基于MobileNetV2輕量化網(wǎng)絡(luò)的尾礦庫修復(fù)植被分類研究

摘 要：恢復(fù)植被的空間識(shí)別可以有效地監(jiān)測和評價(jià)尾礦庫生態(tài)修復(fù)效果，為礦區(qū)的可持續(xù)發(fā)展提供重要的科學(xué)依據(jù)。本研究利用無人機(jī)獲取的多光譜影像數(shù)據(jù)，結(jié)合野外實(shí)地調(diào)查樣點(diǎn)構(gòu)建樣本分類標(biāo)簽，基于MobileNetV2輕量化網(wǎng)絡(luò)模型，對尾礦庫典型樣區(qū)的喬木、灌木與草本修復(fù)植被進(jìn)行分類，并以隨機(jī)森林分類方法作為對比。結(jié)果顯示，MobileNetV2模型總體分類F1分值為90.33%，相較于隨機(jī)森林分類提高了4.91%；對于喬木、灌木和草本植物的分類精度，F(xiàn)1分?jǐn)?shù)分別達(dá)到了87.98%、94.02%和81.30%，具有良好的分類效果。MobileNetV2輕量化模型降低了網(wǎng)絡(luò)復(fù)雜度和參數(shù)量，有效實(shí)現(xiàn)了尾礦庫復(fù)雜背景下的植被分類，為礦區(qū)環(huán)境的監(jiān)測與管理提供了技術(shù)支持。

關(guān)鍵詞：尾礦庫；無人機(jī)；多光譜影像；MobileNetV2；修復(fù)植被；植被分類

中圖分類號(hào)：TP79" 文獻(xiàn)標(biāo)識(shí)碼：A" 文章編號(hào)：1673-260X（2025）01-0092-06

隨著工業(yè)化進(jìn)程的不斷加快，采礦活動(dòng)對生態(tài)環(huán)境造成了顯著影響，尾礦庫作為礦業(yè)活動(dòng)的直接副產(chǎn)品，其生態(tài)修復(fù)狀況監(jiān)測工作十分重要[1]。植被是礦區(qū)生態(tài)環(huán)境的重要構(gòu)成，對修復(fù)植被進(jìn)行分類可以從空間尺度上揭示礦區(qū)生態(tài)修復(fù)現(xiàn)狀，是評價(jià)礦區(qū)生態(tài)修復(fù)質(zhì)量的重要指標(biāo)。遙感具有大面積動(dòng)態(tài)監(jiān)測等特點(diǎn)，采用遙感手段對礦區(qū)修復(fù)植被進(jìn)行分類監(jiān)測，有助于制定更有針對性的生態(tài)修復(fù)計(jì)劃，為后續(xù)修復(fù)方案的調(diào)整和改進(jìn)提供依據(jù)，更好地維持礦區(qū)生態(tài)系統(tǒng)的穩(wěn)定性和多樣性[2]。

獲取遙感影像的傳統(tǒng)途徑依賴于衛(wèi)星遙感，這種方法雖然能夠覆蓋大范圍的區(qū)域，但難以完成復(fù)雜背景下的高精度分類工作。相比之下，無人機(jī)時(shí)效性強(qiáng)、機(jī)動(dòng)靈活，可以在較低的飛行高度上搭載高分辨率相機(jī)，最大程度采集地物特征，從而獲取高分辨率影像，廣泛應(yīng)用于植被分類中[3]。Yan等采用高分辨率無人機(jī)影像，構(gòu)建多角度高光譜遙感系統(tǒng)，實(shí)現(xiàn)了玉米、大豆和雜草植被的高精度分類[4]；陳凱等結(jié)合光譜、紋理、點(diǎn)云等特征，利用無人機(jī)搭載RGB相機(jī)獲取影像，實(shí)現(xiàn)了礦區(qū)典型植物的分類[5]。

傳統(tǒng)遙感植被分類大多采用機(jī)器學(xué)習(xí)方法，需要人為構(gòu)建和選擇合適的特征，如支持向量機(jī)、隨機(jī)森林、決策樹等[6]。Ishida等基于無人機(jī)高光譜影像，對菲律賓植被區(qū)域在單一背景中表現(xiàn)出的光譜和紋理特征差異進(jìn)行提取，實(shí)現(xiàn)了對芒果樹、干草等植被的準(zhǔn)確分類[7]；帥爽等通過特征優(yōu)化技術(shù)結(jié)合隨機(jī)森林算法應(yīng)用于干旱區(qū)高光譜植被分類，有效提升了分類精度，然而，達(dá)到的最高整體分類精度尚未超越其他研究者應(yīng)用深度學(xué)習(xí)分類所取得的結(jié)果[8]。機(jī)器學(xué)習(xí)分類方法在植被識(shí)別與分類方面取得了良好成效，但在面對復(fù)雜背景條件時(shí)，其分類效果略顯不足。

