PSOS-YOLOv5s：一种轻量级玉米雄穗快速检测算法

摘 要：针对玉米雄穗检测中速度较慢的问题，提出一种基于ＹＯＬＯｖ５ｓ 改进的轻量化快速检测算法———ＰＳＯＳ-ＹＯＬＯｖ５ｓ。所提算法在主干网络中采用轻量级ＰＰ-ＬＣＮｅｔ 替换ＣＳＰＤａｒｋｎｅｔ５３，采用２ 种不同的深度可分离卷积与注意力机制的组合来构成基本块，降低模型复杂度并加快检测速度；在预测部分采用ＳｉｍＯＴＡ 标签匹配策略替换ＹＯＬＯｖ５ｓ 中的标签匹配策略，采用中心先验思想获得精准的先验知识，提出动态ｋ 策略过滤冗余标签，提高模型对正样本的快速选取能力；在预测部分采用ＳＩＯＵＬｏｓｓ 替换ＧＩＯＵ Ｌｏｓｓ，引入角度损失因子来降低回归自由度、加快收敛速度、节省训练时间，重新定义惩罚指标，提高检测精度。实验结果表明，在玉米雄穗数据集中，提出的改进算法相比于ＹＯＬＯｖ５ｓ，模型参数量降低５２． ８６％ ，模型的检测精度提升０． ６％ ，模型的检测速度提升６５． ５％ 。改进后的算法提升效果明显，可以满足大规模玉米雄穗快速检测的要求。

关键词：玉米雄穗检测；轻量化网络；标签匹配策略；损失函数；ＹＯＬＯｖ５

中图分类号：ＴＰ１８３ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：

文章编号：１００３－３１０６（２０２４）０６－１４４６－０８

０ 引言

玉米是雌雄同株的作物，可以进行自花授粉，但是自花授粉不利于优良种子的选育，因此，保证玉米的异花授粉，对育种以及产量提升有重要意义［１－３］。在异花授粉过程中，需要对雄穗进行去除，传统方法主要依靠人工识别去除，费时费力。现代农业对大规模、高通量分析的需求使得人工无法处理此类任务。计算机视觉技术在农作物识别方面的应用，为准确识别玉米雄穗并高效科学地指导去雄作业提供了有效的技术手段。

目前，玉米雄穗的检测主要分为基于机器视觉检测方法和基于深度学习的目标检测方法。Ｌｕ 等［３］开发了基于分割和支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）的名为ｍＴＡＳＳＥＬ 的系统来检测玉米雄穗，并以９０． ３８％ 的准确率识别出具有穗的潜在区域。Ｙｕ 等［４］在数据集ＭｒＭＴ 上提出了一种新颖的轻量级神经网络ＴａｓｓｅｌＬＦＡＮｅｔ，可以准确有效地检测和计数高时空图像序列中的玉米雄穗。

近年来，基于深度学习的图像分类、目标检测等技术开始兴起。两阶段的区域卷积神经网络（Ｒ-ＣＮＮ）系列模型［５］是目标检测中的里程碑之一。ＲＣＮＮ 的后续改进包括Ｆａｓｔ Ｒ-ＣＮＮ［６］和ＦａｓｔｅｒＲ-ＣＮＮ［７］，通过引入共享特征提取来提高检测速度和准确性。此外，还有备受关注的一阶段模型ＳＳＤ［８］模型和ＹＯＬＯ 系列模型。ＹＯＬＯ 模型是一种实时目标检测模型，ＹＯＬＯ［９］ 的改进版本包括ＹＯＬＯｖ２、ＹＯＬＯｖ３、ＹＯＬＯｖ４、ＹＯＬＯｖ７［１０］等，通过改进网络结构和使用更高分辨率的特征图来提高检测性能。Ｋｈａｋｉ 等［１１］提出了一种基于ＹＯＬＯｖ４ 的计算机视觉方法来检测麦穗。Ｂｕｚｚｙ 等［１２］利用Ｔｉｎｙ-ＹＯＬＯｖ３ 网络准确地检测叶子的实时定位。ＹＯＬＯｖ５ 是ＹＯＬＯ 系列中成熟的算法，然而，直接应用ＹＯＬＯｖ５ 进行玉米雄穗检测存在一些挑战：由于玉米雄穗在生长过程中会产生遮挡和重叠现象，目标之间存在遮挡问题，导致检测困难。玉米雄穗一般比较细长，在生长过程中可能会呈现不同的姿态和形状，这些都会导致检测不准确。

为此，本文针对上述问题提出了一种基于ＹＯＬＯｖ５ｓ 的玉米雄穗检测模型———ＰＳＯＳ-ＹＯＬＯｖ５ｓ，能够快速、准确地检测出田中玉米雄穗的位置，而且参数量、每秒１０ 亿次的浮点运算数（ＧＦＬＯＰｓ）和模型复杂度较低。

１ 材料和方法

１． １ 数据集

本研究选用的数据集为公开数据集ＭｒＭＴ［１３］，开发的一种自动化地面观测系统在中国山东省泰安市、河南省郑州市和河北省衡水市的实验田每天９：００—１６：００ 每小时拍摄一张，包含从抽雄阶段到开花阶段的１２ 个独立图像序列。该数据集包含不同场景下的玉米雄穗图像，如抽雄阶段到开花阶段的多个时间序列的图像，以及来自不同地点的示例图像。根据标准注释范例，使用开源标注工具ｌａｂｅ-ｌＩｍｇ 对每个玉米雄穗手动进行框级标记，共标注了９６ ４３４ 个玉米雄穗。

