烟草仓储害虫性诱智能监测系统设计与实现

摘要

为了实时智能监测烟草仓储害虫， 设计并实现了烟草仓储害虫性诱智能监测系统。该系统由基于机器视觉的智能性诱捕器、性诱害虫识别模型、服务器和Web端系统平台组成。智能性诱捕器通过性诱剂将害虫诱集至粘虫板， 机器视觉模块每天定时采集一幅粘虫板图像， 并通过4G网络将图像上传至服务器。服务器接收到图像后调用性诱害虫识别模型进行害虫的检测与识别， 并将检测结果返回到Web客户端。用户可通过系统平台Web端查看诱集的害虫图像和数量。针对粘虫板图像上的性诱害虫烟草甲Lasioderma serricorne和烟草粉螟Ephestia elutella， 建立了YOLOX-TP识别模型， 在YOLOX的基础上添加了SEnet注意力机制。与Faster-RCNN、YOLOv4、YOLOX检测模型相比， YOLOX-TP平均精确率和平均召回率最高， 达到98.97%和97.12%。烟草仓储害虫性诱智能监测系统实现了烟草性诱害虫图像的定时采集、害虫准确检测与计数、结果可视化和可追溯， 为烟草仓储害虫防治决策提供依据。

关键词

烟草仓储害虫;" 智能性诱捕器;" 烟草甲;" 烟草粉螟;" 害虫图像;" YOLOX-TP模型

中图分类号：

S 379.5; TP 274; TP 183

文献标识码：" A

DOI：" 10.16688/j.zwbh.2024048

收稿日期：" 20240130""" 修订日期：" 20240325

基金项目：

浙江省科技计划（2022C02004）

致" 谢：" 参加本试验部分工作的还有江代礼、谭翰杰、张能和纪烨斌等同学，特此一并致谢。

* 通信作者

E-mail：

q-yao@zstu.edu.cn

#

为并列第一作者

Design and implementation of an intelligent monitoring system for tobacco storage pests trapped by sex pheromone

LUO Haolun1，" LI Guozhi1，" YOU Yanchen1，" LI Bin2，" L Jun1，" LI Wendong3，" YAO Qing4*

（1. School of Information Science and Engineering， Zhejiang Sci-Tech University， Hangzhou" 310018， China;

2. Guizhou Aerospace Intelligent Agriculture Co.， Ltd.， Guiyang" 550000， China; 3. Agricultural Information

Center of Changchun City， Jilin Province， Changchun" 130051， China; 4. School of Computer

Science and Technology， Zhejiang Sci-Tech University， Hangzhou" 310018， China）

Abstract

For automatically monitoring tobacco storage pests in real-time， an intelligent monitoring system was designed and implemented. The system consists of a machine vision-based intelligent sex pheromone trap， a pest identification model， a server， and a Web-based platform. The intelligent trap attracts pests to a sticky board using sex pheromones， and the machine vision module captures an image of the sticky board at regular intervals every day. The image is then uploaded to the server via a 4G network. Once the server receives the image， it uses the pest identification model to detect and recognize the pests in the image， and returns the results to the network client. Users can view the images and quantities of trapped pests through the network platform. For accurately identifying the Lasioderma serricorne and Ephestia elutella on the sticky board images， a YOLOX-TP recognition model was developed， which incorporates the SEnet attention mechanism into the YOLOX framework. Compared with Faster-RCNN， YOLOv4， and YOLOX models， YOLOX-TP achieved the highest average precision and recall rates， reaching 98.97% and 97.12%， respectively. The intelligent monitoring system for tobacco storage pests achieves real-time image acquisition， accurate pest detection and counting， result visualization， and data traceability， providing a basis for decision-making in the monitoring and controlling tobacco storage pests.

Key words

tobacco storage pests;" intelligent trap based on sex pheromone;" Lasioderma serricorne;" Ephestia elutella;" pest images;" YOLOX-TP model

