面向无人机前端轻量级应用的输电线路鸟巢智能检测.pdf

利用鸟巢颜色单一的特点，提出一种将YOLOX与颜色空间相结合的鸟巢检测方法，以提高巡检无人机在复杂输电线路背景下对鸟巢检测的准确率.在前端设备JetsonXavierNX里，采用经过模型调优的YOLOX目标检测网络对鸟巢图像进行检测并截取区域子图；根据颜色空间分布过滤非鸟巢区域，实现鸟巢的精筛.实验结果表明，采用上述方法对测试集中的鸟巢图像进行检测，准确率可达97.2 0%.关键词：鸟巢检测；电力巡检；深度学习；颜色空间；无人机中图分类号：TM75；T P18 3Bird s nest intelligent detection on transmission lines forunmanned aerial vehicle front-end lightweight applicationCHEN Jie,ZHU Shikun,SUN Qiang,LIN Caide,JIANG Hao(1.Zhangzhou Power Supply Company,State Grid Fujian Electric Power Co.,Ltd.,Zhangzhou,Fujian 363020,China;2.Pinghe County Power Supply Company,State Grid Fujian Electric Power Co.,Ltd.,Zhangzhou,Fujian 363799,China;3.College of Electrical Engineering and Automation,Fuzhou University,Fuzhou,Fujian 350108,China)Abstract:In order to improve the detection accuracy of bird s nest for unmanned aerial vehicle incomplex transmission line backgrounds,a bird nest detection method is proposed which combinesYOLOX with color space based on the characteristic of single color of bird nests.In the front-end deviceJetson Xavier NX,a YOLOX object detection network that has been fine-tuned and trained is used todetect and crop sub-images of birds nest images.The non-nest regions are filtered according to the col-or space distribution to achieve the fine screening of bird nests.The experimental results show that thedetection of bird nest images in the test set using the above method can reach an accuracy of 97.20%.Keywords:birds nest detection;power patrol;deep learning;color space;unmanned aerial vehicle0引言鸟类在输电线路上筑巢有可能导致电力系统故障跳闸，严重情况下会造成不可挽回的经济损失1。此外，鸟粪的下坠会导致高压线两端电场畸变，容易发生空气间隙击穿放电2 ，直接影响电网的稳定运行.但是，目前鸟巢的检测主要还是依靠人工辨识，这种方式工作效率和可靠性低下.国家电网大力提倡智能化电网，开发一种高效智能的输电线路鸟巢检测方法尤为重要.因此，如何利用鸟巢图像特点，提升鸟巢检测精度，成为研究的重点.近年来，国内外学者针对输电线路鸟巢检测展开大量研究.徐晶等3 利用鸟巢的形状和纹理特征，对鸟巢区域进行特征匹配，但是对图像的特征复用并不全面，检测可靠性较低.黄仁超等4 使用阈值分割结合模板匹配的方法从输电线路图像中分割出鸟巢区域，但在复杂背景中存在无法准确分割出鸟巢的问题.传统检测方式效果不够理想，机器学习融人传统检测方式可以提高鸟巢特征的复用率.