１． ２ ＹＯＬＯｖ５ 目标检测算法

ＹＯＬＯｖ５ 是Ｕｌｔｒａｌｙｔｉｃｓ 团队于２０２０ 年６ 月提出的一种典型的单阶段目标检测算法，将检测任务转化为端到端的回归问题。根据网络结构的深度和宽度，ＹＯＬＯｖ５ 分为５ 个版本：ＹＯＬＯｖ５ｎ、ＹＯＬＯｖ５ｓ、ＹＯＬＯｖ５ｍ、ＹＯＬＯｖ５ｌ 和ＹＯＬＯｖ５ｘ（ｎ＜ｓ＜ｍ＜ｌ＜ｘ），其中ｎ 模型参数量最小，ｘ 模型参数量最大。为了实时检测和易于部署，本文选择ＹＯＬＯｖ５ｓ 网络作为基础模型。ＹＯＬＯｖ５ 网络结构如图１ 所示。

ＹＯＬＯｖ５ 的输入组件如图２ 所示，由３ 个模块组成：马赛克数据增强、自适应锚框计算和自适应图像缩放。主干部分主要负责提取图像不同层次的图像特征，由ＣＢＳ、Ｃ３ 和ＳＰＰＦ 等模块组成。ＣＢＳ 层由卷积、批量归一化和激活函数组成。Ｃ３ 模块包括３ 个标准卷积层和多个瓶颈。ＳＰＰＦ 使用５×５ 和１×１两个池化核，可以增加感受野并输入任意图像长宽比和尺寸。在ＹＯＬＯｖ５ 主干中使用ＣＢＳ、ＳＰＰＦ 和Ｃ３ 架构时的潜在缺点包括计算复杂性和内存使用量增加，导致检测速度变慢和资源需求增加。因此，为了实现网络模型的轻量化，本文采用ＰＰ-ＬＣＮｅｔ［１４］作为主干网络。

颈部特征融合网络采用特征金字塔网络（Ｆｅａｔｕｒｅ Ｐｙｒａｍｉｄ Ｎｅｔｗｏｒｋ，ＦＰＮ）［１５］和路径聚合网络（Ｐａｔｈ Ａｇｇｒｅｇａｔｉｏｎ Ｎｅｔｗｏｒｋ，ＰＡＮ）［１６］的结构。使用ＧＩＯＵ 损失（Ｌｏｓｓ）函数作为边界框损失函数，解决边界框不重叠的问题。对于ＧＩＯＵ Ｌｏｓｓ 函数，当２ 个边界框相交时，水平和垂直方向的收敛速度都很慢。因此，本文选择ＳＩＯＵ Ｌｏｓｓ 函数。

１． ３ ＰＳＯＳ-ＹＯＬＯｖ５ｓ

为了保证玉米雄穗检测精度，同时尽量加快检测速度，本文提出了一种轻量级网络ＰＳＯＳ-ＹＯＬＯｖ５ｓ。

图３ 展示了ＰＳＯＳ-ＹＯＬＯｖ５ｓ 的整体结构，包括三部分：用于特征提取的主干网络（ｂａｃｋｂｏｎｅ），用于特征融合的颈部（ｎｅｃｋ）以及用于位置和类别预测的预测头（ｈｅａｄ）。为了减少模型参数量和ＧＦＬＯＰｓ，使用ＰＰ-ＬＣＮｅｔ 作为主干来提取特征。为了改善轻量级网络ＰＰ-ＬＣＮｅｔ 带来的精度损失，本研究将原来的标签匹配策略换成了ＳｉｍＯＴＡ 标签匹配策略并且把ＧＩＯＵＬｏｓｓ 更换为ＳＩＯＵ Ｌｏｓｓ。ＳｉｍＯＴＡ 可以将筛选样本（ａｎｃｈｏｒ ｐｏｉｎｔ）与真实框（ｇｔ）之间的匹配更加合理，ＳＩＯＵ Ｌｏｓｓ 考虑到了向量角度在回归中的重要性。

１． ３． １ 基于ＰＰ-ＬＣＮｅｔ 的骨干网络

ＰＰ-ＬＣＮｅｔ 是百度在２０２１ 年提出的一种基于深度神经网络的数学内核库（ＭＫＬＤＮＮ）加速策略的轻量级中央处理器（ＣＰＵ）网络，提高了轻量级模型在多个任务上的性能。图４ 展示了ＰＰ-ＬＣＮｅｔ 的基本模块，其中Ｈｓｗｉｓｈ 是激活函数，ＳＥ 是注意力机制。

该模型使用深度可分离卷积（ＤｅｐｔｈＳｅｐＣｏｎｖ）作为基本块，其中不包含直连（ｓｈｏｒｔｃｕｔ），这样就没有拼接（ｃｏｎｃａｔ）或逐元素相加（ｅｌｅｍｅｎｔｗｉｓｅ-ａｄｄ）等操作，这些操作不仅会降低模型的推理速度，而且无法提高小模型的精度。该模型将这些块（ｂｌｏｃｋ）堆叠成一个基础网络，然后结合现有技术得到了ＰＰ-ＬＣ-Ｎｅｔ。