中国是全世界最大的烟草生产国与消费国，全球35%的烟草产出和32%的烟草销售均在我国［1］。烟草行业正迅速发展，连续多年的税收超过万亿，成为国家财政的支柱产业，其经济效益逐年增加。然而，我国每年因烟草仓储害虫为害损失的烟草占全国仓储总量的1.64%［1］，带来巨大的经济损失。此外，虫尸和虫粪的污染也会影响烟草原料，对成品卷烟的风味产生不良影响。我国烟仓中常见的害虫有30多种，主要有烟草甲Lasioderma serricorne、烟草粉螟Ephestia elutella、大谷盗Tenebroides mauritanicus、玉米象Sitophilus zeamais、赤拟谷盗Tribolium castaneum等，其中，烟草甲和烟草粉螟是烟草业最常见和为害最严重的2种仓储害虫，占总虫量的90%以上［23］。害虫数量监控是防控害虫的前提，广泛应用于农业、食品安全、植物保护等领域［48］。为了减少烟草仓储害虫的为害并确保烟草品质，一些学者致力于研究如何监测烟草仓储害虫［914］。

烟草仓储害虫因其体小且隐蔽性强，常采用人工抽检、性诱和光诱等方法进行虫情监测［15］。这些设备诱集到害虫后需要烟农或烟技员定期进行人工鉴定与计数。当虫情达到防治指标时，采取熏蒸等措施进行杀虫［16］。这种人工鉴定与计数害虫的方式实时性差、效率低、数据难以追溯。

研发仓储害虫智能监测系统以及基于图像的仓储害虫识别算法成为当前研究的热点［1721］。钟维［17］在实验室环境下拍摄烟草害虫图像，采用迭代阈值分割算法分割出单头烟草害虫，用SIFT、SURF、ORB特征算法提取了烟草害虫图像的特征，并采用了改进的KD-树最近邻查询算法来匹配特征点，成功实现了对烟青虫Helicoverpa assulta、烟绿蝽Nesidiocoris tenuis、烟草甲、天蛾Sphingidae、黄曲条跳甲Phyllotreta striolata等烟草害虫图像的配准识别。周继来［18］使用工业相机拍摄性诱捕器捕获的烟草甲，采用SVM算法实现了烟草甲的实时监测。孙艘［19］设计了一种自动虫情监测系统，该系统采用了性信息素、黑光灯诱集烟草甲，通过粘虫板捕获烟草甲，并采集图像，通过提取图像中烟草甲的形状、颜色和纹理等特征进行显著性分析，然后利用形态学处理方法来实现烟草甲的自动识别，准确率达99%。但该系统是在实验室环境下搭建，实际工作环境下存在灰尘、烟叶等杂质，诱集到的烟草甲存在粘连遮挡等问题，这些均影响识别结果。杨光露等［20］为实现卷烟厂烟草甲的精确监测，通过手机和智能相机对卷烟厂内放置的烟草甲引诱剂诱捕器进行拍照获取粘虫板上烟草甲图像，使用CenterNet模型检测烟草甲，准确率达94%。张宝等［21］设计了一个基于卷积神经网络的烟草甲智能监测系统，该系统包括硬件设计、算法设计与软件设计3个部分，使用放置性信息素的烟草甲诱捕器诱捕烟草甲并进行数据采集，通过摄像头拍摄图像，并采用改进的CascadeR-CNN深度卷积网络实现了对烟草甲的目标检测，其准确率达97.4%。上述研究利用烟草甲的性信息素和趋光性对烟草甲进行诱捕和图像识别，从而实现了烟草甲的智能监测。

以上研究大多只针对烟草甲进行实时性诱监测，未见同时监测烟草甲与烟草粉螟的相关研究。烟草甲和烟草粉螟是烟草业最常见且为害最严重的2种仓储害虫。烟草甲属于鞘翅目窃蠹科Anobiidae，体长2～3 mm，体色褐色或赤褐色;烟草粉螟属于鳞翅目螟蛾科Pyralidae，体长5～7 mm，体色灰白色。虽然这2种害虫属于不同目，但它们均通过性信息素吸引异性，实现交配繁殖后代。烟草甲和烟草粉螟的性信息素化学结构存在显著差异［22］，前期试验研究结果表明，将2种性诱剂放在一起并没有观察到明显的相互干扰和对诱集数量的影响，因此本研究利用1个性诱捕器同时放置2种性诱剂来诱集和监测这2种害虫。为实时精准智能监测烟草仓储性诱害虫烟草甲和烟草粉螟，设计并搭建了一套烟草仓储害虫性诱智能监测系统。

