基于改进ShuffleNetV2网络的岩石图像识别.pdf

Journal of Jilin UniversitCInformationScienceEditionMay20232023年5月No.3Vol.41第41卷第3期吉林大学（信息科学版）文章编号：16 7 1-58 96(2 0 2 3)0 3-0 450-0 9基于改进ShuffleNetV2网络的岩石图像识别袁硕，刘玉敏，安志伟，王硕昌，魏海军1（1.东北石油大学电气信息工程学院，黑龙江大庆16 3318；2.重庆科技学院电气工程学院，重庆40 1331）摘要：由于基于传统深度学习的岩石图像识别算法模型比较繁琐，而且应用于移动终端等需要一定的计算能力，因此很难实现对岩石类型的实时准确判别。为此，以ShuffleNetV2网络为基础，插入通道连接注意力机制ECA（Ef f i c i e n t Ch a n n e l A t t e n t i o n）模块，使用Mish激活函数代替ReLU激活函数并引人轻量级网络部件中的深度可分离卷积。将该方法用于岩石图像识别，实验结果表明，改进后的算法结构简单，同时具有轻量化的特点，其识别精度达到94.7 4%，可在移动终端等有限资源环境下应用。关键词：岩石图像；有效通道注意力机制；Mish激活函数；ShuffleNet网络中图分类号：TP312文献标志码：ARock Image Recognition Based on Improved ShuffleNetV2 NetworkYUAN Shuo,LIU Yumin,AN Zhiwei,WANG Shuochang,WEI Haijun(1.School of Electrical and Information Engineering,Northeast Petroleum University,Daqing 163318,China;2.School of Electrical Engineering,Chongqing University of Science and Technology,Chongqing 401331,China)Abstract:The rock image recognition algorithm model based on traditional deep learning is cumbersome andrequires certain computing power when it is applied to mobile terminals,so it is difficult to realize real-time andaccurate identification of rock types.Based on the ShuffleNetV2 network,we insert the ECA(Efficient ChannelAttention)module of the channel connection attention mechanism,use the Mish activation function to replace theReLU activation function,and introduce the depthwise separable convolution in the lightweight networkcomponents.Experiments are performed on rock images with this method.Experiments show that the recognitionaccuracy of the algorithm reaches 94.74%.The improved algorithm structure is not complex and maintains thecharacteristics of lightweight,which lays a foundation for its application in limited resource environments such asmobile terminals.Key words:rock image;efficient channel attention(ECA);Mish activation function;ShuffleNet network0引言随着机器学习技术进步发展，目前已有很多学者将其应用于岩石图像分类领域，并取得较好效果。Singh等 在分类岩石切片图像时引入多层感知器神经网络；Mlynarczuk等2 在分类岩石图像过程中选择最近邻等算法；郭超等3 以神经网络为基础提出一种可体现特征空间和岩石类别映射关系的技术；程国建等4 基于SVM（Su p p o r t Ve c t o r M a c h i n e)实现岩石图像的分类。