本文的主干特征网络不仅仅由ＰＰ-ＬＣＮｅｔ 网络组成，将ＰＰ-ＬＣＮｅｔ 网络全局平均池化层换为ＳＰＰＦ层，因此主干特征网络由ＣＢＳ、ＤｅｐｔｈＳｅｐＣｏｎｖ 和ＳＰＰＦ 组成，激活函数的性能往往决定了网络的性能，为了避免大量的指数操作，本文将ＤｅｐｔｈＳｅｐＣｏｎｖ 基础网络中的激活函数由ＲｅＬＵ 换成Ｈ-Ｓｗｉｓｈ，性能得到了很大的提升，而推理时间几乎没有增加。ＳＥ 模块自提出以来已被大量网络使用，但在英特尔ＣＰＵ上，ＳＥ 模块会增加推理时间，因此不能在整个网络中都使用。通过大量实验发现将ＳＥ 模块用于网络的末端时，可以发挥更好的作用，因此本文只将ＳＥ模块用在网络尾端的ｂｌｏｃｋ 中，获得了更好的精度－速度的平衡。同时卷积核的大小也会影响网络的性能。

Ｍ ｉｘＮｅｔ［１７］中分析了不同大小的卷积核对网络性能的影响，最终在网络的同一层中使用不同大小的卷积核。但这种混合降低了网络的推理速度，因此本文在同一层只使用一种大小的卷积核，并确保在低延迟和高精度的前提下才使用大卷积核。通过实验发现，与使用ＳＥ 模块位置一样，只在网络的尾部用５×５ 卷积替换３ ×３ 卷积获得了和整个网络都使用５×５ 卷积相近的性能，因此最终只在网络尾部才使用５×５ 卷积。此外，该方法显著降低了计算复杂度和参数数量，使其适合在硬件有限的设备上部署。

１． ３． ２ ＳｉｍＯＴＡ

本文采用ＹＯＬＯＸ［１８］提出的ＳｉｍＯＴＡ 标签匹配策略来替换ＹＯＬＯｖ５ｓ 中的标签匹配策略。

ＳｉｍＯＴＡ 中的中心先验思想提供了更加精准的先验知识，提高了标签匹配的准确性。ＯＴＡ［１９］中通过Ｓｉｎｋｈｏｒｎ-Ｋｎｏｐｐ 算法解决最优传输（ＯｐｔｉｍａｌＴｒａｎｓｐｏｒｔ，ＯＴ）问题，但会带来２５％ 的额外训练时间，所以将其简化为动态ｋ 策略，称为ＳｉｍＯＴＡ，以获得近似解。与ＯＴＡ 相比，ＳｉｍＯＴＡ 运算速度快、训练时间短，大大提高了模型的每秒传输帧数（ＦＰＳ），而且避免了额外的参数优化，并且提升了检测精度。ＳｉｍＯＴＡ 中心先验图如图５ 所示，ｇｔ 代表真实物体的标注框，限定区域也是中心先验区域。

在ＳｉｍＯＴＡ 中，ｇｉ 和ｐｊ 之间的成本（ｃｏｓｔ）计算如下，其中ｇｉ 是任意真实框，ｐｊ 是任意预测框：

ｃｉｊ ＝ Ｌｃｌｓｉｊ ＋ λＬｒｅｇｉｊ ， （１）

式中：λ 为平衡系数，本文取３；Ｌｃｌｓｉｊ 和Ｌｒｅｇｉｊ 为ｇｉ 和ｐｊ之间的分类损失和回归损失。对于一张图上的所有ａｎｃｈｏｒ ｐｏｉｎｔ 来说，整个匹配策略的代价是所有特征点与每一个ｇｔ 所产生的分类损失与回归损失之和。

ＳｉｍＯＴＡ 会筛选出优质的正样本来匹配ｇｔ，从而减少这个匹配过程所产生的ｃｏｓｔ，首先ＳｉｍＯＴＡ 进行预筛选，ｇｔ 的中心区域更有可能筛选出优质的正样本使得边界回归损失与分类损失较小，也就是匹配策略中的ｃｏｓｔ 较小。进行预筛选之后，ｃｏｓｔ 会有显著的下降，从而可以在这个限定区域内进行进一步的筛选，从而获得最后的ａｎｃｈｏｒ ｐｏｉｎｔ。分别对限定区域中每一个ａｎｃｈｏｒ ｐｏｉｎｔ 计算其相对于每一个ｇｔ的分类损失（ｃｌｓ Ｌｏｓｓ）、边界框损失（ｒｅｇ Ｌｏｓｓ）。从而根据分ｃｌｓ＿Ｌｏｓｓ、ｒｅｇ＿Ｌｏｓｓ 获取ｃｏｓｔ 矩阵以及交并比（Ｉｎｔｅｒｓｅｃｔｉｏｎ Ｏｖｅｒ Ｕｎｉｏｎ，ＩＯＵ）矩阵，每一个ｇｔ 匹配到的ａｎｃｈｏｒ ｐｏｉｎｔ 数量记为ｓ，将这个数与１０ 对比，取其中的最小值，然后根据ＩＯＵ 来取前ｓ 个或者１０ 个ａｎｃｈｏｒ ｐｏｉｎｔ。将所有与当前ｇｔ 匹配的正样本求ＩＯＵ 后进行求和并向下取整，得到的数即为动态ｋ。得到动态ｋ 后，选择ｃｏｓｔ 较小的前动态ｋ 个样本作为当前匹配。如果同一正样本被分配到不同的ｇｔ真值，则选择ｃｏｓｔ 值较小的ｇｔ 真值负责预测。