1" 材料与方法

1.1" 烟草仓储害虫性诱智能监测系统框架

烟草仓储害虫性诱智能监测系统旨在通过集成机器视觉、深度学习、物联网技术，实现对仓储害虫的实时、高效和智能监测。本系统的设计理念是以用户为中心，提升监测数据的实时性和准确性，同时减轻人工监测的负担。烟草仓储害虫性诱智能监测系统主要由基于机器视觉的智能性诱捕器、性诱害虫识别模型、服务器和Web端系统平台组成。性诱捕器通过害虫性诱剂诱集害虫至粘虫板，机器视觉模块每天采集粘虫板图像，并通过4G网络将图像上传至服务器。服务器接收到图像后调用性诱害虫识别模型进行害虫的检测与识别，并将检测结果返回到Web客户端。用户可通过系统平台Web端查看害虫诱集的信息。若一周诱捕到害虫数量超过30头则进行害虫预警，通过移动设备通知相关人员，这种主动预警方式有助于及时有效的害虫防控决策，减少经济损失。系统整体框架如图1所示。

1.2" 基于机器视觉的智能性诱捕器

智能性诱捕器由工业相机、面光源、粘虫板和性诱剂组成。性诱剂置于粘虫板上， 烟草甲和烟草粉螟被诱集到粘虫板， 相机每天定时拍摄一幅粘虫板图像， 随后使用其内置的4G模块将照片传输到服务器端。智能性诱捕器如图2所示。具体的硬件包括：

1）工业相机： 选用海康威视制造的MV-CE200-10GC工业相机作为拍摄相机。该相机采用Sony的IMX183传感器， 拍摄时噪点低， 成像质量优异， 每天定时拍摄一幅图像后上传至服务器端。

2）面光源： 选取今视光电科技的开孔侧面导光源JS-CBL-290-200-K35作为拍摄光源。其输入电压为24 V， 输出最高功率可达16.8 W， 光照柔和且均匀， 有利于性诱害虫图像的采集。

3）粘虫板和性诱剂： 在粘虫板上放置烟草甲和烟草粉螟2种性诱剂， 散发的性信息素之间互不干扰能够引诱烟草粉斑螟和烟草甲成虫进入诱虫区域后， 被粘虫板上的粘胶捕获固定。

1.3 "图像采集与数据集建立

2022年1月－12月将2台烟草仓储害虫智能性诱捕器置于400 m2的烟草仓库中， 共采集含有烟草甲和烟草粉螟害虫（图3）图像共411幅， 每幅图像大小为2 560×1 440像素（图4）。使用LabelImg标注工具对这些训练图像进行害虫标定，将标注区域的分类信息和坐标信息保存在相应的XML文件中。按照8∶2的比例将烟草仓储性诱害虫数据集随机划分为训练集和测试集， 具体信息如表1所示。

1.4 "烟草仓储性诱害虫检测模型网络结构

YOLOX［26］是YOLO系列的一个版本，引入的CSP结构降低了计算和内存成本，在主干网络中引入横向连接，有助于捕捉多尺度特征，这对于小目标检测和密集目标检测等任务尤其有效。根据网络的宽度和深度划分为YOLOX-s、YOLOX-m、YOLOX-l和YOLOX-x。

当害虫发生高峰期或者粘板放置时间较长，害虫会出现粘连或部分遮挡，烟草粉螟颜色变淡等现象，且烟草甲虫体较小，本研究在YOLOX-l的基础上，提出了烟草仓储性诱害虫检测模型YOLOX-TP，如图5所示。YOLOX-TP模型由预测模块和检测

框抑制模块组成。首先，将输入图片分辨率调整为640×640像素，并经过CSPDarknet进行特征提取，获得3个有效特征层。在YOLOX的基础上引入了squeeze-and-excitation network注意力机制模块［23］，以提高网络的表示能力。然后，将处理后的3个有效特征层输入FPN进行上采样和下采样，以实现特征融合。通过YOLOHead对特征点进行判断，确定是否存在目标，并确定其对应的目标框类别和位置，生成目标检测框。通过类内、内间、阈值过滤等检测框抑制方法去除冗余检测框，最终得到图中烟草甲和烟草粉螟的数量，实现计数功能。

由于烟草仓储性诱害虫体型较小，每头害虫在图像中面积占比较小，较深的特征图很难学习到小目标的特征信息。为了提高小目标的检测效果，通过深入分析烟草仓储性诱害虫的特征和检测需求，对骨干网络进行了调整和改进，以更好地适应小目标害虫的检测。在YOLOX-TP中引入了FPN，通过添加多尺度的特征金字塔，增强了模型对不同尺寸目标的检测能力。通过对数据集进行分析，调整了Anchor大小，使其更好地匹配烟草仓储性诱害虫的尺寸分布，提高了检测的准确性。在YOLOX-TP中引入了SEnet注意力机制［23］，