张义莲等5 利用收稿日期：2 0 2 2-0 5-0 5通信作者：陈杰（197 9-），工程师，主要从事输电管理中智能巡检方面的研究，4518 7 1435 基金项目：福建省高校产学研合作资助项目（2 0 19H600）；国网福建省电力有限公司科技资助项目（52 1350 2 10 0 34）文献标识码：A540粗-精搜索策略结合Adaboost机器学习方法对特征进行学习，鸟巢检测的准确率有所提升.师飘6 也通过基于Haar和LBP特征训练的Adaboost分类器，对鸟巢特征分类学习.许烁7 则在此基础上再加人OTSU阈值分割，能更精确地提取鸟巢特征在传统算法的基础上，融人机器学习的鸟巢检测方法性能虽有所提升，但准确率依然不够理想.深度学习在图像目标识别领域发展迅猛，诸如 R-CNN8、SPP-NET 9、Fa s t e r R-CNN10 、SSD 1、YOLOv312等目标检测算法日趋成熟，被许多研究人员运用在鸟巢检测方面，并取得一定成果.王万国等13 利用Faster-RCNN目标检测卷积网络同时实现多类部件和缺陷故障识别，检测准确率和效率有极大的提升.金炜东等14 则提出DDGANs，在很大程度上缓解鸟巢数据样本不平衡的问题.YOLOx15是YOLO系列最新的改进算法，在YOLOv3的基础上采用解耦头、无锚点、数据增强进一步提高目标检测的准确率.虽然输电线路中鸟巢的检测在上述研究中已取得较大进展，基于深度学习的鸟巢检测方法可提取大量的鸟巢图像轮廓、纹理、明暗、色彩等特征，但是单独使用深度学习进行目标检测，无法充分利用鸟巢色彩单一这个重要特征.此外，上述研究并未考虑到模型的实际应用，仅聚焦模型精度的提升，而忽略模型资源的占用.针对上述问题，本研究提出一种结合YOLOX算法与颜色空间检测的检测方法（YOLOXcombinedwithcolor space detection，YO LO X-CSD），并且将训练出的模型部署在前端设备JetsonXavier NX上，实时检测巡检图像上的鸟巢区域.1基于无人机巡检的巢检测方法1.1 YOLOX-CSD鸟巢检测算法YOLOX-CSD检测原理如图1所示.为提高无人机（unmanned aerialvehicle，U A V）巡检图像中鸟巢的检测准确率，进行如下操作.首先，在YOLOX目标检测网络的基础上，进一步对鸟巢数据集进行微调，即利用已经在公共数据上表现良好的卷积神经网络模型，替换其输出层，并使用新的数据对其进行微调；其次，采用经过模型微调的YOLOX目标检测网络，对无人机巡检鸟巢图像进行初步检测；最后，根据鸟巢预测框信息从原无人机巡检图像中截取相应的鸟巢检测区域，并经过基于颜色空间的鸟巢筛选器，对非鸟巢区域进行过滤，完成无人机巡检图像中鸟巢的检测.正样本鸟巢子图鸟巢测试集鸟巢检测模型福州大学学报（自然科学版）负样本第51卷鸟巢感兴趣样本正样本HSV颜色筛选器YOLOX目标检测模型解耦头鸟巢训练集模型微调数据增强CSPNet回归结果图1巡检鸟巢图像检测原理Fig.1 Principle of birds nest detection for inspection images1.1.1YOLOX目标检测模型YOLOX目标检测网络结构如图2 所示.首先，采用空间金字塔池化，解决网络深度加深引起的梯度消失问题和梯度爆炸引起的目标识别准确率降低问题；其次，采用特征图金字塔网络和路径聚集网络进http:/第4期行特征融合，将低层的细节信息和高层的语义信息融合，使得模型提取的信息更加丰富；最后，采用无锚框的解耦头检测方式替换原来基于锚框的检测方式，逐像素直接预测目标的高、宽和左上角横、纵坐标这4个参数，以降低模型的计算量，进一步使模型的推理达到实时、高精度的要求.CSPDarknetInputs(416,416,3)Focus(208,208,12)Conv2D_BN_SiLU(208,208,48)Conv2D_BN_SiLU(104,104,48)CspLayer(104,104,48)Conv2D_BN_SiLU(52,52,96)CspLayer(52,52,96)Conv2DBN_SiLU(26,26,192)CspLayer(26,26,192)Conv2D_BN_SiLU(13,13,384)SPPBottleneck(13,13,384)CspLayer(13,13,384)陈杰，等：面向无人机前端轻量级应用的输电线路鸟巢智能检测ClsConvRegConvConvConcat+CSPLayerUpSampling2DConv2DConcat+CSPLayerUpSampling2DConv2D541YoloHeadConvConvDownSamplingConcat+CSPLayerDownSamplingConcat+CSPLayerObjYoloHeadYoloHeadYoloHead图2 YOLOX网络结构Fig.2YOLOX network structure采用马赛克数据增强和混合数据增强丰富检测背景、增强小目标的检测，并在训练的最后15个训练轮次停止增强，防止数据增强过度.