此时得到所有的正样本以及正样本对应的ｇｔ，那么剩下的ａｎｃｈｏｒ ｐｏｉｎｔ 全部归为负样本。对筛选预测框进行Ｌｏｓｓ 计算，要注意这里的ｒｅｇ Ｌｏｓｓ 和ｃｌｓＬｏｓｓ 只针对目标框和筛选出的正样本预测框进行计算，而ｏｂｊ Ｌｏｓｓ 还是针对所有的ａｎｃｈｏｒ ｐｏｉｎｔ（包含所有的正样本与负样本），损失函数如下：

式中：Ｌｃｌｓ 表示分类损失，Ｌｒｅｇ 表示边界框损失，Ｌｏｂｊ 表示置信度损失，β 表示定位损失的平衡系数，本文设置为５． ０；Ｎｐｏｓ 表示被分为正样本的ａｎｃｈｏｒ ｐｏｉｎｔ 数。

采用ＳｉｍＯＴＡ 来进行标签匹配可以将限定区域内每一个ａｎｃｈｏｒ ｐｏｉｎｔ 匹配到最合适的ｇｔ，大大提高了检测的速度和精度。

１． ３． ３ ＳＩＯＵ 损失函数

ＹＯＬＯｖ５ 中的损失函数包括三部分：分类损失、边界框损失和置信度损失。分类损失用来计算锚框与对应的标定分类是否正确，边界框损失用来计算预测框与标定框之间的误差，置信度损失用来计算网络的置信度。其中边界框损失用ＧＩＯＵ Ｌｏｓｓ［２０］来计算。

ＧＩＯＵ Ｌｏｓｓ 函数在ＩＯＵ 的基础上引入了预测框和真实框的最小外接矩形。假设ｂｇｔ 为真实框，ｂ 为预测的边界框，Ｃ 为Ａ 和Ｂ 的最小外接矩形，则ＧＩＯＵ Ｌｏｓｓ 计算公式如下：

ＧＩＯＵ ＝ ＩＯＵ －（ Ｃ － （ｂ ∪ｇｔ）／Ｃ ）， （３）

ＬＧＩＯＵ ＝ １ － ＧＩＯＵ。（４）

当预测框和真实框完全重合时（预测框在真实框的内部），如图６ 所示，ＩＯＵ 和ＧＩＯＵ 的损失值都一样，此时ＧＩＯＵ 退化为ＩＯＵ，ＧＩＯＵ ＝ ＩＯＵ，最终还是无法区分预测框和真实框的位置关系，导致此时的边界框回归收敛很慢，检测结果失准。

为了解决上述问题，本文使用ＳＩＯＵ Ｌｏｓｓ［２１］代替ＧＩＯＵ Ｌｏｓｓ。ＳＩＯＵ 函数引入了真实框和预测框之间的向量角度，重新定义了相关损失函数，加快了网络收敛的速度，提升了回归精度。ＳＩＯＵ 损失函数具体包含四部分：角度损失（Ａｎｇｌｅ ｃｏｓｔ）、距离损失（Ｄｉｓｔａｎｃｅ ｃｏｓｔ）、形状损失（Ｓｈａｐｅ ｃｏｓｔ）和ＩＯＵ 损失（ＩＯＵ ｃｏｓｔ）。

角度损失定义为：

最后，ＳＩＯＵ Ｌｏｓｓ 函数定义为：

ＬＳＩＯＵ ＝ １ － ＩＯＵ ＋（ Δ ＋ Ω／２） 。（９）

ＳＩＯＵ Ｌｏｓｓ 考虑到了所需回归之间的向量角度，引入角度损失因子来降低回归自由度，加快了收敛速度，而且重新定义了惩罚指标，提高了训练的速度和推理的准确性。

２ 实验和结果

２． １ 实施细节

主要实验参数如下：本研究的训练数据集由从公开的ＭｒＭＴ 数据集中随机选择的１ １２０ 张图像组成。验证集和测试集分别为４８０ 张和３６８ 张。所有实验均在使用ＰｙＴｏｒｃｈ １． １０ 和ＣＵＤＡ １１． ３ 实现的深度学习框架上进行，并在４ 张具有４０ ＧＢ 显存的ＮＶＩＤＩＡ Ａ１００ ＧＰＵ 上执行。

为了反映模型的真实水平，本研究没有选择使用迁移学习。鉴于数据集中图像的高分辨率，将大小调整为６４０ ｐｉｘｅｌ×６４０ ｐｉｘｅｌ。使用单周期学习率调度的方法从０． ０１ 开始调度学习率。训练使用动量为０． ９３７ 的随机梯度下降（Ｓｔｏｃｈａｓｔｉｃ Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ，ＳＧＤ）优化器进行，ｂａｔｃｈ ｓｉｚｅ 设为１２８，持续３００ 个ｅｐｏｃｈ。

