關(guān)鍵詞：水稻害蟲檢測；改進YOLOv7-tiny算法；部分卷積；極化自注意力機制；特征融合；遷移學(xué)習(xí)

中圖分類號：S434.112：TP391.41 文獻標識號：A 文章編號：1001-4942（2024）06-0133-10

我國是世界最大的水稻生產(chǎn)國與消費國，水稻產(chǎn)量和質(zhì)量對保障國家糧食安全起著重要作用，影響著居民生活穩(wěn)定和國家經(jīng)濟發(fā)展。病蟲害是影響水稻產(chǎn)量和質(zhì)量的主要因素之一，嚴重時甚至導(dǎo)致絕收，因此及時識別并有效防治病蟲害對提高水稻產(chǎn)量和質(zhì)量具有重要意義。目前我國的害蟲分類識別工作主要由相關(guān)領(lǐng)域?qū)＜夷恳暠鎰e，但害蟲種類繁多，農(nóng)田面積大，人工識別不僅費時費力而且易出錯，無法滿足大面積農(nóng)田害蟲的快速準確識別，從而影響農(nóng)田蟲害的及時有效防治，嚴重威脅農(nóng)業(yè)生產(chǎn)安全。隨著信息技術(shù)和人工智能的發(fā)展，利用機器視覺和機器學(xué)習(xí)方法進行害蟲識別分類成為可能，這對于農(nóng)業(yè)生產(chǎn)的智能化、精準化管理意義重大。然而由于實際生產(chǎn)中環(huán)境因素復(fù)雜，水稻害蟲種類繁多且有些種類間相似度較高，基于機器視覺準確檢測田間水稻害蟲并不容易。目前國內(nèi)外研究人員已開展了害蟲檢測的相關(guān)研究，取得了一定的成果，如：馬鵬鵬等融合了圖像全局特征和局部特征后使用支持向量機分類識別，獲得了3種大型水稻害蟲識別91.4%的準確率和2種小型水稻害蟲識別94.9%的準確率；Yao等用燈光誘捕器捕捉到4種水稻鱗翅目害蟲，對其顏色、形狀、紋理等156個特征進行了提取和分類，并采用七倍交叉驗證法來提高害蟲識別的準確率，平均準確率達到97.5%；楊國國等利用顏色及像素對圖像的顯著性區(qū)域進行檢測，實現(xiàn)了茶園23種害蟲的識別，準確率達91.5%；陳娟等提出了一種基于改進殘差網(wǎng)絡(luò)的害蟲識別方法，通過在殘差塊中添加卷積層和增加通道數(shù)提取更多的害蟲圖像特征，對38種北方園林害蟲的識別準確率平均提高9.6%；Jiao等提出了一種無錨區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（AF-RCNN）用于24類害蟲的識別和分類，取得了56.4%的平均檢測精度；Liu等提出了一種端到端的深度學(xué)習(xí)方法PestNet，將通道注意力機制融合到卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，對多類害蟲檢測的精度達到了75.46%。

但目前針對水稻害蟲分類識別的檢測研究僅局限于幾類害蟲，泛化性不強。因此，本研究首先在IP102農(nóng)業(yè)害蟲數(shù)據(jù)集基礎(chǔ)上構(gòu)建了包含26類標簽的水稻害蟲數(shù)據(jù)集，然后對單階段目標檢測算法YOLOv-7-tiny的骨干網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)中的結(jié)構(gòu)進行改進，同時加入無參訓(xùn)練策略，對多種類不均衡樣本下的水稻害蟲進行檢測，在提升檢測精度的同時保證推理速度，提高算法的泛化性能，以期實現(xiàn)對自然環(huán)境下多種類水稻害蟲的準確檢測，為及時防治提供技術(shù)支持。

