鱼病实时检测系统的研制与试验

杨霄　王朕　赵伟　徐晶　文玲梅　徐敏

摘要：為实现集约化水产养殖中的鱼类因病毒细菌等感染体表病症的快速、准确识别，帮助养殖户快速了解养殖池内的鱼病危害程度和分布情况，基于改进的YOLOv5结合嵌入式技术设计一套鱼病的快速检测系统。使用改进过的YOLOv5神经网络模型生成鱼病的候选框，实现对鱼病的快速定级分类。检测系统根据候选框的数据对鱼病进行计数、分类，鱼病危害分类按正常、轻度、重度划分，结合患病鱼数形成对鱼病危害程度定量化测评的体系，最后引入GPRS模块获取检测点的位置信息，在软件端形成鱼病的热力图。模型测试结果表明：改进后的YOLOv5模型检测精准率为99.75％，召回率为93.21%，测试模型mAP50、mAP50：95对比原YOLOv5模型在帧数轻微下降3.22帧的情况下AP达到99.38%、88.09%，表明其拥有出色性能，改进后模型内存下降至13.6 MB。改进后YOLOv5模型体积更小，性能优越稳定强，适宜部署在鱼病检测嵌入式系统中。系统整体测试结果表明：系统能够实时的检测鱼病的发生，检测时系统能按正常，轻度，重度划分鱼病，并将鱼病的情况结合定位系统形成可视化的热力图像。

关键词：鱼病检测；YOLOv5；图像处理；特征提取；信息服务

中图分类号：S951.2文献标识码：A文章编号：20955553 （2023） 11013008

Development and testing of real-time detection system for fish diseases

Yang Xiao Wang Zhen Zhao Wei Xu Jing Wen Lingmei Xu Min

（1. Xianning Academy of Agricultural Sciences， Xianning， 437000， China； 2. Nanjing Institute of

Agricultural Mechanization， Ministry of Agriculture and Rural Affairs， Nanjing， 210014， China）

Abstract：In order to realize the rapid and accurate identification of surface diseases of fish infected by viruses and bacteria in intensive aquaculture， and help farmers quickly understand the damage degree and distribution of fish diseases in the aquaculture tank， a set of rapid detection system for fish diseases was designed based on the improved YOLOv5 combined with embedded technology. The improved YOLOv5 neural network model was used to generate the candidate boxes of fish diseases and realize the rapid classification of fish diseases. The detection system counted and classified fish diseases according to the data in the candidate box. The classification of fish disease hazards was divided into normal， mild and severe， and a quantitative evaluation system for the degree of fish disease hazards was formed by combining the number of fish with the number of sick fish. Finally， GPRS module was introduced to obtain the location information of detection points and form a heat map of fish diseases at the software end. Model test results showed that the detection accuracy of the improved YOLOv5 model was 99.75%， and the recall rate was 93.21%. Test models mAP50 and mAP50： 95 compared with the original YOLOv5 model， the AP reached 99.38% and 88.09% in the case of a slight decrease in FPS of 3.22 frames， indicating excellent performance， and the memory of the improved model was reduced to 13.6 MB. The improved YOLOv5 model had smaller size， superior performance and strong stability， and was suitable for deployment in the embedded system of fish disease detection. The overall test results of the system show that the system can detect the occurrence of fish disease in real time， and the system can classify the fish disease according to normal， mild and severe， and combine the situation of fish disease with the positioning system to form a visual thermal image.

Keywords：fish disease detection; YOLOv5; picture processing; feature extraction; information service

0引言

我国是世界第一大淡水产品生产国和消费国。伴随国家环保政策的收紧和长江十年禁渔计划的出台，集约化养殖模式正在快速替代传统的河湖水网养殖［12］。在集约化养殖模式下高密度放养、频繁投饲，不可避免会面临病毒、细菌、真菌的过量繁殖及氮、磷等积累问题，特别是氨氮、亚硝态氮浓度提升使养殖的鱼类更容易感染各类疾病。细菌性鱼病作为主要的病害之一，对渔业生产的危害广泛、持续时间长，处理不及时往往伴随巨大经济损失［34］。例如链球菌、诺卡氏菌等会造成鱼类眼部充血发炎、鱼体溃烂等［5］。目前鱼类疾病检测主要依靠人工，然而光由空气进入水体会发生折射，人眼很难检测鱼群的健康状况，造成未能及时给药或调整养殖方案，错过最佳治疗期。为了解决上述渔业生产中的问题，建立一套快速的实时鱼病检测系统，对于鱼类的养殖具有十分重要的意义。