然而，这些机器学习的分类方法都存在分类过程繁琐、分类准确性不足的缺点。目前，计算机视觉技术已达到较高的水平，因此有人在分类岩石图像过程中引人了深度学习技术。收稿日期：2 0 2 2-0 9-11基金项目：黑龙江省自然科学基金资助项目（TD2019D001）作者简介：袁硕（1998 一），男，哈尔滨人，东北石油大学硕士研究生，主要从事深度学习的图像识别研究，（Tel)86-18104506953（E-ma i l)148 6 948 58 9 q q.c o m；通讯作者：刘玉敏（197 8 一），女，辽宁昌图人，重庆科技学院副教授，硕士生导师，主要从事智能算法及其在地震数据处理与分析中的应用研究，（Tel)86-13936827553（E-m a i l)l i u y u m i n 330 16 3.c o m。4）袁硕，等：基于改进ShuffleNetV2网络的岩石图像识别451第3期程国建等5 以卷积神经网络为基础，提出一种可以智能分类岩石颗粒的技术，其准确率达到98%以上；张野等6 在分类岩石图像过程中运用深度卷积网络，结果表明，其具有良好的分类准确性；程国建等7 在分类岩石图像过程中引人深度信念网络，其准确率可达95%左右；之后，程国建等8 提出在不输人大量数据的情况下，利用单图像生成的对抗网络对岩片图像进行超分辨率重建。利用深度学习方法对岩石图像进行分类比传统方法有很大进步，但现阶段人们提出的有关方法依然存在一定不足，适用范围也相对较小，并且神经网络结构相对较为复杂，涉及大量参数，训练效率较低，提出的模型不具有较强可移植性。ShuffleNetV2是一种改进和简化的卷积神经网络9。李好等10 改进了ShuffleNetV2网络，实现农作物病虫害的识别，模型最终分类结果为99.2 4%；王宇等11 通过增加逐点平方运算模块改进ShuffleNetV2网络估计三维视线，效果良好；张旭等12 利用改进ShuffleNetV2模型对苹果叶病害进行分类鉴定，识别率达到98.95%。基于此，笔者以ShuffleNetV2为基础（ShuffleNetV2 O.5x），综合运用ECA（Ef f ic ie n t C h a n n e lAttention），在优化单元后提出一种新的识别岩石图像方法，并选择5种随机岩石图像数据验证方法的有效性。实验结果表明，改进后的算法结构简单，同时保持了轻量化的特点，但性能却有明显提升，对一些低性能装备具有良好适用性，可在识别岩石图像方面起到重要作用。1相关理论1.1深度可分离卷积可分离苍积所有输入与卷积核的通道相同是标准卷积核最重要的特占。在完成传播后需要对所有通道求和所有输人与卷积核的通道相同是标准卷积核最重要的特点，在完成传播后需要对所有通道求和通过P=KKCN(1)确定标准卷积参数。其中N、C 及KK分别为卷积核数量、输人通道数量及卷积核的大小，并且卷积核数量是指输出特征通道数量。通过F=KxKCNHW(2)确定标准卷积核计算量。其中W为图像宽度，H为图像长度。深度可分离卷积主要有点和深度卷积，深度卷积核仅需计算某个通道；点卷积需要加权深度卷积提供的特征，同时还需完成深度上的混合，才可输出特征图。子+通过PDs=KKC+CN(3)确定深度可分离卷积核的参数量。通过FDs=KKCHW+CNHW量、计算量之比为确定深度可分离卷积的计算量。泛深度可分离卷积与标准卷积参数量、计算量之比为PF11DSDS(5)一+一PF深度可分离与标准卷积相比具有一定的优势，每个卷积核在单个通道中计算，用11卷积连接，由式（5）可知，其计算量和参数大大减少，且可达到相同的效果。在MobileNetV1中，提供了深度和分离卷积功能，其在设计轻量级网络方面得到重要应用，可为神经网络在移动终端以及边缘设备上的应用提供有效支持。1.2分组卷积与通道混洗早期人们提出的卷积方法具有通道密集的特点，需要完成所有通道的卷积运算，才可以输出新的特征图，如果存在N个卷积核，则会出现N个通道，因此若通过常规方式确定参数量，如果通道数量较大，则参数的数量也相对较大。分组卷积将通道均分成G组，所有卷积核内均存在C/G个通道，在完成卷积工作后，拼接各组的第41卷吉林大学学报（信息科学版）452输出后，输出大特征图。分组卷积参数量为CPcc=K K G(6)其中G为组数。根据计算组卷积参数量的方法发现，该方式仅有1/G的常规计算方法的参数量与计算量，可有效提高计算效率。分组卷积与传统卷积方式相比，通道数量相对更少，卷积核与常规卷积相比仅为其1/G，可将其他的参数理解为0，因此其在降低参数数量的同时也降低了计算量，同时还能降低过拟合对输出结果的影响。