1材料與方法

1.1水稻害蟲數(shù)據(jù)集的建立

IP102是目前最大的農(nóng)業(yè)害蟲數(shù)據(jù)集，包含了102類共計75222張圖片，其中有關(guān)水稻害蟲的共計14類8416張，涵蓋了同一類別害蟲的卵、幼蟲、蛹、成蟲等不同形態(tài)，并將其歸為同一標簽。但是該數(shù)據(jù)集中存在大量重復(fù)、不相關(guān)以及種類錯誤的圖像，可供實際使用的圖片數(shù)量很少，而且實際生產(chǎn)中水稻害蟲遠不止14種，還有很多危害水稻的害蟲未被列入。因此，我們保留部分IP102數(shù)據(jù)集中的圖片，同時以網(wǎng)絡(luò)資源作為主要的數(shù)據(jù)來源，利用常用的圖片搜索引擎，如Google、Baidu、Bing，以及各農(nóng)學(xué)論壇和各類昆蟲網(wǎng)站等，共收集了1500張不重復(fù)的水稻害蟲圖像，經(jīng)3次旋轉(zhuǎn)和鏡像操作后，擴充至7500張圖像，構(gòu)建了一個包含26類標簽的水稻害蟲數(shù)據(jù)集，其害蟲分類見表1。

IP102數(shù)據(jù)集中將同一類別害蟲的不同形態(tài)歸在同一標簽下，但當(dāng)種間害蟲或其幼蟲極其相似時，將其另外歸在同一標簽下會更好。因此，我們在新建數(shù)據(jù)集時保留了將部分成（幼）蟲歸為同一標簽的特性，如稻縱卷葉螟和稻螟蛉，然后將相似害蟲歸為同一標簽，如將稻潛葉蠅和稻稈潛蠅的幼蟲歸為蠅類幼蟲，將三類原IP102中存在的灰飛虱、褐飛虱、白背飛虱歸為稻飛虱單類。

最終，我們按照每類害蟲的比例，隨機分配了6075張圖像作為訓(xùn)練集，1425張圖像作為驗證集，測試集選取與驗證集相同的1425張圖像。

1.2目標檢測算法選擇

當(dāng)前的目標檢測算法可分為兩類（圖1）：一類是直接回歸的單階段目標檢測算法，如YOLO（You Only Look Once）系列、SSD（Single ShotMultiBox Detector） 等，這類算法直接產(chǎn)生物體的類別概率和位置坐標值，速度快，但精度有所損失；一類是基于建議框（Region Proposals）的兩階段目標檢測算法，如R-CNN系列，第一階段生成建議框，第二階段專注于對建議框進行分類回歸和位置調(diào)整，這類算法通常精度較高，但速度較慢。為了實現(xiàn)水稻害蟲檢測的準確性和快速性，本研究選取單階段檢測算法中YOLO的輕量化版本YOLOv7-tiny，然后進行改進，以在提高精度的同時保證檢測速度。

1.3本研究改進點

1.3.1改進卷積核模型 卷積核作為卷積神經(jīng)網(wǎng)絡(luò)的主要組成部分，承擔(dān)了網(wǎng)絡(luò)中絕大部分的參數(shù)量。發(fā)展至今，卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)越來越多，參數(shù)量越來越大，即便是一些輕量化網(wǎng)絡(luò)，也會因為浮點運算速度（FLOPS）降低導(dǎo)致模型的檢測速度提升不明顯。造成這種現(xiàn)象的主要原因在于運算符頻繁的內(nèi)存訪問，特別是在使用深度卷積時，因此單純減少浮點運算量（FLOPs）并不一定會提升檢測速度?；诖耍覀兪褂靡环N全新的部分卷積（Partial Convolution，PConv）來替換YOLOv7-tiny網(wǎng)絡(luò)中8個EIAN-T結(jié)構(gòu)的后兩層卷積核，得到改進后的EIAN-T結(jié)構(gòu)P-EIAN-T。圖2為PConv與常規(guī)卷積和深度卷積的對比，圖3為改進前后的ELAN-T結(jié)構(gòu)。PConv擁有比常規(guī)卷積更低的FLOPs，比深度卷積更高的FLOPS，能夠通過同時減少冗余計算和內(nèi)存訪問更有效地提取空間特征，從而實現(xiàn)速度和精度的雙重提升。

1.3.2特征融合網(wǎng)絡(luò) 在特征的傳播過程中，由于網(wǎng)絡(luò)層數(shù)不斷增多，部分特征存在丟失的現(xiàn)象。為了更好地利用骨干網(wǎng)絡(luò)提取的特征圖，需要將不同尺度的特征圖進行融合，以保證部分特征得以延續(xù)傳播。為此，各式特征融合網(wǎng)絡(luò)被設(shè)計出來，逐漸使用不同尺度的特征圖進行重構(gòu)或融合后組成特征金字塔網(wǎng)絡(luò)，實現(xiàn)更好的檢測效果（圖4）。