２． ２ 与其他目标检测模型的对比

２． ２． １ 评价指标

在本研究中，改进的ＹＯＬＯｖ５ｓ 模型与其他模型相比的评价指标主要基于ＦＰＳ、精度（Ｐｒｅｃｉｓｉｏｎ，Ｐ）、召回率（Ｒｅｃａｌｌ，Ｒ）和平均精度均值（ｍｅａｎ ＡｖｅｒａｇｅＰｒｅｃｉｓｉｏｎ，ｍＡＰ）。ＴＰ、ＦＰ 和ＦＮ 分别是被模型预测为正类的正样本数、被模型预测为正类的负样本数和被模型预测为负类的正样本数。此外，本研究还综合考虑了模型参数、ＧＦＬＯＰｓ 以及权重大小。因为数据中只有一个类别（玉米雄穗），所以ｎ 为１。ｍＡＰ＠ ０． ５ 表示ＩＯＵ 阈值为０． ５ 时的平均ｍＡＰ。ｍＡＰ ＠ ０． ５：０． ９５ 表示不同ＩＯＵ 阈值下ｍＡＰ 的平均值（从０． ５ 到０． ９５，步长为０． ０５）。各个评价指标的计算公式如下：

２． ２． ２ 消融实验

利用消融实验来评估网络结构变化的影响。进行了４ 组消融实验，结果如表１ 所示。在消融实验中，本文将ＰＰ-ＬＣＮｅｔ 骨干网络缩写为ＰＰ，将ＳｉｍＯＴＡ 缩写为ＳＯ，将ＳＩＯＵ Ｌｏｓｓ 函数缩写为Ｓ，其中△ 代表替换相应的模块。从表１ 可以看出，与ＹＯＬＯｖ５ｓ 相比，ＰＰ-ＹＯＬＯｖ５ｓ 的参数量、权重大小和ＧＦＬＯＰｓ 分别降低了５２． ８６％ 、５１． ６４％ 和６１． ４０％ ，ＦＰＳ 提高了４０． ５９％ ，以上提升表明了以ＰＰ-ＬＣＮｅｔ为主干网络提取特征实现了网络的轻量化，提高了网络检测速度。与ＰＰ-ＹＯＬＯｖ５ｓ 相比而言，ＰＰＳＯ-ＹＯＬＯｖ５ｓ 的ｍＡＰ 提高了０． ４％ ，ＦＰＳ 提升了１８． ７，表明了本文采用的ＳｉｍＯＴＡ 标签分配策略不仅提升了模型的检测精度，还提升了一定的检测速度。与ＰＰＳＯ-ＹＯＬＯｖ５ｓ 比较，ＰＰＳＯＳ-ＹＯＬＯｖ５ｓ 的ｍＡＰ 提升了０． ９％ ，ＦＰＳ 也有一定的提升，这也证实了ＳＩＯＵＬｏｓｓ 函数可以有效地提高检测精度和速度。综上所述，与原始ＹＯＬＯｖ５ｓ 模型相比，ＰＰＳＯＳ-ＹＯＬＯｖ５ｓ 的参数量、模型权重和ＧＦＬＯＰｓ 分别降低了５２． ８６％ 、５１． ５７％ 和６１． ４０％ ，而ｍＡＰ 提升了０． ６％ ，ＦＰＳ 提升了６５． ５％ 。上述分析表明本文提出的改进模型具有较理想的检测精度和速度。

图７ 是ＩＯＵ 阈值为０． ５ 时的ＰＲ 曲线图。蓝色曲线与横纵坐标之间的面积表示该类别的平均精度（Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ＡＰ），面积越大，检测效果越好。可以看出，玉米雄穗的ＡＰ 值为９７． ２％ ，本文提出的模型能够准确地检测出玉米田中的雄穗。

２． ２． ３ 实验结果对比

为了与基于ＰＰ-ＬＣＮｅｔ 的主干进行比较，本研究在网络其余部分保持不变的基础上用一些轻量级网络，例如ＭｏｂｉｌｅＮｅｔｖ３［２２］、ＧｈｓｏｔＮｅｔ［２３］和Ｅｆｆｉｃｉｅｎｔ-Ｎｅｔ［２４］替换掉原来ＹＯＬＯｖ５ｓ 的主干。实验结果如表２ 所示，与其他的轻量网络相比，在保证精度的基础上，ＰＰ-ＬＣＮｅｔ 显著地降低了参数量和模型的复杂程度。与此同时，模型的检测速度提升较为理想。

为了验证将ＳＩＯＵ Ｌｏｓｓ 函数替换掉ＧＩＯＵ Ｌｏｓｓ 的有效性，本文将ＳＩＯＵ Ｌｏｓｓ 函数应用于ＰＳＯ-ＹＯＬＯｖ５ｓ模型中，并与ＣＩＯＵ、ＥＩＯＵ、ＷＩＯＵ 和ＧＩＯＵ 损失函数进行比较。如表３ 所示，ＳＩＯＵ Ｌｏｓｓ 达到了最大的ｍＡＰ 和最快的检测速度，验证了改进的有效性。

为了探究提出的ＰＳＯＳ-ＹＯＬＯｖ５ｓ 模型在玉米雄穗数据集上的检测精度、参数量、ＦＰＳ 以及权重大小４ 个评价指标，本文将其与ＹＯＬＯｖ３、ＹＯＬＯｖ７-ｔｉｎｙ、ＴａｓｓｅｌＬＦＡＮｅｔ 以及ＹＯＬＯｖ５ｓ 四种模型进行比较。通过表４ 可以看出，除ＴａｓｓｅｌＬＦＡＮｅｔ 以外，本文提出的改进模型的评价指标表现最佳，虽然ＴａｓｓｅｌＬＦＡＮｅｔ 参数量和权重大小比本文提出的模型要小，但是本文改进模型在检测精度和ＦＰＳ 上表现更佳。本文提出的改进模型权重大小为６． ６５ ＭＢ，参数数量仅为３． ３ Ｍ，但是ｍＡＰ＠ ０． ５ 达到了９７． ２％ ，ＦＰＳ 高达１２８． ５。