在输人通道的数量和组数相同的情况下，组卷积便达到极限，此时参数的数量最小。组和深度可分离卷积在计算参数方面有一定的差异，前者卷积的次数仅为一次，需要拼接各组的结果；后者卷积的次数为两次，拼接的结果为11点卷积。分组卷积各组间存在一定独立性，不会交换信息，从而减小提取特征的性能。因此ShufflenetV1引人CS（Ch a n n e l Sh u f f l e）操作，即通道混洗操作，该方式可均匀干扰所有组的信息，并在不提高计算量的基础上交换各组的信息，通道被完全整合。CS在TensorFlow中的实现过程非常简单：首先将通道数C所在的维度划分为两个维度（G,C/G），通过矩阵转置将两个维度转化为（C/G,G），最后重新整形为一维C，此时便可完成混洗操作。1.3ShufflenetV2 单元为提高算法的性能，Ma等9提出一种新的具有轻量级特点的准则，该方法主要以ShufflenetV1为基础，能确保通道的数量不发生变化，同时引入的卷积也相对较少，并且分组数量也相对较低，具体分块设计如图1所示。特征图输入特征图输入Channle Split1x1 Conv2d1x1 Conv2d3x3DWConvBNReLUBNReLUBN3x3DWConv3x3DWConv1x1 Conv2dBNBNBNReLU1x1 Conv2d1x1 Conv2dBNReLUBNReLUConcatConcatChannle ShuffleChannle Shuffle特征图输出特征图输出aShuffleNetV2单元1bShuffleNetV2单元2图1ShuffleNetV2单元Fig.1Unit ShuffleNetV2通过观察分析图1a发现，输入的特征图需先划分获得两个分支，每个通道的数量占1/2。左分支保持不变；另一侧分支的卷积次数为3次，每步的长度均是1，所选择的输入输出通道的数量一致。左侧与右侧的11卷积均属于普通卷积，深度卷积是指33卷积，在完成卷积后，通过Concat的方式处理两个分支，使通道的数量相加达到特征融合的目的，最后使用通道混洗在不同组间交换信息，彻底融合通道信息。如图1b所示，输人的特征图最初未针对通道进行划分，其向左右两个分支直接输人特征图，为降低宽度与长度的维数，选择的深度卷积均为33，步长12，采取这种方式可有效降低计算量。其次，通过Concat处理方式合并通道，使之为最初的2 倍，该方式可以提升其宽度，在提高通道数量的M的用袁硕，等：基于改进ShuffleNetV2网络的岩石图像识别第3期453同时，未使FLOPs出现明显提高，却能有效强化模型提取特征的能力。最后需要进行混洗，交换每个通道中的信息对图1b方法，相等宽度通道的保持非常重要，其能有效降低计算的数量。通过观察分析图1发现，利用通道划分的方式可划分网络为两组，将逐点卷积替换为11卷积，该方式可使分支卷积以前和之后输入通道以及输出通道数不发生变化，再利用混洗的方式进行强拼接，即可交换不同分支的信息。ShufflenetV2网络相对其他传统深度学习网络最突出的优点是其网络参数量小，最常见的深度学习网络例如ResNet50网络、GoogLeNet网络、EfficientNet网络的参数量如表1所示。表1不同网络参数量对比Tab.1Comparison of the different network parameters网络名称ResNet50GoogLeNetEfficientNetShuffleNetV2 2xShuffleNetV21xShuffleNetV2 0.5x参数量/M25.6610.316.547.402.300.35计算量FLOPs/G4.111.500.590.590.1460.0412模型设计图2 a为ShuffleNetV20.5x，其具有2 2 42 2 43的输人，在提取特征时设置的步长为2，普通卷积大小为33，共有2 4个；然后完成下采样，下采样时选择最大池化方法；运用ShuffleNetV2Unit2与Unitl建立3个层，在第1层、第2 层及第3层中单元1与2 的比例分别为3：1、7：1及3：1；利用11的卷积，设置步长为1，使用数量为10 2 4个，将通道数展开，提取特征；为使泛化性能得到提升，避免出现过拟合问题，可在全连接层之前，通过全局池化的方式使信息得到融合。1.0 版本的ShuffleNetV2提高了通道数量，使Stage2内通道的数量由48 提高到116，Stage3内的通道数量由96 提高到2 32，Stage4内的通道数量由192 提高到46 4。