本研究使用的復(fù)雜雙向多尺度特征融合（BiFPN）是在特征金字塔（FPN）的基礎(chǔ)上，保留了自頂向下的通路傳遞高層特征的語義信息，增加了自底向上的通路傳遞底層的位置信息，且同一層的輸入和輸出節(jié)點之間新加一條邊。另外，傳統(tǒng)特征融合使用Concat或Shortcut進行簡單連接，但輸入特征圖分辨率的不同致使其在融合時的貢獻不同，簡單相加或疊加并不是最佳的融合操作，因此，BiFPN引入加權(quán)特征融合（weighted feature fusion），并使用不同于簡單連接的加權(quán)ADD連接，學(xué)習(xí)不同輸入特征的重要性，對不同輸入特征有區(qū)分的融合。BiFPN采用快速歸一化融合（fast normalized fusion），以圖5的P6層為例，先對P6和P7層的特征進行融合，過程如公式（1），然后將融合后的結(jié)果與P6層的輸入與P5層的輸出進行融合，過程如公式（2）。

式中，ε取0.000 1；P參數(shù)在圖中已經(jīng)給出；Resize操作是上采樣或者下采樣：ω是學(xué)習(xí)參數(shù)，用于區(qū)分特征融合中不同特征的重要程度。

1.3.3極化自注意力機制 深度卷積神經(jīng)網(wǎng)絡(luò)中的注意力機制（Attention Mechanism）在提高網(wǎng)絡(luò)特征提取能力方面效果顯著，但針對特定元素的非局部模塊注意力非常復(fù)雜，對學(xué)習(xí)噪聲敏感，因而出現(xiàn)多種簡化的即插即用注意力模塊，嘗試在多種類型的任務(wù)（如圖像分類、對象檢測以及實例分割等）中達到最佳妥協(xié)。其中，通道注意力（如Squeeze-and-Excitation Networks， SE）是廣泛使用的注意力模塊。純通道注意力對不同的空間位置賦予相同的權(quán)重，分類任務(wù)仍然受益，因為它的空間信息最終會因池化而消失：物體檢測中的錨點位移回歸受益，因為純通道注意力一致突出所有前景像素。但由于注意設(shè)計的關(guān)鍵差異，使用空間通道注意力比純空間注意力有更好的效果，而常用的空間通道注意力模塊（如Conv-olutional Block Attention Module， CBAM）與新的僅通道注意塊（如Globle Context Network，GC-Net）相比，并沒有表現(xiàn)出顯著的優(yōu)勢。

因此，本研究使用一種空間通道注意力模塊——極化自注意力（Polarized Self-Attention，PSA） 。它包含了兩種實現(xiàn)高質(zhì)量像素級回歸的關(guān)鍵設(shè)計：一是極化濾波，在通道和空間注意力計算中保持高內(nèi)部分辨率，同時沿其對應(yīng)維度完全折疊輸入張量；二是增強，組成直接擬合典型細粒度回歸輸出分布的非線性，如二維高斯分布（關(guān)鍵點熱圖）或二維雙正分布（二元分割掩碼）。PSA在僅通道分支和僅空間分支的表示能力都相當(dāng)優(yōu)異，其順序布局和并行布局之間只有微小的差異，本研究使用極化自注意力機制的并行布局（圖6），得到加入PSA后的PP-ELAN-T結(jié)構(gòu)（圖7）。

1.4改進的YOLOv7-tiny算法整體網(wǎng)絡(luò)結(jié)構(gòu)

圖8為本研究所用檢測算法的整個網(wǎng)絡(luò)結(jié)構(gòu)。在整個網(wǎng)絡(luò)中，前4個ELAN-T結(jié)構(gòu)被替換為PP-ELAN-T結(jié)構(gòu)，后4個ELAN-T結(jié)構(gòu)被替換為P-ELAN-T結(jié)構(gòu)，網(wǎng)絡(luò)的第63層和第71層將原本的2節(jié)點Concat連接替換為加權(quán)BiFPN的3節(jié)點ADD連接，第一處特征融合相較原結(jié)構(gòu)增加了conv44節(jié)點，第二處特征融合相較原結(jié)構(gòu)增加了conv34節(jié)點，圖中分別用紅線和藍線標出。