相比之下，深度學(xué)習(xí)分類方法，依托于深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)中的高級(jí)特征，提高分類精度，在植被識(shí)別分類方面顯示出顯著的優(yōu)勢和巨大的應(yīng)用前景[9]。石偉博等使用無人機(jī)獲取的高分辨率RGB影像，基于U-Net語義分割方法對川西亞高山針葉林的岷江冷杉、落葉喬木等植被進(jìn)行分類，得到93.21%的總體分類精度[10]；王克奇等針對遙感影像中“同譜異物”和“同物異譜”現(xiàn)象導(dǎo)致的傳統(tǒng)機(jī)器學(xué)習(xí)方法難以準(zhǔn)確分類以及深度學(xué)習(xí)模型處理高維數(shù)據(jù)耗時(shí)較長等問題，通過優(yōu)化U-Net分類方法，高效且快速地區(qū)分了農(nóng)林植被[11]。深度學(xué)習(xí)在圖像分類精度上不斷提升，相應(yīng)地也增加了對計(jì)算能力的需求，這種高算力門檻阻礙了深度模型在多樣化場景的廣泛應(yīng)用[12]。

近年來，深度學(xué)習(xí)領(lǐng)域正致力于神經(jīng)網(wǎng)絡(luò)的輕量化，使其在移動(dòng)設(shè)備和嵌入式系統(tǒng)中的部署變得可行[13]。MobileNet架構(gòu)通過引入深度可分離卷積，有效降低了模型的復(fù)雜度，同時(shí)保持了識(shí)別和分類的準(zhǔn)確性，并加快了處理速度[14]。2018年，Google團(tuán)隊(duì)推出了MobileNetV2網(wǎng)絡(luò)，與傳統(tǒng)網(wǎng)絡(luò)相比，這一輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)在減少參數(shù)數(shù)量方面取得了顯著進(jìn)展，同時(shí)保持了較高的準(zhǔn)確率[15]。胡玉珠等采用改進(jìn)的MobileNetV2并結(jié)合遷移學(xué)習(xí)策略對4種常見水稻葉片病蟲害進(jìn)行識(shí)別，準(zhǔn)確提取了水稻葉片病蟲害特征，提高了識(shí)別效率和精度[16]。王中璞等針對棉花顏色級(jí)檢測人工效率低和儀器檢測不穩(wěn)定的問題，改進(jìn)MobileNetV2模型，實(shí)現(xiàn)了棉花顏色級(jí)的快速檢測。MobileNetV2模型具有計(jì)算量小、運(yùn)行速度快、準(zhǔn)確率高等優(yōu)點(diǎn)，在多個(gè)領(lǐng)域都有應(yīng)用，然而，在植被識(shí)別分類方面的應(yīng)用相對較少[17]。

尾礦庫修復(fù)植被空間分布格局復(fù)雜，給無人機(jī)多光譜植被分類帶來了挑戰(zhàn)。本研究基于MobileNetV2輕量級(jí)網(wǎng)絡(luò)模型，利用無人機(jī)多光譜影像，并結(jié)合現(xiàn)場調(diào)查數(shù)據(jù)來創(chuàng)建樣本分類標(biāo)簽，對鐵尾礦庫典型樣區(qū)的植被，包括喬木、灌木和草本進(jìn)行分類，并以隨機(jī)森林分類方法作對比，旨在探究MobileNetV2輕量化模型處理尾礦庫復(fù)雜環(huán)境植被分類任務(wù)的可行性，以期為未來類似復(fù)雜場景下的分類問題提供新的思路。

1 研究區(qū)與數(shù)據(jù)

研究區(qū)位于河北省唐山市的馬蘭莊尾礦庫坡面上，該尾礦庫于1997年開始復(fù)墾，現(xiàn)存的修復(fù)植被多以人工栽種為主，自復(fù)墾以來，陸續(xù)栽種的植被主要有火炬樹和刺槐等喬木，紫穗槐、沙棘和連翹等灌木，以及狗尾草、荊條等草本。隨著生態(tài)環(huán)境逐年變好，后又出現(xiàn)了榆樹、楊樹等自然恢復(fù)植被。本研究選取馬蘭莊尾礦庫坡面上的典型修復(fù)樣地，按照不同植被類型劃分分類體系，具體分為喬木、灌木、草本植被與裸土。

