanizedfruitharvesting：Sitespecificsolutions[J].Information and Technology for SustainableFruit and Vegetable Production，2005，5：237-247.

[3]劉夢飛．核桃采摘機的設計與試驗[D]．西安：陜西科技大學，2015.

[4]林歡，孫磊厚，王二化．我國林果振動采收機發展應用現狀與展望[J].江蘇農業科學，2021，49（1）：36-42.

[5]陳澤斌．振動式林果采收技術的研究現狀[J]．機械工程師，2021（1）：21—24.

[6]劉曉晨．小型林果自適應振動采收方法研究[D]．杭州：浙江理工大學，2019.

[7]王長勤，許林云，周宏平，等．偏心式林果振動采收機的研制與試驗[J].農業工程學報，2012，28（16）：10—16.Wang Changqin， Xu Linyun， Zhou Hongping， et al.Developmentandexperimentof eccentric-typevibratory harvester for forest-fruits [J]. Transactions ofthe Chinese Society of Agricultural Engineering，2012，28（16）：10—16.

[8]JuniorLGF，da SilvaFM，FerreiraDD，etal.Dynamicbehavior ofcoffee tree branchesduring mechanicalharvest [J]. Computers and Electronics in Agriculture，2020，173：105415.

[9]鄭甲紅，毛俊超，韓冰冰．振動式采摘機振動夾持位置的仿真研究[J]．陜西科技大學學報（自然科學版），2014，32（1）：142—147.

[10]許林云，劉冠華，周杰，等．用于振動采收的有果有葉果樹振動模型構建[J]．農業工程學報，2020，36（11）：1-12.Xu Linyun，Liu Guanhua，Zhou Jie，etal.Construction ofthe vibration model of the fruit trees with fruits and leavesfor vibration harvesting [J]. Transactions of the ChineseSociety of Agricultural Engineering，2020，36（11）：1—12.

[11］李萍．基于振動式采收的枸杞跌落損傷機理及枝條振動特性研究［D]．銀川：寧夏大學，2021.

[12] Wang Y，Wang W，Fu H， et al.Detachmentpatterns and impact characteristics of litchi fruit duringvibrational harvesting [J]. Scientia Horticulturae，2022，295：110836.

[13］瞿維，王春耀，王學農，等．受迫振動下杏果實樹枝能量傳遞初探[J]．西北農林科技大學學報（自然科學版），2014，42（7）：223—227.Qu Wei，Wang Chunyao，Wang Xuenong，et al. Energytransferofapricotfruitbranchunderforcedvibration[J]：Journal of Northwest A amp;F University（Natural Science Edition），2014，42（7）：223—227.

[14] Wang Z，Jin L，Wang S，et al. Apple stem/calyx real-time recognition using YOLOv5 algorithm forfruitautomatic loading system [J]. Postharvest Biology andTechnology，2022，185：111808.

[15］段潔利，王昭銳，鄒湘軍，等．采用改進YOLOv5 的蕉穗識別及其底部果軸定位[J]．農業工程學報，2022，38（19）：122—130.Duan Jieli，Wang Zhaorui， Zou Xiangjun，et al.Recognitionofbananas to locate bottom fruit axis using improvedYOLOv5 [J]. Transactions of the Chinese Society ofAgricultural Engineering，2022，38（19）：122—130.

[16]Redmon J. YOLOv3：An incremental improvement [J].arXiv preprint arXiv：1804. 02767，2018.

[17] Bochkovskiy A，Wang C Y，Liao H Y M. YOLOv4：Optimal speed and accuracy of object detection [J].arXivpreprint arXiv：2004.10934，2020.

[18] Yin X，Li W，Li Z， et al. Recognition of grape leafdiseasesusingMobileNetV3anddeep transferlearning [J]. International Journal of Agricultural andBiological Engineering，2022，15（3）：184－194.

[19]Hu J， Shen L， Sun G. Squeeze-and-excitation networks [C].ProceedingsoftheIEEEConference onComputerVision and Pattern Recognition，2018：7132—7141.

[20] Liu X，Hu J，Wang H，et al. Gaussian-IoU loss：Betterlearningforboundingboxregressionon PCBcomponent detection [J].Expert Systems withApplications，2022，190：116178.

[21]呂石磊，盧思華，李震，等．基于改進YOLOv3—LITE輕量級神經網絡的柑橘識別方法[J]：農業工程學報，2019，35（17）：205-214.LuShilei，LuSihua， LiZhen， etal. Orangerecognition method using improved YOLOv3—LITElightweight neural network [J]. Transactions of theChinese Society of Agricultural Engineering，2019，35（17）：205—214.

[22]許燕，段春旭，王世江，等. 一種軟軸傳動偏心激振式核桃收壯里n