1.5硬件與環(huán)境配置

本研究在訓(xùn)練和測試階段使用的計算機硬件與環(huán)境配置：處理器為12th Gen Intel（R） Core（TM） i7-12650H，內(nèi)存為16 GB，顯卡使用NVIDIA GeForce RTX 4060 Laptop GPU，顯卡內(nèi)存為8GB。操作系統(tǒng)及軟件環(huán)境：Windowsll操作系統(tǒng)，CUDA12.1版本，Pytorch使用2.0.0+cu117版本，YOLOv7-tiny目標檢測算法，編程語言Py-thon 3.9。

1.6評價指標

本研究選用的評價指標：均值平均精度（mAP），用以評價網(wǎng)絡(luò)預(yù)測結(jié)果的準確性；權(quán)重文件大小，用以評價網(wǎng)絡(luò)結(jié)構(gòu)的大??；單張圖片的檢測時間（FPS），用以評價檢測算法的檢測速度；浮點運算量（FLOPs）和浮點運算速度（FOLPS），用以評價網(wǎng)絡(luò)的運算量和卷積核的處理速度。各項指標的計算公式如下：

式中，n表示待檢真實框的個數(shù)，AP表示平均精度，P（precision）表示精確度，R（recall）表示召回率，TP表示檢測框交并比（IoU）滿足閾值的檢測框數(shù)量，F(xiàn)P表示IoU不滿足閾值的檢測框數(shù)量，或是檢測到同一個真實框的多余檢測框的數(shù)量，F(xiàn)N表示沒有檢測到的真實框的數(shù)量。T_total表示檢測驗證集所用的時間，N_image表示驗證集圖片的數(shù)目。

2結(jié)果與分析

2.1不同卷積核對檢測算法性能的影響

為了探究不同卷積核對檢測算法性能的影響，本研究在保證其他參數(shù)不變的情況下，分別使用全維動態(tài)卷積（ODConv）、條件參數(shù)化卷積（CondConv） 和部分卷積（PConv）3種卷積核模型替代部分卷積核，并與原卷積網(wǎng)絡(luò)進行對比，其中ODConv與PConv替換的位置完全相同，而CondConv由于自身特性被替換在整個網(wǎng)絡(luò)的第三層。它們的各項參數(shù)見表2。本研究訓(xùn)練輪數(shù)除特殊標明外均取100輪，無權(quán)重訓(xùn)練。PConv卷積核在檢測精度和檢測時間上均最優(yōu)，且模型大小與FLOPs都有所下降，F(xiàn)LOPS低于原Conv但高于ODConv，表明PConv作為改進卷積核有相當(dāng)?shù)膬?yōu)越性。因此，本研究選取PConv作為改進卷積核替換原網(wǎng)絡(luò)中的部分卷積核，以使網(wǎng)絡(luò)有更好的性能。

2.2不同特征融合對檢測算法性能的影響

為了研究不同特征融合方式對改進后的網(wǎng)絡(luò)的影響，本研究使用加權(quán)BiFPN與不加權(quán)BiFPN分別對相同位置的特征圖進行融合，并與原路徑聚合網(wǎng)絡(luò)（PANet）進行對比，結(jié)果（表3）顯示，無論加權(quán)與否，BiFPN都可以提升模型的檢測精度，其中，加權(quán)BiFPN的檢測精度可達91.2%，高于原PANet和不加權(quán)BiFPN，且在模型大小上無明顯增加，檢測時間無增加。

2.3不同注意力模塊對檢測算法性能的影響

在前文改進的基礎(chǔ)上，我們對比了分別加入簡單無參注意力機制SimAM、接近無參注意力Triplet

Attention和極化自注意力PSA后檢測算法的性能，結(jié)果（表4）顯示，SimAM模型最小，但精度最低，符合其簡單、無參的特性。Triplet Attention作為接近無參注意力，盡可能降低了模型增加的數(shù)值，僅比SimAM模型多出32 kb，檢測時間明顯增加，說明在運算速度上有所降低，通過增加運算復(fù)雜程度保證模型大小。PSA取得了最好的綜合效果，雖然模型最大，但檢測時間相比SimAM僅增加0.8 ms，且有效提升了檢測精度。