ＰＳＯＳ-ＹＯＬＯｖ５ｓ 与其他４ 个模型的ｍＡＰ ＠ ０． ５对比曲线如图８ 所示，可以看出本文改进网络由于采用了ＳＩＯＵ Ｌｏｓｓ 损失函数和ＳｉｍＯＴＡ 的标签匹配策略，收敛速度大大加快，虽然用更轻量化的网络替换了主干网络，但ｍＡＰ 值依然有提升。

图９ 展示了５ 个模型的玉米穗检测结果。可以看出，本文提出的ＰＳＯＳ-ＹＯＬＯｖ５ｓ 模型，玉米雄穗检测的置信度分别为０． ９８ 和０． ９７，明显高于其余４ 个模型，充分展现了模型的优异检测性能。

３ 结束语

本文提出了一种基于ＹＯＬＯｖ５ｓ 改进的轻量化网络模型———ＰＳＯＳ-ＹＯＬＯｖ５ｓ，在保证检测精度的基础上，可以显著提升检测速度。该模型利用轻量级网络ＰＰ-ＬＣＮｅｔ 结构作为提取特征的骨干网络，明显降低了模型的参数量和复杂度。为了弥补轻量化主干造成的检测精度下降，在检测头部分将标签匹配策略换为ＳｉｍＯＴＡ 标签匹配策略，并且将边界框回归损失函数更换为更快、更准确的ＳＩＯＵ Ｌｏｓｓ。根据消融和对比实验得出的结果，本文提出的模型在玉米雄穗数据集上实现了ＦＰＳ 高达１２８． ５，提升了６５． ５％ 。参数量、模型权重和ＧＦＬＯＰｓ 分别降低了５２． ８６％ 、５１． ５７％ 和６１． ４０％ ，而ｍＡＰ 提升了０． ６％ 。为以后大规模玉米雄穗快速检测的实现提供了新的实用方法。

参考文献

［１］ ＧＡＧＥ Ｊ Ｌ，ＭＩＬＬＥＲ Ｎ Ｄ，ＳＰＡＬＤＩＮＧ Ｅ Ｐ，ｅｔ ａｌ． ＴＩＰＳ：ＡＳｙｓｔｅｍ ｆｏｒ Ａｕｔｏｍａｔｅｄ Ｉｍａｇｅｂａｓｅｄ Ｐｈｅｎｏｔｙｐｉｎｇ ｏｆ ＭａｉｚｅＴａｓｓｅｌｓ ［Ｊ］． Ｐｌａｎｔ Ｍｅｔｈｏｄｓ，２０１７，１３：２１．

［２］ ＨＵＡＮＧ Ｊ Ｘ，Ｇ？ＭＥＺＤＡＮＳ Ｊ Ｌ，ＨＵＡＮＧ Ｈ，ｅｔ ａｌ． Ａｓｓｉｍｉｌａｔｉｏｎ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｉｎｔｏ Ｃｒｏｐ Ｇｒｏｗｔｈ Ｍｏｄｅｌｓ：Ｃｕｒｒｅｎｔ Ｓｔａｔｕｓ ａｎｄ Ｐｅｒｓｐｅｃｔｉｖｅｓ ［Ｊ］． Ａｇｒｉｃｕｌｔｕｒａｌ ａｎｄＦｏｒｅｓｔ Ｍｅｔｅｏｒｏｌｏｇｙ，２０１９，２７６－２７７：１０７６０９．

［３］ ＬＵ Ｈ，ＣＡＯ Ｚ Ｇ，ＸＩＡＯ Ｙ，ｅｔ ａｌ． Ｆｉｎｅｇｒａｉｎｅｄ ＭａｉｚｅＴａｓｓｅｌ Ｔｒａｉｔ Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｗｉｔｈ Ｍｕｌｔｉｖｉｅｗ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ［Ｊ ］． Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ，２０１５，１１８：１４３－１５８．

［４］ ＹＵ Ｚ Ｈ，ＹＥ Ｊ Ｘ，ＬＩ Ｃ Ｎ，ｅｔ ａｌ． ＴａｓｓｅｌＬＦＡＮｅｔ：Ａ ＮｏｖｅｌＬｉｇｈｔｗｅｉｇｈｔ Ｍｕｌｔｉｂｒａｎｃｈ Ｆｅａｔｕｒｅ Ａｇｇｒｅｇａｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｈｉｇｈｔｈｒｏｕｇｈｐｕｔ Ｉｍａｇｅｂａｓｅｄ Ｍａｉｚｅ Ｔａｓｓｅｌｓ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｃｏｕｎｔｉｎｇ ［Ｊ］． Ｆｒｏｎｔｉｅｒｓ ｉｎ Ｐｌａｎｔ Ｓｃｉｅｎｃｅ，２０２３，１４：１１５８９４０．

［５］ ＧＩＲＳＨＩＣＫ Ｒ，ＤＯＮＡＨＵＥ Ｊ，ＤＡＲＲＥＬＬ Ｔ，ｅｔ ａｌ． ＲｉｃｈＦｅａｔｕｒｅ Ｈｉｅｒａｒｃｈｉｅｓ ｆｏｒ Ａｃｃｕｒａｔｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｃｏｌｕｍｂｕｓ：ＩＥＥＥ，２０１４：５８０－５８７．