传统的鱼病检测需通过，过水取样，或者鱼群大面积的病例反应才能及时发现。存在不及时，工作量大、效率低等问题。随着数字农业的发展图像处理技术在农业上的应用［68］，已经引起了广大研究者的关注与重视，也得到了越来越多人的认可。冼远清［9］针对细菌病鱼类的性状表现，基于YOLOv3设计了一种鱼病识别的方法，平均准确率均值较其他检测方法均提高了3.11%以上；徐竞翔等［10］利用YOLOv5网络检测水产养殖细菌性鱼病病原细菌，最终能够检测出一些较小的细菌目标，识别准确率达到69.19%；上述基于不同的图像模型均只停留在模型的构建方面，还未具体应用到实际中。王林惠等［11］基于Faster-RCNN神经网络，设计实现一套便携式柑橘虫害的实施检测系统，但在鱼病实时检测领域相关研究成果不多。

针对以上问题，结合现有的研究成果，以鱼病为研究对象，在集约化养殖的鱼池中的观测鱼类，提取鱼病的相关图像信息。通过借助放置于养殖池的高清摄像机，实时抓拍鱼类的生物特征，结合YOLO神经网络和嵌入式物联网技术在线检测［12］，研究基于鱼的生理性状图像信息的便携式鱼病实时检测仪，对鱼病的严重程度划分，实现鱼病可视化显示，并上传至云端进行大数据综合分析。

1材料与方法

1.1系统总体设计

系统总体设计运用，农业物联网设计思维，系统有三个部分组成，感知层、网络层和应用层，结构图如图1所示，感知层主要是鱼病检测仪，负责对鱼病的图像数据的采集和处理，网络层为云服务器，使用云服务器和用户之间进行编码，认证和传输；应用层主要提供鱼病发生位置，实时情况及危害程度。三层紧密协作，分工明晰，构建一个完整的鱼病实时检测系统，最后实现对鱼病的地图级直观显示效果。

系统硬件采用模块化设计，检测仪包含处理器、GPU、高清摄像头（分辨率：支持1 280像素×960像素）、GPS/BD双模定位、4G通讯模块以及显示模块。其中处理器选用RK3399Pro，GPU采用Mali-T864。实物为固定机位，摄像头放置于集中圈养池50cm水位，另外摄像头做防水处理，避免进水。

检测仪工作流程如图2所示，通过水下摄像头实时采集水下鱼类图像信息，经过预处理，利用已经内嵌入改进的YOLOv5模型检测仪（算力来源Mali-T864）处理水下图像信息识别鱼病，对有鱼病的图像，进行特征提取和分级。再通过定位模块识别获取位置信息，和鱼病等级一并显示。最后通过无线网络将检测信息传送至服务器，为系统使用者数据支持，方便对鱼病趋势进行预测，更方便对圈养鱼鱼病的发生进行整体的管控和预防。

1.2基于YOLOv5的鱼病识别模型改进训练

YOLO是一种快速紧凑的开源对象检测模型［13］，与其他网络相比，同等尺寸下性能更强，并且具有很不错的稳定性，是一个可以预测对象的类别和边界框的端对端神经网络。YOLO家族一直有着旺盛的生命力，从YOLOv1一直到v5，如今已经延续五代，凭借着不断地创新和完善，一直被计算机视觉工程师作为对象检测的首选框架之一。在农业信息处理方面也有广泛应用［1417］，因次本文选用改进的YOLOv5作为鱼病检测模型。

YOLOv5沿用了YOLO系列的整体布局，工作原理分为三步首先对图片进行缩放处理（Resize），经过卷积网络（Run convolution net work），最后进行非极大抑制（Non-max suppression），输出检测结果。其核心思想是将特征图划分为S×S的格子（grid cells），得到边界框加置信度得分（Bounding boxes and cofidence），以及类别概率图（Class probability map），最后结合这两者得到最终的检测结果（Final detections）。对比Yolo3/Yolo4而言Yolo5的Backbone部分在YOLOv4-tiny基础上增加了Focus结构和CSPNet（Cross stage partial networks）结构，实现了跨阶段局部融合网络。可以进行跨层预测，既有些bbox在多个预测层都算正样本，匹配的范围可以是3～9个。整个网络结构分成Backbone，Neck和Head三个部分，采用Mosaic数据增强方式，可自动计算数据集的最佳锚框值。网络结构如图3所示。