Grad-CAM熱力圖是一種利用梯度信息對卷積神經(jīng)網(wǎng)絡(luò)進行可視化解釋和決策的方法，能夠?qū)⑷我饨Y(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型對不同區(qū)域的關(guān)注可視化，其關(guān)注度以不同顏色區(qū)域表示出來，圖9展示了引入不同注意力模塊的Grad-CAM熱力圖?？梢钥闯?，在未加入注意力時，檢測算法對害蟲的關(guān)注范圍較廣，且把背景上與害蟲顏色類似的部分枝條視為害蟲并予以關(guān)注，在加入注意力后，算法對背景的關(guān)注度明顯降低，在加入PSA時，算法的關(guān)注點幾乎全部集中在害蟲附近，并且對兩條害蟲予以區(qū)分，表明PSA有更好的檢測效果和抗干擾能力。

2.4遷移學(xué)習(xí)和多尺度訓(xùn)練

為了進一步提升檢測算法的性能，我們在網(wǎng)絡(luò)的訓(xùn)練階段采取了加入遷移權(quán)重和多尺度訓(xùn)練的策略。遷移權(quán)重來自對數(shù)據(jù)集IP102中留有標注的18965張圖片的訓(xùn)練，權(quán)重訓(xùn)練輪數(shù)為150輪，最終權(quán)重大小為9493 kb。多尺度訓(xùn)練幅度為±50%。

表5為不同訓(xùn)練策略的檢測性能對比。以多尺度訓(xùn)練和遷移學(xué)習(xí)作為訓(xùn)練策略，其結(jié)果一定是無參的。在同時加入二者后，算法的最終檢測精度達到了96.4%。但在單加入遷移學(xué)習(xí)時，算法的精度略微下降，這也體現(xiàn)了IP102這一數(shù)據(jù)集的問題所在，即圖片質(zhì)量不高、待檢目標大小差異大、重復(fù)和錯誤圖片較多等。在繼續(xù)加入多尺度訓(xùn)練解決遷移權(quán)重的目標大小差異問題時，現(xiàn)有模型的學(xué)習(xí)能力和特征提取能力體現(xiàn)了出來，不僅補償了遷移學(xué)習(xí)的負向增益，而且使遷移學(xué)習(xí)的效果得以體現(xiàn)。

2.5本研究提出的改進YOLOv7-tiny算法與其他檢測算法的比較

為了證明本研究改進的單階段檢測算法的性能，將改進后的算法與其他輕量YOLO系列算法、Faster RCNN算法和SSD算法在數(shù)據(jù)集和硬件條件相同的情況下進行對照實驗，對照實驗均為帶原始權(quán)重實驗。最終結(jié)果（表6）表明，本研究改進的YOLOv7-tiny算法在模型大小上優(yōu)于其他算法，F(xiàn)PS僅高于YOLOv3-tiny算法2.4 ms，但mAP提高34.9個百分點：mAP僅落后于Faster RCNN算法1.8個百分點，但FPS減少44.8 ms，且模型大小約為Faster RCNN的1/12。表明本研究改進的YOLOv7-tiny算法性能更優(yōu)，更適合對田間多種類水稻害蟲的檢測。

圖10為本研究提出的改進YOLOv7-tiny檢測算法與原始YOLOv7-tiny算法訓(xùn)練結(jié)果的mAP和總損失（Loss）對比分析結(jié)果，改進后的算法在精度上由84.7%提升至96.4%，提升了11.7個百分點；在損失上由0.05416降低至0.03521，降低0.01895，占原損失的35.0%，因此，改進后算法的性能相較于原算法有很大提升。

2.6基于本研究改進檢測算法的水稻害蟲檢測分析

圖11為利用本研究建立的檢測算法對水稻害蟲進行檢測的結(jié)果展示，其中a和b圖展示了同一標簽中成蟲和幼蟲的檢測效果，c為困難樣例，d為簡單樣例，均有較好的檢測效果。