Input Image2242243Input Image 2242243Output ShapeRepeatOutput ShapeRepeat1121122433 Conv2d(ReLu)1112112243x3 Conv2d(Mish)1565624MaxPool/stride=2156562433DepthSepConv1ShuffleNet V2 Unit21Shuffle-ECAUnit21282848282848ShuffleNetV2Unitl3Shuffle-ECAUnitl1ShuffleNetV2Unit21Shuffle-ECAUnit21141496141496ShuffleNetV2Unitl7Shuffle-ECAUnitl1ShuffleNetV2Unit21Shuffle-ECAUnit217719277192ShuffleNetV2Unitl3Shuffle-ECAUnitl1771 02411 Conv2d(ReLu)1771 0241x1 Conv2d(Mish)1111 024GlobalPool111 024GlobalPool全连接层输出(FC-5)全连接层输出(FC-5)aShuffleNetV20.5x网络bShuffle-ECANet网络图2网络模型结构Fig.2Network model structure笔者构建的模型如图2 b所示，与图2 a相比未使用ShuffleNetV2Unit，在引人ECA模块的同时，运ish，也未选择最大池化层。为使通道注意力得到提升，选择深度分离卷积，步长、卷积核及通道Fig454第41卷吉林大学学报（信息科学版）数量分别为2、33及2 4个，这可以提取相对更为丰富的特征信息。在针对模型进行优化时，参考的模型是ShuffleNetV20.5x，为便于说明，将其定义为模型0。笔者将对ECA的引入、Mish及如何调整结构方面进行具体说明与分析。2.1ECA注意力模块在模型内引人通道注意力机制，能使模型的性能得到明显提升，但由于大多数注意力模块较为复杂，虽然它们可以提高准确性，但也会增加计算量，因此Wang等13 构建了ECA模块，具体结果如图3所示。通过ECA能更简单地完成全局平均池化处理，无需进行降维，因此不会出现由于降维而产生的负面影响。引入该模块可以高效完成1D卷积，其次数为K次，可以有效交换局部通道中的信息，也不会出现低效几余信息的问题。K值和通道系数C成正比，通过通道系数C的映射自适应地确定K值，无需利用交叉实验，可采用手动调优的方式确定K的数值。k=5XXGAPXHHWW11xC1x1xC图3ECA模块结构Fig.3ECA module structure笔者在ShuffleNetV2单元结构基础上改进ShuffleNetV2的两个基本单元，在两者内引人ECA，ECA的参数相对较少，能交换跨通道信息，在不提高结构复杂程度的同时，可有效提高模型性能。因此，笔者在模型0 内引人该模块进行优化，将模型1定义为优化后获得的模型2.2Mish激活函数ReLU的计算方式为x，x0,RRelu(x)=max(0,x)=(7)lo，其他。ReLU图像如图4所示，其主要优势是计算简单，效率较高，能避免出现过拟合以及梯度消失等问题；但该函数还存在一定的不足，其一侧的数值是0，则负梯度也是0，可能出现所有数据都无法激活神经元的问题，即存在坏死的问题。2厂-ReLU-Mish10024-2L图4ReLU与Mish函数比较Mish激活函数优于ReLU，可显著提高神经网络的精度，其计算方式为MMish(x)=x tanh(ln(1+e*)。(8)选择该函数能避免出现坏死的问题，同时其推导过程简单。根据实践证明，该函数具有相对较为出色的性能，不会明显降低推理速度。因此，笔者在针对模型1进行优化的过程中选择该函数，同时定义模型2为优化后的模型。组合优化后的两个模型便得.4The ReLU vs the Mish function for comparison 到模型 3。2.3网络结构调整模型0 使用步长为2 的最大池化层（MaxPoolLayer）在网络的初始33常规卷积后进行下采样，其优点是可减小尺寸，并在减少参数和计算量的同时保留主要特征，防止过拟合。该模型的主要不足是仅能保留特征的最大值，因此会出现欠拟合的问题。为更好地实现上述ECA注意力模块改进策略，笔者在不使用最大池化层的情况下对模型0 进行改进。若选择2 作为步长，于原始的位置通过可学习卷积层泉（见袁硕，等：基于改进ShuffleNetV2网络的岩石图像识别第3期455完成下采样，便会明显提高计算的复杂程度与计算量。因此深度分离卷积层选择的步长、卷积以及通道数分别为2、33及2 4，采取该方式能获得更为丰富的特征。笔者将通过该方式优化后的模型定义为模型4，将模型3和模型4组合，得到模型5。ShuffleNetV2模型是针对10 0 0 个类别的ImageNet数据集分类设计的，笔者只需对5种岩石图像数据进行分类，其工作并不复杂，也不需过大的模型深度。