果园栽培平台是否能顺利地在果实上进行，网络模型检测的准确性往往决定着果树栽培作业的成败。与此同时，模型容量越小，硬件计算和存储资源占用也就越小，并且可以很容易地移植到有限的硬件资源上，同时，快速模式的运行速度意味着模型可以在较短时间内处理更多的数据，更能满足果园栽培平台高效操作的需要。有鉴于此，我们从网络模型的检测精度、模型容量和运行速度三个维度对模型的综合性能进行量化评估。并将该网络模型与CenterNet、SSD等网络模型进行了比较分析。

选择平均精度、误检率和漏检率作为网络模型检测精度的评价指标，能较好地反映网络模型对目标的探测能力。由于模型参数和模型体积都能很好地反映出硬件计算和存储资源的占用情况，因此可以作为模型容量的评价指标。图1显示了不同网络模型的检测精度和模型容量对比。

从表1数据中可以看出，M-CenterNet网络的误检率和漏检率分别为10.9%、5.8%，明显优于其它两种网络模型。与SSD和CenterNet网络模型相比，误检率分别下降了4%和1%；与SSD和CenterNet网络模型相比，误检率分别降低了6.6%和1.5%，结果表明，本文提出的网络模型可以很好的识别果实目标和背景。结果表明，本文所建立的网络模型中，SSD、CenterNet、M-CenterNet网络模型的平均准确率都超过85%。该机构提出的M-CenterNet网络模型和CenterNet网络模型由于采用中心点预测策略来检测苹果目标，这样，M-CenterNet网络模型的平均精确度较CenterNet网络模型略高出0.6%。与本文提出的M-CenterNet网络模型相比，基于锚点策略的SSD网络平均精度最小，比本文提出的M-CenterNet网络模型低3.9%，表明该网络模型具有平均精度较高的优点。

由表1所示，模型参数与体积成正比。也就是说，参数数目越多，模型体积越大，反之亦然。本文提出的M-CenterNet网络模型，由于深分离卷积和逐点卷积的优点，大大降低了计算量和模型参数的数量。该模型的参数量只有33.5×105，这两个数字比CenterNet和SSD模型都要小。这个网络模型的体积是14.2MB，相当于SSD模型的15.6%,CenterNet模型占23.5%的体积，较少的参量产生较小的模型体积。

除对网络模型的检测准确度、模型容量等方面进行评价外，还对网络模型的检测速度进行了进一步的检验，以评价该网络模型能否满足实用型野外作业的实际需要。由于苹果检测系统需要将IPC应用于果园作业平台上，而IPC仅配置CPU处理器，不具备GPU加速环境，因此模型必须能够在CPU环境下高效地完成苹果的检测任务。有鉴于此，本文主要关注CPU对模型时间性能的测试。由于检测所需时间长(分总耗时和单帧)和帧率能很好地反映出模型对大容量数据的检测速度和单位时间内的检测速度，因此，将其作为模型运行速度的评价指标，如表2。

其中，M-CenterNet网络模型比CenterNet、SSD网络模式在CPU环境下具有更大的运行速度优势，整个处理所需的时间分别比3.4和4.0s快，而一个帧的时间则分别快了89.8ms和118.1ms，处理速度快了50%。说明该模型能更快地完成苹果在CPU环境下的目标检测任务。

由于无定位点探测策略和可分卷积深度可分离的轻量级模块，使得该网络模型在CPU条件下的运行速度明显高于常规卷积模式，从而提高了计算速度。与此同时，不定位点检测策略省去了NMS等操作，大大缩短了整个网络推理时间，提高了检测速度。

4结论

为解决果园自然环境下苹果目标视觉检测问题，提出一种基于轻量级无定位点的树苹果检测网络模型。在CenterNet网络模型中，利用更轻量化的MobileNetV3网络对特征提取进行特征提取，同时，引入了转置卷积提取更高效的特征图，从而在苹果目标检测、模型容量和运行速度等方面实现了网络模型性能的综合提高。实验结果表明，M-CenterNet网络模型能很好地区分果实目标和果实背景，错误检出率和漏检率分别达10.9%。5.8%，优于SSD模型和CenterNet网络模型；该网络模型的平均精确度和体积分别为88.9%；14.2MB，比SSD网络模型高3.9%，比SSD网络模型低84.3%；当检测准确度相当时，本文所建立的网络模型仅为CenterNet网络模型的1/4，而本文所建立的网络模型是8fps，与CenterNet和SSD网络模式相比，这种模式在CPU环境下的运行速度提高了将近1倍。

本文所建立的M-CenterNet网络模型在保持较高检测准确度的同时，还具有较低的计算量和较高的模型轻量化，并且在硬件资源受限的情况下，能够快速地检测到户外果园移动作业平台。进一步的研究工作是不断完善模型，增加学习样本，寻找更多的方法来优化苹果目标的检测性能，并在嵌入式设备上做进一步的测试。