以困難樣例為例，選取2.5節(jié)中檢測時間相似的YOLOv5s、YOLOv7-tiny和改進YOLOv7-tiny進行檢測效果對比，由圖12可見，YOLOv5s出現(xiàn)了漏檢情況，僅檢測到一只螟蟲幼蟲，左側(cè)檢測信度雖然達到0.96，但檢測框位置不夠精準，右側(cè)害蟲未被檢測到：YOLOv7-tiny檢測到兩只害蟲，但信度不高，分別為0.72和0.73，且左邊的錨框僅檢測了一半的害蟲，檢測效果一般：改進后的算法準確檢測到了兩只害蟲，害蟲邊界檢測正確，信度提高，達到了0.90和0.86，取得了較好效果。

3討論

本研究針對田間水稻害蟲的檢測問題，構(gòu)建了一個包含26類水稻害蟲標簽的數(shù)據(jù)集，并通過卷積核、特征融合網(wǎng)絡(luò)和注意力機制改進及使用遷移學(xué)習(xí)和多尺度訓(xùn)練策略，建立了改進的YOLOv7-tiny檢測算法模型。

卷積核部分，本研究使用了最新的FasterNet中所構(gòu)建的部分卷積PConv，并將其移植到了YOLOv7-tiny檢測算法中的ELAN-T結(jié)構(gòu)上，同時我們對PConv卷積核在ELAN-T結(jié)構(gòu)中的數(shù)量和位置也進行了探索。ELAN-T結(jié)構(gòu)右側(cè)共有3個可供替換的卷積核，經(jīng)過嘗試1、2、3的替換數(shù)量以及不同替換位置，最終發(fā)現(xiàn)將ELAN-T結(jié)構(gòu)的后兩層Conv結(jié)構(gòu)更換為PConv結(jié)構(gòu)的效果最好。進一步將PConv與性能優(yōu)異的深度動態(tài)卷積ODConv和條件參數(shù)卷積CondConv進行對比，也證明了PConv作為改進點的優(yōu)越性，其FLOPS低于普通卷積核但高于深度卷積。

特征融合網(wǎng)絡(luò)部分，本研究變更了原PANet的融合路徑，并對加權(quán)與不加權(quán)的特征金字塔網(wǎng)絡(luò)進行了探索，另外，為了驗證加權(quán)特征金字塔的可行性，對原網(wǎng)絡(luò)中的兩處不加權(quán)Concat融合連接增加了融合節(jié)點，并在后續(xù)將Concat連接變更為加權(quán)特征金字塔的ADD連接，結(jié)果證明了特征金字塔相對于原PANet的優(yōu)越性，且加權(quán)金字塔相對于不加權(quán)金字塔更優(yōu)。

注意力機制部分，本研究使用了極化自注意力機制PSA。由于卷積神經(jīng)網(wǎng)絡(luò)的特性，注意力加在網(wǎng)絡(luò)相對靠前的位置通常會取得更好的效果，因此我們在前四處改進后的P-ELAN-T結(jié)構(gòu)的Concat節(jié)點前增加PSA節(jié)點，取得了較好的效果。而添加其他常用的注意力，如通道注意力SE、空間注意力CBAM、坐標注意力CA（Coordi-nate Attention，CA）等，效果均較差。

4結(jié)論

本研究使用PConv替換原YOLOv7-tiny中的部分卷積核，可以降低模型大小和參數(shù)量，同時提高檢測速度和檢測精度：使用加權(quán)BiFPN，可以有效利用各種特征層提取的特征，達到更好的檢測效果；加入極化自注意力機制PSA，能夠在不過分影響檢測速度的情況下提高模型的泛化性能，使其更好地使用多尺度訓(xùn)練和遷移學(xué)習(xí)來提高檢測算法性能。建立了改進的YOLOv7-tiny檢測算法，并基于新構(gòu)建的水稻害蟲數(shù)據(jù)集進行訓(xùn)練，能夠?qū)崿F(xiàn)對田間自然環(huán)境下多種類水稻害蟲的快速準確識別。最終，本研究建立的改進YOLOv7-ti-ny算法在自建數(shù)據(jù)集中對26類水稻害蟲檢測的均值平均精度達到96.4%，模型大小9055 kb，單張圖片檢測時間8.8ms，可以滿足田間多種類水稻害蟲實時準確的檢測要求，也有利于后續(xù)邊緣設(shè)備或移動端檢測的開發(fā)工作。