按文献类别分组
按栏目分组
关键词
基于YOLOv5的航空维修工具识别
作者: 丁发军     刘韶坤     刘义平   来源: 中国民航飞行学院学报 年份: 2023 文献类型 : 期刊 关键词: 目标检测算法   YOLOv5   工具识别   航空维修  
描述: ,识别精度降低17.4%。目前,YOLOv5目标检测算法具有较高的识别精度,但仍需针对扭曲、模糊不清的图形进行算法改进。
基于YOLOv5的航空维修工具识别
作者: 丁发军     刘韶坤     刘义平   来源: 中国民航飞行学院学报 年份: 2023 文献类型 : 期刊 关键词: 目标检测算法   YOLOv5   工具识别   航空维修  
描述: ,识别精度降低17.4%。目前,YOLOv5目标检测算法具有较高的识别精度,但仍需针对扭曲、模糊不清的图形进行算法改进。
基于改进YOLOv5的SAR图像飞机目标细粒度识别
作者: 张武     刘秀清   来源: 国外电子测量技术 年份: 2024 文献类型 : 期刊 关键词: YOLOv5   合成孔径雷达   飞机目标细粒度识别  
描述: intersection over union)作为网络损失函数提高网络收敛速度和检测精度。利用SAR-AIRcraft-1.0数据集进行了算法有效性试验研究,实验结果表明,算法有效提升了飞机目标的检测精度,精确率、召回率、平均精度均值分别达到92.6%、84.1%、90.1%。
基于改进YOLOv5的SAR图像飞机目标细粒度识别
作者: 张武     刘秀清   来源: 国外电子测量技术 年份: 2024 文献类型 : 期刊 关键词: YOLOv5   合成孔径雷达   飞机目标细粒度识别  
描述: intersection over union)作为网络损失函数提高网络收敛速度和检测精度。利用SAR-AIRcraft-1.0数据集进行了算法有效性试验研究,实验结果表明,算法有效提升了飞机目标的检测精度,精确率、召回率、平均精度均值分别达到92.6%、84.1%、90.1%。
基于改进YOLOv5的飞机舱门识别与定位方法研究
作者: 张长勇     郭聪     李玉洲     张朋武   来源: 计算机测量与控制 年份: 2024 文献类型 : 期刊 关键词: 舱门识别与定位   YOLOv5   机场特种车辆   自动靠机   三维定位  
描述: 角点的像素,利用空间几何关系,实现了对舱门准确的三维定位。实验结果表明,改进后的YOLOv5算法mAP达到96.5%,相比原有算法提升了5.6%。在舱门前方19 m和1 m处时,实时最大定位误差分别为0.15 m和0.01 m,能够满足特种车辆靠机完成后与舱门保持5~10 cm的安全距离要求。
融合注意力和多尺度特征的航空发动机缺陷检测
作者: 赵崇林   朱江   胡永进   李祖泽   王鹏举   谢涛   来源: 北京航空航天大学学报 年份: 2023 文献类型 : 期刊 关键词: 注意力机制   航空发动机   YOLOv5   深度学习   缺陷检测  
描述: 损失,实现对缺陷目标快速、准确地定位和识别。实验结果表明,本文算法检测缺陷的平均精确度达到了89.7%,较基准网络提升了6.3%,训练后的模型大小仅为14.0M。因此,所提方法可以有效地检测航空发动机的主要缺陷。
融合注意力和多尺度特征的航空发动机缺陷检测
作者: 赵崇林   朱江   胡永进   李祖泽   王鹏举   谢涛   来源: 北京航空航天大学学报 年份: 2023 文献类型 : 期刊 关键词: 注意力机制   航空发动机   YOLOv5   深度学习   缺陷检测  
描述: 损失,实现对缺陷目标快速、准确地定位和识别。实验结果表明,本文算法检测缺陷的平均精确度达到了89.7%,较基准网络提升了6.3%,训练后的模型大小仅为14.0M。因此,所提方法可以有效地检测航空发动机的主要缺陷。
基于改进YOLOv5的航空发动机表面缺陷检测模型
作者: 李鑫   李香蓉   汪诚   李秋良   李卓越   来源: 激光与光电子学进展 年份: 2023 文献类型 : 期刊 关键词: 注意力机制   航空发动机   机器视觉   YOLOv5   表面缺陷检测  
描述: 的同时提高预测框回归精度。实验表明,本文提出的YOLOv5-CE模型,相比原YOLOv5s网络,在检测速度几乎没有下降的情况下m AP值提高了1.2%,达到了98.5%,能够实现对航空发动机四种常见类型缺陷的高效智能检测。
融合注意力和多尺度特征的航空发动机缺陷检测
作者: 赵崇林   朱江   胡永进   李祖泽   王鹏举   谢涛   来源: 北京航空航天大学学报 年份: 2023 文献类型 : 期刊 关键词: 注意力机制   航空发动机   YOLOv5   深度学习   缺陷检测  
描述: 损失,实现对缺陷目标快速、准确地定位和识别。实验结果表明,本文算法检测缺陷的平均精确度达到了89.7%,较基准网络提升了6.3%,训练后的模型大小仅为14.0M。因此,所提方法可以有效地检测航空发动机的主要缺陷。
作者: 黄子恒     芮杰     林雨准     王淑香     刘相云   来源: 测绘通报 年份: 2024 文献类型 : 期刊 关键词: 损失函数   注意力机制   YOLOv5   目标检测   飞机检测  
描述:
< 1 2 ... 18 19 20
Rss订阅