针对无人机巡检图像，马赛克数据增强和混合数据增强的强度选择会对模型准确率(P)造成影响.本研究具体采用如下的数据增强方法：1）马赛克数据增强是一种通过随机缩放、裁剪和排列将4张图片拼接在同一张图片中的技术.这种方法不仅可以丰富图像的背景，增强小目标的检测效果，而且还能在一次性计算4张图片的数据时，变相增加训练样本数量，从而降低图形处理器的负荷.无人机巡检输电线路时，会在一定距离范围内拍摄线路部件，因此拍摄到的鸟巢在图像中的占比不会发生很大的波动.故在马赛克数据增强时，减小其缩放的尺度范围，可以提高模型的检测性能.2）混合数据增强将两个样本图片加权融合后生成新的数据样本，鸟巢在巡检图像上的占比相对稳定，因此混合数据增强无需进行尺度缩放.本研究所用混合数据增强算法的常数透明度为0.5，在丰富数据背景的同时对数据增加扰动，降低数据的敏感度，提升模型的泛化能力.1.1.2鸟巢HSV颜色筛选器鸟巢HSV颜色筛选器的工作流程如图3所示.首先，将鸟巢候选区域的颜色空间转换为HSV空间，因为该颜色空间采用色调（H）、饱和度（S)和明度（V)3个参数来描述颜色，更符合人眼的视觉特征且易于数字化处理.然后，将电力巡检鸟巢图像候选区域中的HSV色彩分量中的H、S、V 分量分别归化到0180、0 2 40、0 2 40，并以2 0 为单位分割子区间进行颜色区间分割.将H分量划分为9个子区间，S分量和V分量各划分为12 个子区间；接着，根据HSV色彩量化子区间，将图像分割为12 9 6 张HSV子图，分析鸟巢分布的颜色空间.在实际测试过程中，排除V处于0 40 区间时图像呈现纯黑色的情况，和S处于0 2 0 或V处于18 0 2 2 0 区间时图像呈现纯白色的情况.通过对电力巡检鸟巢图像的收集和分析，发现鸟巢的HSV颜色空间H、S、V分别集中落在10 0 12 0、0 8 0、40 2 0 0 区间内.最后，将该区间的像素提取出来，得到目标鸟巢候选图.通过对电力巡检鸟巢图像进行收集分析，发现电力巡检鸟巢图像中鸟巢的HSV颜色空间H、S、V 分别集中落在10 0 12 0、0 8 0、40 2 0 0 区间内.http:/542福州大学学报（自然科学版）第51卷RGBHSV鸟巢候选图颜色区间分割鸟巢判断器筛选鸟巢子图目标鸟巢候选图1296张子图图3鸟巢候选图像筛选流程图Fig.3 Bird s nest candidate image screening flow chart1.2基于无人机巡检实时检测鸟巢缺陷首先，采用OcuSync2.0图传、TCP传输协议分别完成大疆御2 无人机与大疆御2 遥控器的数据通讯、大疆遥控器与JetsonXavierNX的数据通讯，无人机以30 顿s的速度采集视频流，并将其实时传输到前端设备JetsonXavierNX设备上，随后将检测结果和控制命令实时传回到无人机上，如图4所示.其次，前端设备JetsonXavierNX上的模型每秒必须检测30 帧的视频画面，即必须保证JetsonXavierNX上的模型单帧推理时间在33.33ms以内.OcuSync2.0图传视频流数据无人机控制大疆御2 无人机图4无人机巡检实时检测的通信关系Fig.4 Communication relationship of UAV patrol real-time detection不同的网络深度结构会导致模型推理速度的差异.当网络结构部署在计算资源有限的JetsonXavierNX前端设备上时，这种差异会更加明显.表1为JetsonXavierNX上不同推理框架的推理时间.如表1所示，未进行TensorRT加速，利用Pytorch直接推理，即便是推理时间最短的YOLOX-nano模型也无法满足单帧推理时间小于33.33ms的要求.利用TensorRT推理引擎加速，网络模型的推理效率得到显著提升.与不同深度的网络模型YOLOX-s、YO LO X-x 相比，YOLOX-nano模型在TensorRT推理引擎下的推理速度提升最为明显，该模型利用Python语言调用TensorRT推理引擎加速，推理时间由8 0.2 1ms缩短至18.2 1ms，推理速度提升4.4倍，利用C+语言调用TensorRT推理引擎，模型的推理时间进一步缩短至10.95ms.Tab.1Inference time of different frameworks on Jetson Xavier NX网络模型YOLOX-nanoYOLOX-sYOLOX-XTCP协议传输视频流数据实时检测结果大疆御2 遥控器表1JetsonXavierNX上不同推理框架的推理时间t推理/msPytorchTensorRT(Python)80.2118.2184.4023.38600.25JetsonXavierNXTensorRT(C+)10.9526.78http:/第4期1.3鸟巢检测结果的评价方法无人机巡检鸟巢图像经预处理和鸟巢目标检测之后，需要对鸟巢区域的检测结果进行评价.