针对卷积神经网络模型体积大、运算量高,在体积小、资源有限的嵌入式平台上运行效率低。而现有轻量化模型无法兼顾检测速度和检测精度的问题,提出了一种基于 Ghost模块的 YOLO目标识别算法 GS-YOLO。以 YOLOv4 模型为基础,基于 Ghost 模块重构目标识别网络,减少模型参数与卷积运算量,提升目标识别速率:通过融入多个空间金字塔池化模块优化目标识别精度:利用通道剪枝极限压缩方法剔除冗余参数,进一步减小模型体积与计算量:利用微调技术提升剪枝后模型的精度。实验结果表明:在自主构建的测试集和相同的测试环境下,与YOLOv4 相比,GSYOLO将 YOLOv4 模型体积压缩 96%,浮点型计算量减少 91.2%,预测速度提升29倍,压缩后模型识别精度达到87.63%,精度仅损失243%。本发明公开了一种基于一体式网络的微光图像增强方法。本发明提供的方法是:首先运用计算机读取低光照条件下拍摄的微光图像,通过将微光图像分割为若干超像素,利用局部标准差与局部梯度的比值估计每个超像素的噪声电平:然后,将图像反转,采用BM3D滤波器与结构滤波器自适应方法进行平滑处理,以获得无噪声和纹理完整图像:最后,将无噪声和纹理完整图像输入微光一体式网络中,以增强对比度,防止对比度过度增强。本方法可以对微光图像进行有效的增强处理,在主观评价和客观评价方面均优于传统方法,且图像质量评价指标峰值信噪比和结