因此为降低计算量与参数的数量，以1作为Stage2、3及4内ShuffleNetUnit的堆叠数量，定义模型6 为优化后的模型。3实验结果3.1实验数据及预处理实验使用的数据是通过随机组合增强的安山岩、花岗岩、砾岩、石灰岩和石英岩5种岩石图像图5）。以7：3的比例，通过Python划分数据集，获得训练与测试集，具体数据分布如表2 所示。表2数据分布Tab.2Data distribution岩石种类样本数量训练集测试集岩石种类样本数量训练集测试集安山岩884619265石灰岩1020714306花岗岩986691295石英岩1 003703300砾岩936656280a安山岩b花岗岩砾岩d石灰岩e石英岩图5岩石图像示例Fig.5Example of the rock image3.2实验细节实验平台为Windows10LTSC64位系统，在Pycharm集成开发环境下，使用TensorFlow2.4.0搭建网络模型，在NVIDIAGeForceGTX960显卡上进行模型训练。采用随机梯度下降（SGD：St o c h a s t i cGradientDescent）优化器，其中momentum设为0.9。将输入图像随机水平翻转后，随机裁剪为2 2 42 2 4像素大小，进行归一化处理，设定最初的学习率为0.1，每完成10 个历元训练后，减少为0.0 1的学习率，迭代次数为6 0 次，batchsize设置为16。3.3实验结果及分析实验结果如图6 所示，通过对比分析原模型和优化后的模型，笔者提出的模型具有更快的收敛速度，精度高，停止稳定，仅有相对较低的损失值。由此可见，所提出的模型有效性与可靠性均相对较好，通过优化有效提高了模型的性能。混淆矩阵基于真实类别与分类模型预测的分类判断，以矩阵的形态概括数据集中的记录。其中矩阵的行表示真值，列表示预测值。实验所得混淆矩阵如图7 所示。从图7 可看出，与ShuffleNetV2网络相比，改进后的网络预测精度更高。安山岩识别正确数量由2 2 9提高到2 41；石灰岩识别正确数量有2 8 6提高到2 99；石英岩识别正确数量由2 7 0 提高到2 7 9；砾岩识别正确数量由2 47 提高到2 59；花岗岩识别正确数量由2 8 5提高到2 92。为更全面地评价测试集的识别结果，比较不同基于深度学习的岩石图像分类方法的识别性能差异，采用精确度（precision）、召回率（recall）、特异性（specificity）和准确率（accuracy）4个评估指数。其中，精确率反映模型确定的全部阳性样本数量的正确比率；召回率反映模型识别的正确阳性样本数量在全部Confusion matrixFig.7图7混淆矩aShufflenetv2网络1.安山岩，2.石灰.石英岩，4.砾岩，5.花岗岩真值524144F102703162861528值101229第41卷吉林大学报（信息科学版）456真阳性样本数量中的百分比；特异性反映模型识别的全部真阴性样本的百分比；准确率反映模型识别的正确样本数量占样本总数的百分比2.0ShffleNetV20.5x(model 0)0.9笔者方法1.50.70.50.5ShffleNetV20.5x(model 0)0.3笔者方法0101020304050600102030405060步数步数a准确度b损失值图6准确度与损失值曲线图Fig.6Accuracy and loss values plot124131081250262994121200312227910150100451625915051110292112345真值1.安山岩，2.石灰岩，3.石英岩，4.砾岩，5.花岗岩b改进网络阵其公式分别为TPP(9)precisionTP+FPTPR(10)recallT,+FPTSspcificityTN+FP(11)Tp+TNA(12)accuracyTp+T+Fp+Fp其中Tp（t r u e p o s i t i v e）为网络正确识别的阳性样本数；T（t r u e n e g a t i v e）为网络错误识别的阴性样本数；F（f a l s e n e g a t i v e）为网络正确标识的阴性样本数；Fp（f a l s e p o s i t i v e）为网络错误判断的阳性样本数。笔者通过实验确定新模型的消融数据（见表3），模型1增设若干参数，引人ECA，提高了0.2 1%的分类准确率；模型2 替换新的函数后，具有更高的计算效率，精度提高0.55%；模型3使用通道注意ECA模块，替换激活函数，提升2%的精度；模型4在降采样的过程中未选择最大池化法，引人深度分离卷积，计算量与参数的数量稍有提高，但增加1.0 4%的分类准确率；模型5同时采用模型3和模型4的改进策略，准确率提升2.8 3%；模型6 降低ShuffleNetV2Unitl重复的次数和大量参数，使准确率提高1.31%。