如图6所示。SEnet通过学习各通道的权重，实现了对重要特征的选择性增强和对不重要特征的有效抑制，从而优化了特征表示，具体过程如下。输入特征图经过卷积层Ftr处理后，其尺寸变为c2×h×w，随后通过全局平均池化层Fsq将每个通道的空间信息压缩成单一数值，得到尺寸为c2×1×1的全局特征描述z，对于z中第c个通道的权重按照公式（1）计算。接着，通过前馈网络Fex，调整并生成权重参数W，用以衡量各通道的重要性，进而得到整个通道的重要性权重向量s，如公式（2）所示。最终，原始特征图与每个通道的权重s通过Fscale得到优化后的特征表示x～，对于x～中第c个通道的特征表示按照公式（3）计算。SEnet通过这种通道注意力机制，显著提升了网络对图像全局信息的理解能力，尤其是在小目标检测任务中，有效提高了模型的效率和泛化能力。

zc=Fsq（xc）=1h×w∑hi=1∑hi=1xc（i，j）（1）

s=Fex（z，W）=δ（g（z，W））=δ（w2ReL∪（w1，z））

（2）

x～c=Fscale（xc，sc）=sc·xc

（3）

其中，xc是输入特征图中的第c个通道，h和w分别是特征图的高度和宽度，z是通过全局平均池化得到的每个通道的描述符，表示每个通道的全局信息，w1和w2是前馈网络中全连接层的权重矩阵，ReLU是激活函数，δ是Sigmoid函数，用来将输出限制在［0，1］区间内，sc是通过Fex计算出的第c个通道权重，是经过加权后的第c个通道的特征表示。

1.5" 评价方法

为了客观地评价本文提出的烟草仓储性诱害虫识别模型的检测效果，使用精确率（precision， P）、召回率（recall， R）、F1作为评价指标。其中，精确率表示在

所有被分类为目标害虫的样本中，被正确识

别的害虫数量所占的比例， 召回率表示在所有目标害虫中， 被正确识别的害虫数量所占的比例。F1为二者的综合评价， 其计算公式如下：

P（k）=TP（k）TP（k）+FP（k）

（4）

R（k）=TP（k）TP（k）+FN（k）

（5）

F1（k）=2×P（k）×R（k）P（k）+R（k）

（6）

式中，TP（k）表示第k类害虫被正确识别的害虫数量， FP（k）表示干扰害虫被误判为第k类害虫的数量，FN（k）表示第k类害虫被识别为非k类害虫的数量。

1.6" 系统平台的搭建与部署

烟草仓储害虫性诱智能监测系统软件部分由服务器、Web端、性诱害虫识别模型组成。

1.6.1" 服务器端搭建

服务器主要功能包括接受并保存智能性诱捕器上传的性诱害虫图像、与Web端进行信息的交互、数据库信息的增删改查操作， 以及性诱害虫识别模型的调用。具体实现方式如图7所示。

烟草仓储害虫智能性诱捕器在采集图像后，将其上传至服务器，随后调用YOLOX-TP模型执行图像检测，检测结果以JSON格式返回，并在数据库中进行备份。在需要展示图像识别结果时，服务器从数据库中检索结果并将其返回。并通过HTTP协议完成Web端向服务器传输数据的过程。服务器端接受来自Web端的POST和GET请求，解析后将POST请求中的信息存储，从数据库中检索GET请求所需的数据并返回给Web端。系统采用Python编写，基于Django框架构建了算法服务端。采用了MySQL数据库来实现包括仓储性诱害虫图像、用户管理、模型识别、数据分析、设备管理以及历史识别结果。作为一种关系型数据库，MySQL的特性确保了系统能够满足实时性和可追溯性的需求。

1.6.2" 系统部署

模型与服务器端部署在具有Linux Ubuntu操作系统的服务器上。使用花生壳进行内网穿透，确保外部设备可以访问服务器，完成IP和端口号等配置，将主程序文件上传至服务器，以便进行后续的部署操作。在服务器环境中，进行了Django程序的部署、MySQL数据库的配置以及显卡驱动的安装等操作。服务器参数如表2所示。