本研究结合两种衡量指标来评价鸟巢图像的检测结果，分别为基于YOLOX的和基于HSV颜色空间的鸟巢检测衡量指标.1.3.1基于YOLOX的鸟巢检测衡量指标基于YOLOX的无人机巡检图像鸟巢检测算法衡量指标以边界框重合程度和类别判断为标准.交并比（I o U)用于表示真实框与预测框的重叠程度.设定IoU的阈值，若预测框与真实框之间的IoU大于阈值，则表示预测框位置正确.设置置信度（C）的阈值，若预测框的置信度大于该阈值，则表示检测到正样本，若小于该阈值，则表示检测到负样本（即背景）.利用IoU对无人机巡检鸟巢图像目标检测结果进行计算，并计算鸟巢预测框结果的置信度.其中，边框的置信度与IoU的计算公式分别为(1)A(B n T)IoU=A(B U T)式中：Iobj表示鸟巢中心位置是否在预测框内，是则为1，否则为0；B表示预测框；T表示真实框；A(BT)表示预测框和真实框的交集面积；A(BUT)表示预测框和真实框的并集面积.1.3.2基于HSV颜色空间的鸟巢检测衡量指标无人机巡检图像在YOLOX检测后进行颜色空间筛选，鸟巢候选图像的衡量指标为像素饱满度.经过HSV颜色空间筛选器后，可以对YOLOX检测出来的鸟巢区域再次进行确认，确保鸟巢能够被准确地检测出来.正常鸟巢候选图像区域具有鸟巢占据候选图像的中心区域、鸟巢大小在候选图像中的占比大于10%、鸟巢区域HSV分量处于一定范围的特征.鸟巢候选图像的像素饱满度表示鸟巢候选区域中符合鸟巢HSV颜色特征的鸟巢像素点占鸟巢候选图像的比例，用以对鸟巢检测结果的质量进行评价.本研究用像素比例（R)来表示鸟巢候选区域的筛选结果，其计算公式为(3)wxh式中：N表示每一个通过H、S和V分量检测的像素点总和；w和h分别表示电力巡检鸟巢图像候选区域的宽度和高度.1.3.3巢图像数据集检测结果评价鸟巢检测的结果有如下4类：1）真阳性（true positve，T P）表示将正类预测为正类；2）真阴性（truenegative，T N）表示将负类预测为负类；3）假阳性（false positve，FP）表示将负类预测为正类，也叫误检率；4）假阴性（false negative，FN）表示将正类预测为负类，也叫漏检率.鸟巢检测的4类结果TP、FP、T N、FN成立时分别满足(4)TNSSTIoU IoUrFNV S Sr IoU IoU R Rr其中：Sr、Io U r、R 分别表示相应衡量指标所设定的阈值。鸟巢图像检测方法的综合评价，以鸟巢图像检测准确率（P）、召回率（R召回）和F值为标准.F值作为准确率和召回率的调和值，用于综合评价分类或检测的效果.上述指标的计算公式为(5)nTp+npnTPR召回nTp+nFNhttp:/陈杰，等：面向无人机前端轻量级应用的输电线路鸟巢智能检测TPS St IoU IoUr R RsFPSSTIoU IoUrRRTRRTnTPP=543C=Iobi;IoU(2)NR=(6)544式中：nrp、n p 和nr分别表示检测结果中TP、FP、FN的数量.通过式（5）（7)计算，可得到鸟巢检测效果的综合评价指标，2实验结果与分析2.1实验环境与数据对无人机巡检鸟巢图像数据集进行预处理，结合YOLOX目标检测网络进行电力巡检图像中鸟巢的检测，最后运用OpenCV图像处理工具构建颜色空间区域筛选器，对检测出的鸟巢矩形区域进行筛选。训练实验计算平台的软硬件配置如下：系统为Windows 10、核心处理器为12 核的IntelCorei9-7920X2.90GHz、图形处理器为NVIDIAGeForceGTX1080Ti.推理实验计算平台软硬件配置如下：边缘计算设备为JetsonXavierNX、系统为Ubuntu18.04、CU D A 版本为10.2、cuDNN版本为8.0、TensorRT版本为 7.1.3.实验数据包含118 3张经过人工标注的用于训练与测试鸟巢目标检测模型的电力巡检航拍鸟巢图像.根据一定比例将所有经过标注的鸟巢图像分为8 2 5张鸟巢训练集、146 张鸟巢验证集和2 12 张测试集.实验鸟巢数据集包含天空、城市、农田和黄土等多样复杂的背景在城市背景下，鸟巢图像易受到建筑的干扰，造成误检；在农田背景下，鸟巢易受到反光和拍摄角度的影响，其轮廓出现模糊现象，且由于电力杆塔其他部件的遮挡，鸟巢的检测难度增加；在黄土背景下，鸟巢颜色容易与背景混淆，使检测难度增加.