笔者模型同时运用第1、2、4、6 模型中的优化方式，结果表明该模型改进效果良好，准确率提高到94.7 4%。袁硕，等：基于改进ShuffleNetV2网络的岩石图像识别457第3期表3消融实验Tab.3Ablation experiments模型岩石种类精确率召回率特异度参数量/M计算量FLOPs/M准确率模型0安山岩0.8950.8640.977石灰岩0.9050.9350.974石英岩0.9030.9000.9750.354 87041.070.9108砾岩0.8640.8820.967花岗岩0.9860.9660.997模型1安山岩0.9100.8750.981石灰岩0.9030.9120.974石英岩0.9040.9070.9750.354 92644.940.9129砾岩0.9000.8960.976花岗岩0.9740.9690.986模型2安山岩0.9140.8790.981石灰岩0.9020.9310.973石英岩0.8780.9370.9660.354 87040.290.916 3砾岩0.9230.8540.983花岗岩0.9700.9730.992模型3安山岩0.9080.8910.980石灰岩0.9150.9540.976石英岩0.9510.8970.9880.354 92643.830.930 8砾岩0.8970.9320.974花岗岩0.9830.9760.996模型4安山岩0.9590.8870.992石灰岩0.9320.9410.982石英岩0.8660.9270.9620.355 68643.740.921 2砾岩0.8870.9000.973花岗岩0.9720.9460.993模型5安山岩0.9270.9170.984石灰岩0.9180.9580.977石英岩0.9000.9330.9730.35574243.460.939 1砾岩0.9690.9040.993花岗岩0.9860.9800.997模型6安山岩0.8970.8870.977石灰岩0.9020.9640.972石英岩0.9130.9130.9770.276 96630.040.9239砾岩0.9450.8570.988花岗岩0.9640.9900.990笔者方法安山岩0.9160.9090.981石灰岩0.9290.9770.980石英岩0.9490.9300.9870.277 80431.940.947 4砾岩0.9520.9250.989花岗岩0.9900.9900.9974 结 语将岩石识别模型部署在计算资源有限的边缘设备和移动终端中时，对其性能低下、实时识别速度慢、准确差等问题，笔者提出一种改进的ShuffleNetV2轻量级岩石类型识别方法。该模型实现参数量和准确率的有效平衡，明显提高了模型的综合性，能实现94.7 4%的识别准确率，可应用于一些移动以及性能较低的设备中，在分离效率与准确率方面都有明显的优势。未来笔者将分析如何分类背景较为复杂的（责任编辑：刘俏亮）458吉林大学学学报（信息科学版）第41卷岩石图像问题，希望可以更有效地提升模型的实际应用价值。参考文献：1 JSINGH N,SINCH T N,TIWARY A,et al.Textural Identification of Basaltic Rock Mass Using Image Processing and NeuralNet-Work J.Computers&Geosciences,2010,14(2):301-310.2 JMLYNARCZUK M,GORSZCZYK A,SLIPEK B.The Application of Pattern Recognition in the Automatic Classification ofMicroscopi-Crock Images J.Computers&Geosciences,2013,60(10):126-133.【3郭超，刘烨多色彩空间下的岩石图像识别研究J】科学技术与工程，2 0 14，14（18）：2 47-2 51,2 55.GUO C,LIU Y.Research on Rock Image Recognition in Multi-Color Space J.Science Technology and Engineering,2014,14(18):247-251,255.4程国建，般娟娟基于SVM的岩石薄片图像分类J.科技创新与应用，2 0 15（1）：38.CHENG G J,YIN J J.SVM-Based Rock Slice Image Classification J.Science and Technology Innovation and Application,2015(1):38.