2" 结果与分析

2.1" 模型检测结果与分析

使用相同数据集训练Faster-RCNN［24］，YOLOv4［25］，YOLOX-s、YOLOX-m、YOLOX-l和YOLOX-x［26］和改进模型YOLOX-TP，在同一个测试集上进行测试。

由表3可知，YOLOX-l和YOLOX-x有着相似的精确率，而YOLOX-x是YOLOX系列中最大的模型需要更多的计算资源，考虑到精度和速度之间的平衡，YOLOX-l对烟草仓储性诱害虫识别精确率和召回率最高，选择该网络结构进行害虫检测。

YOLOX-TP检测模型对目标害虫的精确率和召回率都优于其他模型，烟草甲与烟草粉螟的精确率分别为99.2%、98.74%，召回率分别为97.07%，97.17%。相较于改进前的YOLOX-1精确率提高了5.01，0.87百分点，召回率提高了10.81，0.89百分点。

图7展示了不同模型对一幅含有46头烟草甲和47头烟草粉螟的目标害虫检测结果图。从图中可以

看到，Faster-RCNN共检测出35头烟草甲和44头烟草粉螟，漏检11头烟草甲和3头烟草粉螟。YOLOv4共检测出37头烟草甲和45头烟草粉螟，漏检9头烟草甲和2头烟草粉螟。YOLOX-1共检

测出41头烟草甲和46头烟草粉螟，漏检5头烟草甲和1头烟草粉螟。YOLOX-TP共检测出45头烟

草甲和46头烟草粉螟，漏检1头烟草甲和1头烟草粉螟，主要是因为害虫严重粘连造成的。本文建立的烟草仓储性诱害虫自动识别模型YOLOX-TP能正确检测出绝大部分的烟草甲和烟草粉螟，准确反映出2种仓储害虫发生量的变化，可应用于烟草仓储性诱害虫的智能监测。

2.2" 系统平台展示

烟草仓储害虫性诱智能监测系统Web端主要包括用户登录、烟草仓储性诱害虫图像识别结果图、数据分析等功能。

2.2.1" 害虫检测结果图

用户可以通过平台选择地区及设备，查看一定时间范围内的烟草甲和烟草粉螟检测结果图，可以看到每日烟草甲和烟草粉螟的增加量，如图9所示。

2.2.2" 害虫数据分析

数据分析页面展示了用户选择的某一段时间内烟草甲和烟草粉螟每日诱集数折线图和表格，该功能不仅帮助用户更好地监测和防控烟草害虫，还具有害

虫预警系统。当害虫的周诱捕数量超过30头，预警

系统将自动通知用户，以便在虫情达到防治指标时，用户可以及时采取适当的措施，从而实现及时的害虫管理决策，改善烟草仓储害虫的控制工作。

3" 结论

为了实现对烟草仓储害虫烟草甲和烟草粉螟的智能实时监测，利用机器视觉、物联网和深度学习技术进行害虫图像采集与模型识别与计数，并建立了烟草仓储害虫性诱智能监测系统。该系统由基于机器视觉的智能性诱捕器、性诱害虫识别模型、服务器和Web端系统平台组成。

针对烟草仓储害虫目标样本小且存在粘连遮挡问题，建立了YOLOX-TP模型，在YOLOX基础上融入了SEnet通道注意力机制。提高了对烟草甲这一小目标的识别效果。与Faster-RCNN、YOLOv4、YOLOX-l检测模型比较，改进的YOLOX-TP模型对烟草甲和烟草粉螟的识别精确率分别达99.20%、98.74%，召回率分别达97.07%，97.17%。

烟草仓储害虫性诱智能监测系统可及时准确地提供烟草甲和烟草粉螟的每日发生量，烟草仓储管理者可以根据数据及时采取害虫防治措施，从而提高烟草产品的质量。本研究也可为其他仓储害虫实时在线监测提供技术参考。

参考文献

［1］" 邱睿， 王海涛， 李成军， 等. 烟草病虫害绿色防控技术研究进展［J］. 河南农业科学， 2016， 45（11）： 813.

［2］" 李华. 烟叶仓储害虫的发生与防治现状［J］. 耕作与栽培， 2009， 29（6）： 34.

［3］" 马显滔， 陈明， 刘亚琴， 等. 非密闭烟叶仓库烟草粉螟不同防治方法的防效［J］. 农技服务， 2023， 40（9）： 5559.