同时，为应对室外环境下多样天气和明暗程度对模型的影响，实验鸟巢训练数据集会采集不同天气、不同时辰光线明暗不一的图像，以提高模型的泛化能力.2.2鸟巢检测结果与分析本研究提出的鸟巢检测方法，主要包含两个部分：1）电力巡检图像中的鸟巢目标检测；2）鸟巢候选区域图像中的目标区域筛选.2.2.1不同深度网络的鸟巢检测结果为了找到最优的鸟巢检测模型，本研究考虑不同深度的网络模型，并综合比较它们的准确率和召回率.选择YOLOX-nano、YO LO X-s 和YOLOX-x这3种模型进行鸟巢检测结果的对比分析，所有用于训练、验证的鸟巢图像均相同，将训练与检测置信度阈值均设定为0.5，IoU值均设定为0.7.如表2 所示，YOLOX-nano的召回率、准确率和F值均为95.8 5%，在性能有限的前端设备JetsonXavierNX上，YOLOX-nano检测模型可兼顾检测的精度和速度.故在JetsonXavierNX上选用YOLOX-nano作为鸟巢检测模型.2.2.2鸟巢目标检测模型训练过程预加载经过COCO数据集训练的权重，采用本研究所述鸟巢数据集对网络进行微调训练.在训练配置方面，将批次大小设置为16，训练轮次设置为30 0，学习率设置为0.0 1/6 4，输入图像尺寸设置为416px416px，非极大值抑制阈值设置为0.6 5，关闭混合数据增强，并且将马赛克的尺度由0.1 2.0 调整为0.5 1.5，在最后15个训练轮次关闭马赛克数据增强.鸟巢模型训练的损失随着训练步数变化的曲线如图5所示.随着鸟巢模型不断训练，交叉熵损失、置信度损失逐步下降，最终在一个稳定的值附近波动.在最后的15个训练轮次关闭数据增强，鸟巢的检测难度降低，交叉熵损失、置信度损失进一步降低.准确率随着训练轮次变化的曲线如图6 所示.模型的准确率随着训练轮次逐渐上升，最终在一个值附近波动并逐渐趋于稳定.在最后15个训练轮次关闭数据增福州大学学报（自然科学版）2F=1/P+1/R召回表2：不同特征提取网络鸟巢分类结果Tab.2Classification results of differentfeature extraction networks网络模型R召回YOLOX-nano95.85YOLOX-s94.93YOLOX-x96.31http:/第51卷(7)(%)PF95.8595.8588.0391.3596.3196.31第4期强，鸟巢的检测难度降低，准确率进一步上升：上述结果表面，模型训练已达到收敛状态，可以稳定检测出输电线路上的鸟巢.864202.2.3鸟巢HSV筛选分析输电线路巡检时，在不同时段、不同背景下的鸟巢图像颜色、亮度等特征跨度较大.仅依靠YOLOX目标检测网络提取鸟巢图像特征来检测鸟巢，对于直观意义上的非鸟巢物体，存在一定的误检.通过鸟巢HSV颜色空间筛选器，可以过滤掉非鸟巢的候选区域图，如图7 所示.陈杰，等：面向无人机前端轻量级应用的输电线路鸟巢智能检测交叉滴损失一置信度损失12训练步数/10 3图5损失的变化曲线Fig.5Change curve of losses54510080604020034IoU0.500.500.95560图6 平均准确率的变化曲线Fig.6Change curve of average accuracy50100训练轮次15020250300图7 HSV颜色空间方法过滤掉的鸟巢候选区域图Fig.7Candidate region image of birds nest filtered by HSV color space method利用YOLOX-CSD，通过HSV颜色空间筛选器对鸟巢候选区域进行筛选，可以在不改变显著鸟巢样本检测结果的情况下，过滤掉部分候选区域非鸟巢的图像，提高鸟巢的检测准确率.2.3鸟巢检测结果分析为了验证YOLOX-CSD鸟巢检测方法的优越性，将2 12 张测试集中共2 17 个鸟巢目标的图像用于实http:/ 546验.在实验中，分别设定IoU、S和R的阈值为0.5、0.8 和0.1.在鸟巢数据测试集和阈值相同的情况下，利用不同的鸟巢检测方法进行对比实验，结果列于表3.由表3可知，相较于利用传统特征进行直接筛选的HSV算法，YOLOX目标检测算法在检测精度上有显著提升，其准确率由39.2 7%提升至95.85%.YOLOX-CSD可以在目标检测算法的基础上进一步将准确率提升至9 7.2 0%，并且不会降低目标检测的召回率，加强目标检测算法对色彩空间的鲁棒性.3结语提出一种无人机电力巡检图像的鸟巢检测方法，将深度卷积神经网络与颜色空间相结合，汲取卷积神经网络高层图像特征的学习能力与传统颜色空间的色彩特征表达能力，利用颜色空间弥补卷积神经网络对鸟巢目标的色彩特征鲁棒性较高这一特点，进一步提升鸟巢的检测结果.