摘要：针对传统机车轮对踏面缺陷检测方法难以准确、快速、有效地检测出踏面缺陷的问题,文章提出了一种基于YO⁃LOv5算法的两阶段目标检测模型。首先,对yolov5检测网络采用Ghost进行轻量化设计,并引入注意力机制以强化重要特征的表达能力,从而提高模型的检测速度,降低模型复杂度。同时,精简踏面提取特征融合网络结构,改进原始先验框以适配数据集。实验结果表明:在踏面提取阶段,算法仅损失0.26%精度的基础上,检测速度提高了43.4%;在缺陷检测阶段,检测精度提高了1.72%,检测速度提高了30.4%。改进后的模型算法复杂度显著降低,具有一定的工程应用价值。

摘要：小目标由于可用特征少、纹理模糊等因素,一直是目标检测领域中的一个难点。针对无人机小目标检测中的误检与漏检问题,提出了一种无人机小目标检测算法LASD-yolov5。设计了一种极化自注意力机制,以更准确地提取微小特征;引入加权双向特征金字塔网络,替换路径聚合网络,以加强对底层特征的利用,对检测头进行解耦,以提高模型的收敛速度。同时,针对当前无人机小目标数据集中小目标占比少与场景不全面的问题,贡献了一个多场景低慢小无人机目标数据集LASD-D。结果表明,所提算法在LASDD数据集上的平均精度为98.29%,相比原网络提升了2.87%,同时也优于yolov7, yolov8与QueryDet等主流算法,完全满足无人机小目标检测领域的需求。

摘要：基于yolov5的目标检测算法,致力于解决战场通信侦察对抗系统中复杂通信信号识别问题。随着通信信号体制的快速发展,非合作接收条件下的通信信号检测、调制识别及信号辐射源个体识别变得更加困难。针对此类问题,提出了信号高阶图谱分析和深度神经网络的多信道信号样式识别方法,解决了当辐射源为N个时,对AM-SSB-SC、AM-DSB-SC、FM、GMSK 4种调制信号的快速识别问题。首先,利用信号高阶谱分析将4种调制信号变换为信号高阶谱图,再将标注后的图片输入到yolov5神经网络模型中进行深度学习;然后,通过优化yolov5网络结构,使其能并行处理N幅图片;最后将训练好的网络嵌入到软件无线电系统中进行测试,对辐射源产生的调制信号进行识别分类。完成了4种调制信号的快速识别系统设计,实现了非合作接受条件下多信道信号样式的检测和识别。

摘要：为实现贴片电感表面缺陷的快速精准检测,突破目前贴片电感表面缺陷检测速度慢、准确率低的技术难题,在yolov5算法基础上,引入SE注意力模块和双向特征融合网络(BiFPN)模型,提出基于注意力机制的特征提取网络结构,分别对不同特征通道赋予相应权重信息,使其在特征融合中能够快速传递,进一步提高了贴片电感表面缺陷模型的检测精度;考虑提取网络时无法高效检测出贴片电感的缺陷类型,设计出基于加权双向特征金字塔结构,增强了模型对不同尺度特征信息的表达能力;利用贴片电感表面缺陷检测数据集完成了SE注意力机制和BiFPN网络的消融实验以及目标检测算法的对比实验。结果表明,提出的改进模型平均准确率均值(mAP)达到97.12%较原yolov5算法提升了5.87%,检测速度达到40.47FPS,能够满足贴片电感表面缺陷检测的实时性和准确性要求。

摘要：本文针对智能交通系统的车辆识别问题,对基线网络yolov5进行了重新设计,提出了一种基于改进的yolov5算法的车辆检测方法,并在UA-DETRAC数据集上进行了相关实验,该方法旨在利用改进后的yolov5算法对视频中每一帧的图像进行特征提取,利用提取到的特征信息,提升车辆目标检测速度及准确率。

摘要：基于yolov5的光伏组件EL照片缺陷检测报告系统,利用yolov5的图像识别能力对光伏组件的EL照片进行缺陷检测,并自动生成检测报告。文章详细介绍系统的设计、实现、测试和优化过程,并探讨系统的实际应用和发展前景。通过该系统,用户可以快速准确地检测光伏组件EL照片中的缺陷,提高光伏组件质量控制的效率和精度。未来,该系统可以进一步扩展应用于其他领域的瑕疵检测,具有广阔的发展前景。

摘要：为了解决安全反光背心传统检测方法效率低下的问题,文章提出了一种基于改进yolov5的安全反光背心检测方法。该方法采用GhostNet对主干网络进行轻量化改进,同时引入CBAM注意力模块以提高检测精度,最后应用Python的PySide6库搭建GUI界面并进行交互设计。通过开发检测系统实现了安全反光背心的穿戴检测和检测结果展示。实验结果表明:提出的优化模型mAP@0.5值达到89.02%,具有较高的检测精度。与原yolov5模型相比,参数量和计算量分别下降24.8%和56.3%,显著降低了检测模型的计算资源需求,适合嵌入式平台部署检测,从而提高了该模型的实用性。研究为安全反光背心检测提供了智能方法,同时为施工安全管理数字化提供了新的思路。

摘要：针对电厂高空作业人员安全带佩戴检测问题,现有研究大多利用深度检测模型直接检测,不仅需要大量样本训练模型,而且由于高空作业背景杂乱、人员目标小,导致不易检测等。为此,提出一种基于目标检测和少样本细粒度分类的两阶段检测方法:首先利用yolov5检测视频图像中的高空作业人员,再用少样本细粒度分类方法识别其是否佩戴安全带。针对佩戴和不佩戴安全带人员的细微差别,设计了一种基于局部描述符的少样本度量学习模型,在公用数据集预训练模型基础上,利用少量训练样本对模型微调,用于安全带佩戴识别。实验结果表明,在支持集图像数为60时,识别精度达到了97.86%。所提方法可实现少样本情况下对高空作业人员安全带佩戴情况的精确检测。

摘要：为了提升无人机安全飞行性,提升线路运维能力,基于yolov5深度学习算法,提出了一种无人机单目测距方法,用于实现一种精确的辅助距离测量功能。对现有的开源绝缘子数据集进行了扩充和标定,采用yolov5s模型进行了训练、验证和测试,建立了绝缘子串的测距模型,设计代码加入到检测模块中,实现对绝缘子的识别和测距。实验结果表明,该模型能够准确识别输电线路不同类型的绝缘子并进行精确测距,平均测距误差为4.76%;对复合绝缘子的识别和测距效果最佳,改变俯仰角和相对距离,最大测距误差为6%;在不同天气条件下,亮度变化越大,对绝缘子的识别测距误差也越大,亮度增加至100%时,误差最高可达到12.3%。测距所需平均时间为0.2984 s,可以实现高效、高精度测距,为无人机巡检安全距离测量提供支持。

摘要：针对现有大多数基于光电传感器的轴型识别检测方法存在准确率低、维护成本高等问题,文章提出了—种基于yolov5深度神经网络高效准确的货车轴型识别方法。利用目标检测算法yolov5检测货车轮轴,根据检测结果识别货车轴型;为减轻因强光斑及夜间补光不足所带来的影响,基于货车图像的像素均值和标准差对图像数据进行标准化,减轻了环境因素所带来的影响;为减少运动模糊带来的影响,使用Scharr滤波器进行边缘预加重处理,强化目标轮廓特征。所设计的轴型识别方法于防城港西收费站进行了试运行应用分析,总体的轴型识别率达到99.43%,满足新型智慧收费站系统的建设需要。