［4］" 葛文杰， 赵春江. 农业物联网研究与应用现状及发展对策研究［J］.农业机械学报， 2014， 45（7）： 222230.

［5］" CHOWDHURY R， RAHMAN C， PREETOM S， et al. Identification and recognition of rice diseases and pests using convolutional neural networks ［J］. Biosystems Engineering， 2020， 194（6）： 112120.

［6］" DEVARE J， HAJARE N. A survey on ioT based agricultural crop growth monitoring and quality control ［C］∥International conference on communication and electronics systems （ICCES）， 2019： 16241630.

［7］" JIANG Honghua， ZHANG Chuanyin， QIAO Yongliang， et al. CNN feature based graph convolutional network for weed and crop recognition in smart farming ［J］. Computers and Electronics in Agriculture， 2020， 174： 16891699.

［8］" LIU Yang， LIU Shuangqing， LIANG Yanpo， et al. Population dynamics of main tobacco pests in the field and management suggestions ［J］. International Journal of Pest Management， 2020， 66（1）： 4447.

［9］" 李石力， 李志伟， 何孝兵， 等. 烟草夜蛾科类害虫发生特点和防治技术［J］. 植物医生， 2015， 28（6）： 4243.

［10］彭孟祥， 王建文， 李建勇， 等. 烟草主要虫害防治措施研究进展［J］. 现代农业科技， 2019 （9）： 112114.

［11］李朝晖， 许侨， 蔡京伟， 等. 烟草甲的防治研究进展［J］. 江苏农业科学， 2021， 49（7）： 3343.

［12］许子彬， 薛敏， 莫菊， 等. 仓储粮害虫防治研究进展［J］. 粮食科技与经济， 2021， 46（6）： 7275.

［13］曾涛， 宗钊辉， 陈桢禄， 等. 烟草害虫绿色防控技术研究进展［J］. 安徽农业科学， 2022， 50（1）： 1517.

［14］徐庆， 董凌峰， 鲜明， 等. 基于视觉识别技术的烟草虫害监控系统设计［J］. 中国新技术新产品， 2023， 3（13）： 1317.

［15］吕建华， 马丹， 苏新宏， 等. 三种非化学防治方法对烟草甲的控制作用［J］. 中国烟草科学， 2016， 37（5）： 4750.

［16］伍长春， 黄萍， 薛卓联， 等. 磷化铝、溴甲烷熏蒸处理和热处理对陈皮仓储害虫的杀灭效果［J］. 生物灾害科学， 2017， 40（4）： 280283.

［17］钟维. 基于改进ORB算法对烟草虫害图像配准技术的研究［D］. 长沙： 湖南师范大学， 2015.

［18］周继来. 基于AI图像识别的烟草制品虫情监测系统的设计与实现［J］. 电子技术与软件工程， 2020， 9（17）： 154155.

［19］孙艘. 烟草虫情图像采集与监测系统研究［D］. 武汉： 华中科技大学， 2017.

［20］杨光露， 李春松， 李愿军， 等. 基于CenterNet模型的烟草甲虫视觉检测方法设计［J］. 中国烟草学报， 2022， 28（6）： 7784.

［21］张宝， 胡伟， 陈禹伶， 等. 基于卷积神经网络的烟草甲虫智能监测系统设计［J］. 制造业自动化， 2022， 44（10）： 1520.

［22］臧云. 烯虫酯和LED灯对烟草甲和烟草粉螟的控制效果及其机理研究［D］. 北京： 中国农业科学院， 2021.

［23］HU Jie， SHEN Li， SUN Gang， et al. Squeeze-and-excitation networks ［J］. SAO/NASA Astrophysics Data System， 2017， 9（12）： 15071519.

［24］WANG Ru， JIAO Lin， XIE Chengjun， et al. S-RPN： Sampling-balanced region proposal network for small crop pest detection ［J］. Computers and Electronics in Agriculture， 2021， 187： 106290106312.

［25］ZHU Qinfeng， ZHENG Huifen， WANG Yuebing， t al. Study on the evaluation method of sound phase cloud maps based on an improved YOLOv4 algorithm ［J］. Sensors， 2020， 20（15）： 43134330.

［26］ZHENG Ge， LIU Songtao， WANG Feng， et al. YOLOX： Exceeding YOLO series in 2021 ［EB/OL］. （20210806） ［20240130］. https：∥ui.adsabs.harvard.edu/abs/2021arXiv210708430G.

（责任编辑：杨明丽）