该方法在测试集上的准确率为97.2 0%、F值为96.52%，其准确率与单一的卷积神经网络方法相比有所提升，能够有效检测电力巡检图像中的鸟巢，对电力自主巡检具有一定的参考价值.参考文献：1】巢亚锋，徐志强，岳一石.湖南输电线路鸟害故障特征分析及防范措施J.高电压技术，2 0 16，42（12）：38 53-38 6 0.【2 杨庆，董岳，司马文霞.鸟粪导致交流输电线路塔窗-导线空气间隙放电的特性研究J.高电压技术，2 0 14，40(1)：55-6 0.3】徐晶，韩军，童志刚.一种无人机图像的铁塔上鸟巢检测方法J.计算机工程与应用，2 0 17，53（6：2 31-2 35.4】黄仁超.基于无人机图像的输电线杆塔上的鸟巢识别技术D.广州：广东工业大学，2 0 18.5张义莲，陈咏.基于粗-精搜索策略的电线塔鸟巢检测J.信息技术，2 0 17(3）：10 4-10 9.6】师飘.输电线路上鸟巢的检测算法研究D.北京：北京交通大学，2 0 17.7 许烁.基于双目视觉的电力杆塔鸟巢检测D.哈尔滨：东北农业大学，2 0 18.8 KRIZHEVSKY A,SUTSKEVER I,HINTON G.ImageNet classification with deep convolutional neural networksJ.Advancesin Neural Information Processing Systems,2012,25(2):1097-1105.9 HE K,ZHANG X,REN S.Spatial pyramid pooling in deep convolutional networks for visual recognitionJ.IEEE Transactionson Pattern Analysis and Machine Intelligences,2014,37(9):1904-1916.10 REN S,HE K M,GIRSHICK R,et al.Faster RCNN:towards real-time object detection with region proposal networks J.IEEE Transactions on Pattern Analysis and Machine Intelligences,2015,39(6):1137-1149.11 LIU W,ANGUELOV D,ERHAN D,et al.SSD:single shot multibox detectorC/European Conference on ComputerVision.Amsterdam:Springer,2016:21-37.12 REDMON J,FARHADI A.YOLOv3:an incremental improvement C/Proceedings of the 2018 IEEE Conference onComputer Vision and Pattern Recognition.Piscataway:IEEE,2018:89-95.13 WANG W,TIAN B,LIU Y,et al.Study on the electrical devices detection in UAV images based on region based convolutionalneural networksJ.Journal of Geo-Information Science,2017,19(2):256-263.14金炜东，杨沛，唐鹏.双判别器生成对抗网络及其在接触网鸟巢检测与半监督学习中的应用J中国科学：信息科学,2 0 18,48(7)：8 8 8-9 0 2.15 GE Z,LIU S,WANG F,et al.YOLOX:exceeding YOLO series in 2021EB/OL.(2021-08-06)2022-05-05.https:/arxiv.0rg/abs/2107.08430.福州大学学报（自然科学版）表3不同鸟巢检测方法的测试结果Tab.3TTesting results of different birdsnest detection methods(%)检测方法PHSV39.27YOLOX95.85YOLOX-CSD97.20第51卷R间F36.1037.6095.8595.8595.8596.52（责任编辑：樊华）http:/