本研究采用的多光譜影像由大疆精靈4多光譜版無人機(jī)于2022年10月拍攝，拍攝時(shí)天氣晴朗且風(fēng)速適宜，通過設(shè)定100米的飛行高度，以及80%的航向重疊率和70%的旁向重疊率，得到的影像具有5.4cm的分辨率。對獲取的影像進(jìn)行拼接、矯正等預(yù)處理后，得到包含紅、綠、藍(lán)、近紅外波段的研究區(qū)多光譜影像（圖1）。

2 研究方法

2.1 MobileNetV2模型

MobileNetV2網(wǎng)絡(luò)由Google的研究人員于2018年提出，是一種高效的輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)，具有模型輕量、速度快、準(zhǔn)確性高等優(yōu)點(diǎn)。MobileNetV2通過將深度可分離卷積（Depthwise Separable Convolution）與反向線性殘差結(jié)構(gòu)（Inverted Residual Structure）引入到模型中，可有效降低模型計(jì)算負(fù)擔(dān)，并保持模型分類準(zhǔn)確度。該模型能夠有效地提取和處理多光譜數(shù)據(jù)中的特征，提高分類精度[18]。

2.1.1 深度可分離卷積

在傳統(tǒng)的卷積網(wǎng)絡(luò)中，輸入的特征圖與多個(gè)卷積核進(jìn)行卷積，以產(chǎn)生輸出特征圖。而深度可分離卷積（圖2）則采取了不同的方法，它將這一過程分解成兩個(gè)階段[19]：首先是深度卷積（Depthwise Convolution）也稱DW卷積和逐元素卷積，對每個(gè)輸入通道獨(dú)立進(jìn)行卷積，不混合通道信息，從而大幅減少計(jì)算量；其次是逐點(diǎn)卷積（Pointwise Convolution），也稱PW卷積或逐通道卷積，該卷積使用1x1的點(diǎn)卷積對每個(gè)像素點(diǎn)進(jìn)行全通道的線性組合，生成新的特征表示，盡管涉及全通道計(jì)算，但因卷積核大小為1×1，計(jì)算量仍較低[20]。

2.1.2 反向線性殘差結(jié)構(gòu)

為優(yōu)化模型在有限計(jì)算資源下的性能，反向線性殘差結(jié)構(gòu)引入倒殘差塊（Inverted Residual Block）與線性瓶頸層（Linear Bottleneck），這樣既可提升效率又可保持較高的精度[21]。

與傳統(tǒng)的殘差結(jié)構(gòu)相比，其特征處理流程有所不同：傳統(tǒng)結(jié)構(gòu)先進(jìn)行降維操作，之后進(jìn)行特征提取，最后進(jìn)行升維操作，呈兩頭大、中間小的沙漏型結(jié)構(gòu)。而倒殘差塊（圖3），首先通過1×1點(diǎn)卷積增加維度，再應(yīng)用3×3的深度卷積進(jìn)行特征提取，最終通過1×1的點(diǎn)卷積減少維度。這種結(jié)構(gòu)不僅調(diào)整了維度變換的順序，還應(yīng)用了效率更高的深度卷積，并通過殘差連接保留了原始特征，形成了中間寬兩端窄的梭型結(jié)構(gòu)。

將線性瓶頸層引入到MobileNetV2模型中，在倒殘差結(jié)構(gòu)的最后一層降維操作后，將非線性激活函數(shù)（如ReLU）改為線性激活函數(shù)，通過在不同維度的特征空間之間進(jìn)行轉(zhuǎn)換，可有效減少參數(shù)數(shù)量以及計(jì)算量，同時(shí)保持模型的表達(dá)能力和分類性能。

2.1.3 MobileNetV2網(wǎng)絡(luò)模型構(gòu)建

MobileNetV2的殘差塊（圖4）采用深度可分離卷積，遵循先擴(kuò)展后縮減的維度變換策略，不僅可避免信息的丟失，還可顯著提升模型對復(fù)雜特征的捕捉能力[22]。MobileNetV2的反向殘差結(jié)構(gòu)分為兩種形態(tài)，依據(jù)步長差異而定：步長設(shè)為1時(shí)，殘差塊保持輸入和輸出的維度一致性，并通過殘差連接將逐點(diǎn)卷積的輸出與原始輸入相加，有助于減輕深層網(wǎng)絡(luò)訓(xùn)練中的梯度消失；步長設(shè)為2時(shí)，反向殘差結(jié)構(gòu)去除了殘差連接[23]。