［６］ ＧＩＲＳＨＩＣＫ Ｒ． Ｆａｓｔ ＲＣＮＮ ［Ｃ ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｓａｎｔｉａｇｏ：ＩＥＥＥ，２０１５：１４４０－１４４８．

［７］ ＲＥＮ Ｓ Ｑ，ＨＥ Ｋ Ｍ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ． Ｆａｓｔｅｒ ＲＣＮＮ：Ｔｏｗａｒｄｓ Ｒｅａｌｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｒｅｇｉｏｎ ＰｒｏｐｏｓａｌＮｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ＆Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１７，３９（６）：１１３７－１１４９．

［８］ ＬＩＵ Ｗ，ＡＮＧＵＥＬＯＶ Ｄ，ＥＲＨＡＮ Ｄ，ｅｔ ａｌ． ＳＳＤ：ＳｉｎｇｌｅＳｈｏｔ Ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ ［Ｃ］∥ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ａｍｓｔｅｒｄａｍ：Ｓｐｒｉｎｇｅｒ，２０１６：２１－３７．

［９］ ＲＥＤＭＯＮ Ｊ，ＤＩＶＶＡＬＡ Ｓ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ． Ｙｏｕ ＯｎｌｙＬｏｏｋ Ｏｎｃｅ：Ｕｎｉｆｉｅｄ，Ｒｅａｌｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄＰａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｌａｓ Ｖｅｇａｓ：ＩＥＥＥ，２０１６：７７９－７８８．

［１０］ ＷＡＮＧ Ｃ Ｙ，ＢＯＣＨＫＯＶＳＫＩＹ Ａ，ＭＡＲＫ Ｈ Ｙ． ＹＯＬＯｖ７：Ｔｒａｉｎａｂｌｅ Ｂａｇｏｆｆｒｅｅｂｉｅｓ Ｓｅｔｓ Ｎｅｗ Ｓｔａｔｅｏｆｔｈｅａｒｔ ｆｏｒＲｅａｌｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｏｒｓ ［Ｃ ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ． Ｖａｎｃｏｕｖｅｒ：ＩＥＥＥ，２０２３：７４６４－７４７５．

［１１］ ＫＨＡＫＩ Ｓ，ＳＡＦＡＥＩ Ｎ，ＰＨＡＭ Ｈ，ｅｔ ａｌ． ＷｈｅａｔＮｅｔ：ＡＬｉｇｈｔｗｅｉｇｈｔ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｈｉｇｈｔｈｒｏｕｇｈｐｕｔ Ｉｍａｇｅｂａｓｅｄ Ｗｈｅａｔ Ｈｅａｄ Ｄｅｔｅｃｔｉｏｎ ａｎｄＣｏｕｎｔｉｎｇ ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０２２，４８９：７８－８９．

［１２］ ＢＵＺＺＹ Ｍ，ＴＨＥＳＭＡ Ｖ，ＤＡＶＯＯＤＩ Ｍ，ｅｔ ａｌ． ＲｅａｌｔｉｍｅＰｌａｎｔ Ｌｅａｆ Ｃｏｕｎｔｉｎｇ Ｕｓｉｎｇ Ｄｅｅｐ Ｏｂｊｅｃｔ ＤｅｔｅｃｔｉｏｎＮｅｔｗｏｒｋｓ［Ｊ］． Ｓｅｎｓｏｒｓ，２０２０，２０（２３）：６８９６．

［１３］ ＹＵ Ｚ Ｈ，ＣＡＯ Ｚ Ｇ，ＷＵ Ｘ，ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ ＩｍａｇｅｂａｓｅｄＤｅｔｅｃｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｆｏｒ Ｔｗｏ Ｃｒｉｔｉｃａｌ Ｇｒｏｗｔｈ Ｓｔａｇｅｓ ｏｆＭａｉｚｅ：Ｅｍｅｒｇｅｎｃｅ ａｎｄ Ｔｈｒｅｅｌｅａｆ Ｓｔａｇｅ ［Ｊ］． Ａｇｒｉｃｕｌｔｕｒａｌａｎｄ Ｆｏｒｅｓｔ Ｍｅｔｅｏｒｏｌｏｇｙ，２０１３，１７４－１７５：６５－８４．

［１４］ ＣＵＩ Ｃ，ＧＡＯ Ｔ Ｑ，ＷＥＩ Ｓ Ｙ，ｅｔ ａｌ． ＰＰＬＣＮｅｔ：ＡＬｉｇｈｔｗｅｉｇｈｔ ＣＰＵ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ［ＥＢ ／ＯＬ］． （２０２１ － ０９ － １７）［２０２３ － ０８ － １２］． ｈｔｔｐｓ：∥ ａｒｘｉｖ．ｏｒｇ ／ ａｂｓ ／ ２１０９． １５０９９．

［１５］ ＬＩＮ Ｔ Ｙ，ＤＯＬＬ？Ｒ Ｐ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ． ＦｅａｔｕｒｅＰｙｒａｍｉｄ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ． Ｈｏｎｏｌｕｌｕ：ＩＥＥＥ，２０１７：９３６－９４４．