1.2.1数据采集

鱼类图像数据采集于湖北省咸宁市杨畈农业高新技术研发试验区内水产养殖基地，养殖模式为圈养桶集约化养殖，拍摄场景如图4所示，采集设备为GO por8型运动相机，其二维RGB图像分辨率为5 650像素×4 238像素，焦距为2mm，曝光时间为1/200s。为降低由训练样本多样性不足导致网络模型过拟合的概率，采集时分强光和弱光，强光、弱光分別为当天水下光照强度500～1 000lux和50～500lux进行区分，强光、弱光情况下各采集水体上、中、下600mm、1200mm、1800mm三个深度的鱼类特征图像。为了增加样本的多样性，图像样本中包含彩虹鲷和加州鲈2种鱼类，包含鱼类密度、生长阶段、气温及水质不同的情况，还包含强光、弱光等光照情况。为获取准确的数据参数，还需要对图像进行人工标注，标注时将鱼类的最小外接矩形框作为真实框（Ground truth），以区分各类鱼病及患病严重程度。

由于圈养桶环境下周围布置了各种电子元器件，同时水下微环境复杂，这对图片生成传输产生影响，从而导致图片质量不佳。为提高后期鱼类患病情况识别效率，需要对图片进行降噪处理。分析图片噪声可知，概率密度函数服从高斯分布（即正态分布），常见的处理方法为高斯滤波或双边滤波来去除图片噪声。高斯滤波在低通滤波算法中有不错的表现，但是其却有另外一个问题，那就是只考虑了像素间的空间位置上的关系，因此滤波的结果会丢失边缘的信息。这里的边缘主要是指图像中主要的不同颜色区域（水的浑浊程度，彩虹鲷个体体色等），而双边滤波就是在高斯滤波中加入了另外的一个权重分部来解决这一问题。双边滤波中对于边缘的保持通过式（1）、式（2）来实现。

通过人工对7月1日至10月31日所摄照片进行检查，将质量不高的无效照片删除，得到图像23 302 幅，其中彩虹鲷照片11 905幅，加州鲈照片12 223幅。由于是有一定时间跨度的水下拍摄，随着天气及圈养桶内环境变化，鱼类活动的姿态各异、有着水质浑浊现象，这一现象可以类比为在雾霾空气中拍摄导致图像特征不明显，影响图片质量。因此，需要对采集样本使用暗道去雾方法进行处理，如图5所示暗道去雾效果，使照片颜色饱和，亮度提高，有利于对鱼类体表病变特征识别。

1.2.2训练模型改进

模型有如下三点改进。

1）  为了能够让推导的算法减少内存消耗和计算瓶颈，利于鱼类健康监控算法形成后的工业化部署，采用C3组建代替原YOLOv5模型CSPNet组建，如图6所示，C3组件相比CSPNet组件，结构更加简单，本质上与CSPNet组件效果类似，只是删除了标准CSPNet组件在残差连接之后的一次卷积操作，直接和输入图经过一次卷积操作的另一分支进行拼接。Focus结构共包含4次切片操作和1次32个卷积核的卷积操作，切片操作将1幅图像中每隔1个像素取1个值，类似于近邻下采样，得到4幅图像，但是4幅图像的信息并没有丢失，而是原图像宽度W、高度H信息集中到了通道空间，输入通道扩充了4倍，即拼接图像相对于原RGB 3通道模式变成了12个通道。然后将新得到的图像进行卷积操作，原始608×608×3的图像变成信息完整的2倍304×304×12的特征图，从高分辨率图像中，周期性的抽出像素点重构到低分辨率图像中，即将图像相邻的四个位置进行堆叠，提高每个点接收维度，并减少原始信息的丢失。这个组件可以减少计算量，增加速度。C3结构仿照DenseNet的密集跨层跳层连接思想，进行局部跨层融合，利用不同层的特征信息获得更为丰富的特征图。Neck部分包含了路径聚合网络（Path aggregation network， PANet）和空间金字塔池化（Space pyramid pooling， SPP）模块。自顶向下将高层特征信息与不同层C3模块的输出特征进行聚合，再通过自底向上路径聚合结构聚合浅层特征，从而充分融合不同层的图像特征。SPP模块采用1×1、5×5、9×9、13×13这4种不同的池化核进行处理，处理后再进行张量拼接。SPP处理可有效增加接收维度，分离出显著特征，同时不损失原有检测速度。输出层使用GIOU_Loss代替YOLOv3的IOU_Loss作为损失函数，增加了相交尺度的衡量，缓解了IOU_Loss无法优化2个框不相交的情况。