MobileNetV2架構(gòu)由一系列倒置殘差模塊構(gòu)成，這些模塊通過層次化參數(shù)配置，優(yōu)化了網(wǎng)絡(luò)的結(jié)構(gòu)（表1）。網(wǎng)絡(luò)的首層采用32個(gè)卷積核，搭配ReLU6激活函數(shù)，增強(qiáng)了模型在低精度計(jì)算中的穩(wěn)定性。倒置殘差模塊通過先擴(kuò)展后縮減的策略，提升了卷積操作的效率，同時(shí)減少了計(jì)算和參數(shù)需求。這種設(shè)計(jì)不僅提高了性能，還保持了模型的輕量化[24]。

2.2 隨機(jī)森林分類

隨機(jī)森林通過融合眾多決策樹來提升分類的準(zhǔn)確性，本研究設(shè)置的決策樹棵數(shù)為300。為增加模型的多樣性，有效防止過擬合，每棵樹獨(dú)立地從自助采樣得到的隨機(jī)子集中學(xué)習(xí)。在預(yù)測階段，模型通過多數(shù)投票法來決定每個(gè)樣本的最終分類。隨機(jī)森林在處理高維數(shù)據(jù)時(shí)表現(xiàn)出色，且參數(shù)調(diào)整簡便，能實(shí)現(xiàn)高效的分類性能。

2.3 精度評價(jià)

精確率（Precision）表示在所有被判定為正例的樣本中，真正屬于正例的比例；召回率（Recall）表示在所有實(shí)際為正例的樣本中，被正確識(shí)別的比例；F1分?jǐn)?shù)（F1score）是精確率與召回率的調(diào)和平均值，分值越高模型效果越好[25]。三個(gè)指標(biāo)的計(jì)算公式如下：

Recall=" （1）

Precision=" （2）

Flscore=" （3）

式中：TP為模型正確預(yù)測為正類的樣本數(shù)量；TN為模型正確預(yù)測為負(fù)類的樣本數(shù)量；FP為模型錯(cuò)誤預(yù)測為正類的樣本數(shù)量；FN為模型錯(cuò)誤預(yù)測為負(fù)類的樣本數(shù)量。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 環(huán)境及配置

在研究區(qū)典型樣地中，共標(biāo)注了喬木、灌木、草本與裸土4個(gè)類別作為分類標(biāo)簽，數(shù)字代碼分別為1、2、3、4，未分類地物被賦值為0。繼而對原始影像以及分類標(biāo)簽進(jìn)行切片處理，切片大小為256×256像素，步幅為128，并通過旋轉(zhuǎn)擴(kuò)大樣本標(biāo)簽圖數(shù)據(jù)，共獲得包含2 673張分類切片的樣本集。使用隨機(jī)分層抽樣將樣本集分為兩部分：其中80%的數(shù)據(jù)被分配到訓(xùn)練集中，用于模型的學(xué)習(xí)和訓(xùn)練；剩余的20%作為驗(yàn)證集，以評定模型效能和精確度。

為避免模型發(fā)生過擬合現(xiàn)象，同時(shí)保證足夠的訓(xùn)練周期來深入學(xué)習(xí)數(shù)據(jù)特征，將模型的最大訓(xùn)練周期設(shè)置為20，并設(shè)置模型在驗(yàn)證集表現(xiàn)穩(wěn)定時(shí)自動(dòng)結(jié)束訓(xùn)練。學(xué)習(xí)率決定了模型優(yōu)化時(shí)步長的幅度，過高可能會(huì)使訓(xùn)練不穩(wěn)定，過低則會(huì)減慢訓(xùn)練速度，經(jīng)調(diào)試，學(xué)習(xí)率為0.1和0.01均發(fā)生梯度爆炸，而設(shè)為0.001時(shí)效果較佳，故本研究設(shè)置的學(xué)習(xí)率為0.001。

模型損失函數(shù)隨著迭代次數(shù)的增加而逐漸降低，訓(xùn)練和驗(yàn)證損失的顯著下降反映模型參數(shù)在學(xué)習(xí)過程中的持續(xù)優(yōu)化（圖5）。迭代16次后，損失值達(dá)到穩(wěn)定狀態(tài)，表明模型已達(dá)到良好的收斂狀態(tài)，這種穩(wěn)定趨勢表明模型已有效學(xué)習(xí)了從輸入數(shù)據(jù)中提取特征并具有準(zhǔn)確預(yù)測的能力，額外的迭代可能不會(huì)再顯著提升性能。