【5程国建，郭文惠，范鹏召基于卷积神经网络的岩石图像分类J西安石油大学学报（自然科学版），2 0 17，32（4）：116-122.CHENG G J,GUO W H,FAN P Z.Rock Image Classification Based on the Convolutional Neural Network J.Journal ofXian Petroleum University(Natural Science Edition),2017,32(4):116-122.6 张野，李明超，韩帅基于岩石图像深度学习的岩性自动识别与分类方法J岩石学报，2 0 18，34（2）：333-342.ZHANG Y,LI M C,HAN S.Automatic Lithology Recognition and Classification Method Based on Rock Image Deep LearningJ.Rock Journal,2018,34(2):333-342.7 程国建，范鹏召基于深度信念网络的岩石粒度分类J西安石油大学学报（自然科学版），2 0 18，33（3）：10 7-112.CHENG G J,FAN P Z.Rock Granularity Classification Based on the Deep Belief Network J.Journal of Xian PetroleumUniversity(Natural Science Edition),2018,33(3):107-112.8 程国建，张福临基于SinGAN的岩石薄片图像超分辨率重建J西安石油大学学报（自然科学版），2 0 2 1，36（2）：116-121.CHENG G J,ZHANG F L.Super-Resolution Reconstruction of Rock Slice Image Based on SinGAN J.Journal of XianShiyou University(Natural Science Edition),2021,36(2):116-121.9JMA N,ZHANG X,ZHENG H T,et al.ShuffleNetV2:Practical Guidelines for Efficient CNN Architecture Design C/Proceedings of the European Conference on Computer Vision(ECCV).Berlin:Springer,2018:116-131.10 李好，邱卫根，张立臣改进ShuffleNetV2的轻量级农作物病害识别方法J计算机工程与应用，2 0 2 2，58（12）：260-268.LI H,QIU W G,ZHANG L C.Improved Lightweight Crop Disease Identification Method for ShuffleNetV2 J.ComputerEngineering and Application,2022,58(12):260-268.11王宇，宁媛，陈进军基于ShuffleNetV2算法的三维视线估计J计算技术与自动化，2 0 2 2，41（1）：8 7-92.WANG Y,NING Y,CHEN J J.Three-Dimensional Line-of-Sight Estimation Based on the ShuffleNetV2 Algorithm JJ.Computational Technology and Automation,2022,41(1):87-92.12 张旭，周云成，刘忠颖，等基于改进ShuffleNetV2模型的苹果叶部病害识别及应用J沈阳农业大学学报，2 0 2 2，53(1):110-118.ZHANG X,ZHOU Y C,LIU Z Y,et al.Identification and Application of Apple Leaf Diseases Based on an ImprovedShuffleNetV2 Model J.Journal of Shenyang Agricultural University,2022,53(1):110-118.13JWANG Q,WU B,ZHU P,et al.ECA-Net:Efficient Channel Attention for Deep Convolutional Neural Networks C/2020IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR).Piscataway,NJ:IEEE,2020:11531-11539.