2） 由于鱼类活动照片是在水下拍摄的，拍摄场景随着水质、光照和鱼群情况的变化而变化，导致拍摄的鱼的特征照片的变化和模糊，由于这种特殊的应用场景原始的YOLOv5主干网络很难准确提取清晰的特征。为了减少水下复杂性的影响，本研究提高了网络的泛化能力通过扩大训练样本和替换所有3×3卷积内核骨干网络卷积核组（Conv KG）提高网络的获取鱼表面特征的能力。Conv组由三个平行3×3，1×3和3×1卷积内核，卷积输入图像在相同的步骤产生特征地图的相同大小和数量的通道，分别和相应的特征地图求和得到输出特性如图7所示。

3）  由于水下环境的变化和鱼类照片中鱼的数量的较大变化，干扰了原来的YOLOv5检测算法，本研究将注意机制模块——卷积块注意模块（CBAM）添加到YOLOv5网络中。如图8所示，CBAM是一个简单但有效的前馈卷积神经网络注意模块，它结合了通道注意模块（CAM）和空间注意模块（SAM）。给定一个中间特征图，我们的模块沿着通道和空间这两个独立的维度依次推断出一幅图像的注意力，然后将注意图乘以输入的特征图进行自适应特征细化。因为CBAM是一个轻量级的通用模块，所以它无缝集成到任何卷积神经网络体系结构中，且影响可以忽略不计，并且可以使用底层的卷积神经网络进行端到端训练。

输入特征，然后经过通道注意模块的一维卷积，将卷积结果乘以原始图像，通道注意模块输出作为空间注意模块二维卷积的输入，输出乘以原始图像作为自适应特征。通道关注模块主要检测鱼的轮廓特征，得到检测目标的主要内容。其计算公式如式（6）所示。

引入空间注意模块是为了进一步提高目标鱼的检测精准率，主要提取输入图像中目标的位置信息，与通道注意力模块相互补充，并准确定位目标鱼的位置。其计算公式如式（7）所示。

1.2.3模型训练环境

1.2.4模型评价指标

本研究采用精准率（Precision）、召回率（Recall）和平均精准率（Average Precision，AP）作为特征网络性能的评价指标。精准率是在所有预测患病的样本中预测实际患病鱼的概率，它代表了正样本预测结果的精准率，召回是在实际患病鱼样本中被预测为患病鱼的概率，它代表了总体预测精準率，其计算方法如式（8）、式（9）所示。

2.2结果与分析

2.2.1鱼病识别模型训练结果分析

选取两种鱼病的训练集和验证集样本数据训练475次，模型的训练结果如图9所示。

经过475次时代后，损失值降至0.027。神经网络的准确率为99.75%，召回率为99.31%，平均精准率50为99.38%。从训练结果来看，该模型具有较高的收敛性、校验率以及低损失值。

2.2.2主流网络模型对比分析

为验证改进后的模型性能，提出的特征提取神经网络与主流目标检测模型SSD，Faster-R CNN，YOLOv3和YOLOv4，对比所占内存、FPS、召回率、精准率、mAP50、mAP50：95用于评估和比较主流检测模型。实验模型参数见表1。

由表2分析可知，IOU=0.5时，改进后模型（DFYOLO）召回率为99.31%，比原YOLOv5模型高5.55%，比原YOLOV4模型高5.47%，比原YOLOv3算法高13.19%；计算mAP50：95时精准率达到88.09%，比原YOLOV5算法高9.56%；模型内存减少0.9MB；在保证检测精准率高的同时，模型的帧数没有明显下降。YOLOv5算法模型比其他主流目标检测网络模型具有更好的检测性能，与原来的YOLOv5模型相比，改进后的模型在鱼病特征提取方面具有较高的性能，且占用较少的内存，便于部署在嵌入式系统中。