3.2 分類結(jié)果及分析

對分類結(jié)果進(jìn)行精度評價(jià)，得到MobileNetV2與隨機(jī)森林分類的精確率、召回率為以及F1分值（表2），MobileNetV2相較于隨機(jī)森林各植被分類精度均有所提高，且總體分類F1分值提高了4.91%。這表明在尾礦庫等復(fù)雜背景條件下進(jìn)行植被分類時(shí)，MobileNetV2模型比隨機(jī)森林模型更為適用。

采用MobileNetV2以及隨機(jī)森林兩種分類方法對尾礦庫典型樣區(qū)的修復(fù)植被進(jìn)行分類，得到分類結(jié)果圖像（圖6），兩種分類方法都對研究區(qū)的喬、灌、草植被進(jìn)行了有效分類，且分類結(jié)果大體上呈現(xiàn)出一致性。隨機(jī)森林在植被分類任務(wù)中，其邊緣檢測效果并不理想，出現(xiàn)了“椒鹽噪聲”問題，導(dǎo)致分類精度受限。相比之下，MobileNetV2分類模型有效地抑制了“椒鹽噪聲”，對植被的邊緣實(shí)現(xiàn)了更加精準(zhǔn)的分類。

由分類結(jié)果圖可知，尾礦庫典型樣區(qū)內(nèi)的恢復(fù)植被主要以喬木灌木居多，不同植被種類分布面積按照從大到小排序?yàn)椋汗嗄緂t;喬木gt;草本。其中灌木類植被在尾礦庫典型樣區(qū)呈大面積分布；喬木類植被因主要以自然修復(fù)為主，散亂分布在灌木林中，且主要分布在樣區(qū)南部；草本植物大多分布在樣區(qū)西北側(cè)及東南側(cè)的灌木周圍。不同植被分類的F1分值大小降序排列為：灌木gt;喬木gt;草本，由于沙棘、連翹等灌木在影像中分布面積最大，且光譜特征與其他地物對比差異明顯，因此灌木類植被分類取得了最好的結(jié)果；其次是喬木類，喬木的單木冠層紋理特征明顯使其分類也取得了較好的效果；由于草本植物相對其他地物樣本較少，且易受周圍喬灌木等的遮擋和陰影影響使其光譜特征有所變化，故其為修復(fù)植被中分類精度相對最低的。

4 結(jié)論

通過區(qū)分喬木、灌木和草本等植被類型，可以判斷生態(tài)系統(tǒng)的復(fù)雜性和穩(wěn)定性，評估礦區(qū)的生態(tài)恢復(fù)進(jìn)程是否符合預(yù)期目標(biāo)。本研究采用MobileNetV2輕量化網(wǎng)絡(luò)模型對馬蘭莊尾礦庫典型樣地的多光譜影像進(jìn)行植被分類，共分為喬木、灌木、草本以及裸土四類?？傮w分類F1分值達(dá)到了90.33%，相較于隨機(jī)森林分類提高了4.91%。不同植被分類的F1分值降序排列為：灌木gt;喬木gt;草本。研究結(jié)果顯示輕量化MobileNetV2模型在處理尾礦庫復(fù)雜背景分類任務(wù)時(shí)，取得了良好的分類精度。本研究提高了尾礦庫復(fù)雜背景下植被分類的自動(dòng)化水平，對于礦區(qū)環(huán)境治理、監(jiān)測與管理具有重要的實(shí)際應(yīng)用價(jià)值。

——————————

參考文獻(xiàn)：

〔1〕趙菁菁，魯明星，谷海紅，等.基于植被覆蓋度變化的礦區(qū)生態(tài)修復(fù)效果研究[J].礦業(yè)研究與開發(fā)，2018，38（10）：115-118．

〔2〕張成業(yè)，李軍，雷少剛，等.礦區(qū)生態(tài)環(huán)境定量遙感監(jiān)測研究進(jìn)展與展望[J].金屬礦山，2022，26（03）：1-27.

〔3〕胡宜娜，安如，艾澤天，等.基于無人機(jī)高光譜影像的三江源草種精細(xì)識(shí)別研究[J].遙感技術(shù)與應(yīng)用，2021，36（04）：926-935.