［１６］ ＬＩＵ Ｓ，ＱＩ Ｌ，ＱＩＮ Ｈ Ｆ，ｅｔ ａｌ． Ｐａｔｈ Ａｇｇｒｅｇａｔｉｏｎ Ｎｅｔｗｏｒｋ ｆｏｒＩｎｓｔａｎｃｅ Ｓｅｇｍｅｎｔａｔｉｏｎ ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ．Ｓａｌｔ Ｌａｋｅ Ｃｉｔｙ：ＩＥＥＥ，２０１８：８７５９－８７６８．

［１７］ ＴＡＮ Ｍ， ＬＥ Ｑ Ｖ． ＭｉｘＣｏｎｖ： Ｍｉｘｅｄ ＤｅｐｔｈｗｉｓｅＣｏｎｖｏｌｕｔｉｏｎａｌ Ｋｅｒｎｅｌｓ ［ＥＢ ／ ＯＬ］． （２０１９－０７－２２）［２０２３－０８－１２］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ １９０７． ０９５９５．

［１８］ ＧＥ Ｚ，ＬＩＵ Ｓ Ｔ，ＷＡＮＧ Ｆ，ｅｔ ａｌ． ＹＯＬＯＸ：ＥｘｃｅｅｄｉｎｇＹＯＬＯ Ｓｅｒｉｅｓ ｉｎ ２０２１ ［ＥＢ ／ ＯＬ］． （２０２１－０７－１８）［２０２３－０８－１２］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２１０７． ０８４３０．

［１９］ ＧＥ Ｚ，ＬＩＵ Ｓ Ｔ，ＬＩ Ｚ Ｍ，ｅｔ ａｌ． ＯＴＡ：Ｏｐｔｉｍａｌ Ｔｒａｎｓｐｏｒｔ Ａｓｓｉｇｎｍｅｎｔ ｆｏｒ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ． Ｎａｓｈｖｉｌｌｅ：ＩＥＥＥ，２０２１：３０３－３１２．

［２０］ ＲＥＺＡＴＯＦＩＧＨＩ Ｈ，ＴＳＯＩ Ｎ，ＧＷＡＫ Ｊ，ｅｔ ａｌ． ＧｅｎｅｒａｌｉｚｅｄＩｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ：Ａ Ｍｅｔｒｉｃ ａｎｄ ａ Ｌｏｓｓ ｆｏｒ ＢｏｕｎｄｉｎｇＢｏｘ Ｒｅｇｒｅｓｓｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． ＬｏｎｇＢｅａｃｈ：ＩＥＥＥ，２０１９：６５８－６６６．

［２１］ ＧＥＶＯＲＧＹＡＮ Ｚ． ＳＩｏＵ Ｌｏｓｓ：Ｍｏｒｅ Ｐｏｗｅｒｆｕｌ Ｌｅａｒｎｉｎｇ ｆｏｒＢｏｕｎｄｉｎｇ Ｂｏｘ Ｒｅｇｒｅｓｓｉｏｎ ［ＥＢ ／ ＯＬ］． （２０２２ － ０８ － ２５ ）［２０２３－０９－０１］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２２０５． １２７４０．

［２２］ ＨＯＷＡＲＤ Ａ，ＳＡＮＤＬＥＲ Ｍ，ＣＨＥＮ Ｂ，ｅｔ ａｌ． Ｓｅａｒｃｈｉｎｇ ｆｏｒＭｏｂｉｌｅＮｅｔＶ３［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ／ ＣＶＦ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｓｅｏｕｌ：ＩＥＥＥ，２０１９：１３１４－１３２４．

［２３］ ＨＡＮ Ｋ，ＷＡＮＧ Ｙ Ｈ，ＴＩＡＮ Ｑ，ｅｔ ａｌ． ＧｈｏｓｔＮｅｔ：Ｍｏｒｅ Ｆｅａｔｕｒｅｓ ｆｒｏｍ Ｃｈｅａｐ Ｏｐｅｒａｔｉｏｎｓ ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ． Ｓｅａｔｔｌｅ：ＩＥＥＥ，２０２０：１５７７－１５８６．

［２４］ ＴＡＮ Ｍ Ｘ，ＰＡＮＧ Ｒ Ｍ，ＬＥ Ｑ Ｖ． ＥｆｆｉｃｉｅｎｔＤｅｔ：Ｓｃａｌａｂｌｅａｎｄ Ｅｆｆｉｃｉｅｎｔ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ． Ｓｅａｔｔｌｅ：ＩＥＥＥ，２０２０：１０７７８－１０７８７．

作者简介

胡 阵 男，（１９９９—），硕士研究生。主要研究方向：目标检测、多源遥感数据融合。

马宗军 男，（１９９７—），硕士研究生。主要研究方向：控制工程。

黄传宝 男，（１９９８—），硕士研究生。主要研究方向：计算机视觉、语音情感识别。

赵景波 男，（１９７１—），博士，教授。主要研究方向：机器人工程、计算机控制。

唐勇伟 男，（１９９１—），博士研究生，助理研究员。主要研究方向：工业物联网、智能感知和控制等。

（*通信作者）郝凤琦 男，（１９７９—），硕士，副研究员。主要研究方向：网络协议、人工智能和嵌入式系统等。

基金项目：山东省科技型中小企业创新能力提升工程项目（２０２３ＴＳＧＣ０１１１，２０２３ＴＳＧＣ０５８７）；青岛市民生计划（２２-３-７-ｘｄｎｙ-１８-ｎｓｈ）；山东省重点研发计划（软科学项目）（２０２３ＲＺＡ０２０１７）；山东省重大科技创新工程项目（２０１９ＪＺＺＹ０２０６０３）