2.2.3鱼病分布可视化热力图测试分析

软件前段采用前端采用elements-ui编写，使用vue.js框架，接入百度地图，根据数据产生颜色差异的以热力图直观的表现鱼病情况；后端数据库采用MySQL，租用阿里云服务器作为鱼病数据库。鱼病检测页面设计包含控制器、热力图显示、数据三个模块。整个系统兼具拓展功能，可添加其他农业物联网设备形成农业物联网控制集群。

鱼病的管理软件中数据模块采集内容包含桶的编号、地理位置、危害程度以及实时的图片等。鱼病检测仪实时的采集和处理相关鱼病的数据，通过无线网络传输至云服务器。用户通过网页客户端登录系统查看鱼病信息。其中将每一个桶内检测的鱼病等级和患病鱼的数量乘积算作热力值，并在客户端界面实现地图级的现实效果。如图10所示为咸宁市杨畈农业高新技术示范区内的鱼池鱼病热力图。具体热力值的计算是将单个检测仪在单位时间内采样到的鱼病总数作为热力值，这是为了防治在集中圈养的形式下鱼病检测无限累计。软件设计取1h内的数据显示，结果显示鱼病能真实有效地在软件客户端实现地图级热力值显示。为了能快速了解养殖池内情况，同时也可验证鱼病系统鲁棒性。鱼病检测仪设置每10min拍摄1次水下图像传输至与服务器，通过登录系统可以在线查看。这些功能的实现为鱼病防治作业提供精准化的指导服务。

3结论

本文以集约化养殖环境下的鱼为研究对象，设计出一套基于改进后YOLOv5深度卷积神经网络的鱼病实时检测系统。通过验证系统的功能性，得出结论如下。

1）  通过对比YOLOv3，YOLOv4，YOLOv5，SSD，Faster-RCNN的训练参数对比，验证了改进后的YOLOv5算法的作为鱼病检测神经网络的优势，相比于其他算法，精准率和召回率达到99.75％和99.31％，测试mAP50、mAP50：95对比原YOLOv5模型帧数轻微下降3.22帧的情况下分别达到99.38％和88.09％，同时模型参数量减少至13.6 M。表明改进后YOLOv5是一种适合在鱼病检测嵌入式系统中运行的神经网络，具有优越的性能和可靠性。

2）  利用改进的YOLOv5神经网络实现了对集中圈养下彩虹鲷、加州鲈细菌性鱼病的识别，布置的模型實时帧数均值达到93.21，系统根据目标图像实时计算鱼病危害程度，按正常、轻度、重度划分，形成鱼病识别定量化的测评体系。

3）  利用卫星定位模块获取检测仪的位置信息，结合鱼病等级和患病鱼的数量信息，并将这些信息进行可视化处理，生成了热力图像。图像可以帮助快速获取鱼病情况，实现智能化养鱼，这些技术手段可以为鱼类疾病的诊断和治疗提供精准的信息服务，进而提高鱼类健康水平。

参考文献

［1］何绪刚， 侯杰. 池塘圈养模式研究进展［J］. 华中农业大学学报， 2021， 40（3）： 21-29.He Xugang， Hou Jie. Research progress on pond Juanyang mode ［J］. Journal of Huazhong Agricultural University 2021， 40（3）： 21-29.

［1］陈邦勋， 李书民. 中国渔业年鉴［M］. 北京： 中国农业出版社， 2019.

［2］Ai L， Ma B， Shao S， et al. Heavy metals in Chinese freshwater fish： Levels， regional distribution， sources and health risk assessment ［J］. Science of the Total Environment， 2022， 853： 158455.

［3］Boyd C E， DAbramo L R， Glencross B D， et al. Achieving sustainable aquaculture： Historical and current perspectives and future needs and challenges ［J］. Journal of the World Aquaculture Society， 2020， 51（3）： 578-633.

［4］Assefa A， Abunna F. Maintenance of fish health in aquaculture： review of epidemiological approaches for prevention and control of infectious disease of fish ［J］. Veterinary Medicine International， 2018， 2018.