〔4〕Yan Y， Deng L， Liu X， et al. Application of UAV-Based Multi-angle Hyperspectral Remote Sensing in Fine Vegetation Classification[J/OL]. Remote Sensing， 2019， 11（23）： 2753.

〔5〕陳凱，雷少剛，楊星晨，等.基于UAV-RGB的礦區(qū)植物分類及其葉綠素含量時(shí)空變化分析[J].金屬礦山，2023，（12）：227-233.

〔6〕劉雅輝，張永彬，宋唐雷，等.基于卷積神經(jīng)網(wǎng)絡(luò)高光譜影像土地利用分類方法研究[J].赤峰學(xué)院學(xué)報(bào)（自然科學(xué)版），2022，38（10）：15-19.

〔7〕Ishida T， Kurihara J， Viray F A， et al. A novel approach for vegetation classification using UAV-based hyperspectral imaging[J/OL]. Computers and Electronics in Agriculture， 2018， 144： 80-85.

〔8〕帥爽，張志，張?zhí)?，?特征優(yōu)化結(jié)合隨機(jī)森林算法的干旱區(qū)植被高光譜遙感分類方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（09）：287-293.

〔9〕Kumar D. Hyperspectral Image Classification Using Deep Learning Models： A Review[J/OL]. Journal of Physics： Conference Series， 2021， 1950（01）： 012087.

〔10〕石偉博，廖小罕，王紹強(qiáng)，等.CNN影像輸入尺寸和分辨率對川西針葉林植被分類精度的影響[J].遙感學(xué)報(bào)，2023，27（11）：2640-2652.

〔11〕王克奇，彭熙雯，張怡卓，等.基于改進(jìn)U-Net的高光譜農(nóng)林植被分類方法[J].森林工程，2022，38（01）：58-66.

〔12〕Archana R， Jeevaraj P S E. Deep learning models for digital image processing： a review[J/OL]. Artificial Intelligence Review， 2024， 57（01）： 11.

〔13〕郎磊，夏應(yīng)清.緊湊的神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)研究綜述[J].計(jì)算機(jī)科學(xué)與探索，2020，14（09）：1456-1470.

〔14〕Howard A G， Zhu M， Chen B， et al. MobileNets： Ef？覦cient Convolutional Neural Networks for Mobile Vision Applications[J].

〔15〕Sandler M， Howard A， Zhu M， et al. MobileNetV2： Inverted Residuals and Linear Bottlenecks[C/OL]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City， UT： IEEE， 2018： 4510-4520[2024-08-08].

〔16〕胡玉珠，劉昌華，李盼.利用改進(jìn)MobileNet V2網(wǎng)絡(luò)識(shí)別水稻葉片病蟲害的方法[J].武漢輕工大學(xué)學(xué)報(bào)，2024，43（03）：76-81.

〔17〕王中璞，吳正香，尤美路，等.基于改進(jìn)MobileNetV2的棉花顏色分級(jí)檢測[J].棉紡織技術(shù)，2024，52（06）：15-21.

〔18〕Gulzar Y. Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique[J/OL]. Sustainability， 2023， 15（03）： 1906.

〔19〕范立軍.基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)MobileNetV2的混凝土結(jié)構(gòu)裂縫識(shí)別[J].工業(yè)建筑，2023，53（07）：231-236.

〔20〕卓繼寬，馮櫻，張偉.基于MobileNetV2的汽車零件圖像識(shí)別系統(tǒng)設(shè)計(jì)[J].湖北文理學(xué)院學(xué)報(bào)，2024，45（05）：13-19.

〔21〕楊莉，張帥，鹿卓慧.基于卷積神經(jīng)網(wǎng)絡(luò)的抽油機(jī)井故障診斷研究[J].吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2023，41（04）：646-652.

〔22〕李景昂，馬晨旭，韓永華，等.基于改進(jìn)的DeeplabV3+模型的車道線檢測方法[J].軟件，2022，43（12）：76-84.

〔23〕葉名煬，張杰強(qiáng).基于輕量化網(wǎng)絡(luò)MobileNetV2的玉米病害識(shí)別研究[J].現(xiàn)代計(jì)算機(jī)，2022，28（11）：46-50.

〔24〕劉合兵，魯?shù)?，席?基于MobileNetV2和遷移學(xué)習(xí)的玉米病害識(shí)別研究[J].河南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2022，56（06）：1041-1051.

〔25〕劉晨晨，葛小三，武永斌，等.基于混合注意力機(jī)制和Deeplabv3+的遙感影像建筑物提取方法[J/OL].自然資源遙感，1-7[2024-08-08].