［6］潘彩霞， 薛佳妮， 于辉辉， 等. 基于本体的鱼病诊断专家系统的构建［J］. 广东农业科学， 2015， 42（1）： 157-160.Pan Caixia， Xue Jiani， Yu Huihui， et al. Establishment of fish disease diagnosis expert system based on ontology ［J］. Guangdong Agricultural Sciences， 2015， 42（1）： 157-160.

［5］胡根生， 吴继甜， 鲍文霞， 等. 基于改进YOLOv5网络的复杂背景图像中茶尺蠖检测［J］. 农业工程学报， 2021， 37（21）： 191-198.Hu Gensheng， Wu Jitian， Bao Wenxia， et al.Detection of Ectropis oblique in complex background images using improved YOLOv5 ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（21）： 191-198.

［6］Hu X， Liu Y， Zhao Z， et al. Real-time detection of uneaten feed pellets in underwater images for aquaculture using an improved YOLO-V4 network ［J］. Computers and Electronics in Agriculture， 2021， 185： 106135.

［7］苏斐， 张泽旭， 赵妍平， 等. 基于轻量化 YOLO-v3的绿熟期番茄检测方法［J］. 中国农机化学报， 2022， 43（3）： 132-137.Su Fei， Zhang Zexu， Zhao Yanping， et al. Detection of mature green tomato based on lightweight YOLO-v3 ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（3）： 132-137.

［8］王菁， 范晓飞， 赵智慧， 等. 基于YOLO算法的不同品种枣自然环境下成熟度识别［J］. 中国农机化学报， 2022， 43（11）： 165-171.Wang Jing， Fan Xiaofei， Zhao Zhihui， et al. Maturity identification of different jujube varieties under natural environment based on YOLO algorithm ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（11）： 165-171.

［9］冼清远. 改进的YOLOv3常见鱼病检测算法［J］. 福建电脑， 2022， 38（7）： 11-14.Xian Yuanqing. Improved YOLOv3 algorithm for common fish disease detection ［J］. Journal of Fujian Computer， 2022， 38（7）： 11-14.

［10］许竞翔， 欧阳建， 邱懿， 等. 基于改进YOLOv5的水产养殖细菌性鱼病病原细菌检测算法［J］. 渔业现代化， 2022， 49（2）： 60-67.Xu Jingxiang， Ouyang Jian， Qiu Yi， et al. Detection algorithm of pathogenic bacteria of aquaculture bacterial fish disease based on improved YOLOv5 ［J］. Fishery Modernization， 2022， 49（2）： 60-67.

［11］王林惠， 兰玉彬， 刘志壮， 等. 便携式柑橘虫害实时检测系统的研制与试验［J］. 农业工程学报， 2021， 37（9）： 282-288.Wang Linhui， Lan Yubin， Liu Zhizhuang， et al. Development and experiment of the portable real-time detection system for citrus pests ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 282-288.

［12］李震， 洪添胜， 王建， 等. 柑橘全爪螨虫害快速检测仪的研制与试验［J］. 农业工程学报， 2014， 30（14）： 49-56.Li Zhen， Hong Tiansheng， Wang Jian， et al. Development and experiment of Panonychus citri infestation fast detector ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（14）： 49-56.

［13］LeCun Y， Bengio Y， Hinton G. Deep learning ［J］. Nature， 2015， 521（7553）： 436-444.

［14］Li X， Wang W， Hu X， et al. Selective kernel networks ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2019： 510-519.

［15］張博， 张苗辉， 陈运忠. 基于空间金字塔池化和深度卷积神经网络的作物害虫识别［J］. 农业工程学报， 2019， 35（19）： 209-215.Zhang Bo， Zhang Miaohui， Chen Yunzhong， et al. Crop pest identification based on spatial pyramid pooling and deep convolution neural network ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（19）： 209-215.

［16］Tian Y， Yang G， Wang Z， et al. Apple detection during different growth stages in orchards using the improved YOLO-V3 model ［J］. Computers and Electronics in Agriculture， 2019， 157： 417-426.

［17］Shi R， Li T， Yamaguchi Y. An attribution-based pruning method for real-time mango detection with YOLO network ［J］. Computers and Electronics in Agriculture， 2020， 169： 105214.