全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 基于改进YOLOv5s的飞机装配环节多余物检测研究
- 作者： 陈峰 来源： 中国新技术新产品 年份： 2024 文献类型 ： 期刊 关键词： 多余物检测 coordinate DGConv YOLOv5s Attention SIOU BiFPN
- 描述： 飞机装配过程中对多余物的控制有非常严格的要求，传统方法是人工巡检或定时检查，本文提出一种基于改进YOLOv5s的面向多余物检测的目标检测方法。首先，本文提出一种轻量化模块，即DGConv模块，用于
- 改进YOLOv5的军事飞机检测算法
- 作者： 王杰 张上 张岳 胡益民 来源： 无线电工程 年份： 2024 文献类型 ： 期刊 关键词： FPGM YOLOv5s 目标检测 Loss SIOU 军事飞机
- 描述： MB,缩小了71.5%,经过剪枝后的模型体积最小可缩减至0.2 MB,模型平均检测精度最高可达91.7%,提高了2.34%,并且在检测效果、模型体积、参数量和计算量等方面具有先进性，能够对军用飞机目标进行高质量实时检测。
- 基于YOLOv5的航空发动机部件识别
- 作者： 敖良忠 朱俊名 王欣 来源： 信息技术与信息化 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机 YOLOv5s 增强现实 数据增强 实时识别
- 描述： 航空发动机部件数据集，经过YOLOv5s模型训练，获得满意的识别效果。实验结果表明，在真实发动机上进行测试，能够有效地识别13种类别的部件，其平均精准率为90.23%，平均检测速度达到76 FPS，能够在使用增强现实设备时达到实时识别航空发动机部件的要求。
- 基于YOLOv5的航空发动机部件识别
- 作者： 敖良忠 朱俊名 王欣 来源： 信息技术与信息化 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机 YOLOv5s 增强现实 数据增强 实时识别
- 描述： 航空发动机部件数据集，经过YOLOv5s模型训练，获得满意的识别效果。实验结果表明，在真实发动机上进行测试，能够有效地识别13种类别的部件，其平均精准率为90.23%，平均检测速度达到76 FPS，能够在使用增强现实设备时达到实时识别航空发动机部件的要求。
- 航空机载红外图像的车辆目标自主检测识别
- 作者： 杨雪 修吉宏 刘小嘉 罗宁 来源： 激光与红外 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制 RFBs YOLOv5 目标检测 红外图像 BiFPN
- 描述： 添加CBAM注意力机制以提升检测精度。实验结果表明：在DroneVehicle数据集上的检测效果要优于原始网络，精确率(Precision)提升2.8%,召回率(Recall)提升16%,平均精度(mAP)提升2.3%。结论：可有效应用于航空红外图像的车辆自主检测识别。
- 航空机载红外图像的车辆目标自主检测识别
- 作者： 杨雪 修吉宏 刘小嘉 罗宁 来源： 激光与红外 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制 RFBs YOLOv5 目标检测 红外图像 BiFPN
- 描述： 添加CBAM注意力机制以提升检测精度。实验结果表明：在DroneVehicle数据集上的检测效果要优于原始网络，精确率(Precision)提升2.8%,召回率(Recall)提升16%,平均精度(mAP)提升2.3%。结论：可有效应用于航空红外图像的车辆自主检测识别。
- 改进的YOLOv5s遥感影像机场场面飞机小目标识别
- 作者： 张新君 赵春霖 来源： 电光与控制 年份： 2024 文献类型 ： 期刊 关键词： 坐标注意力机制 遥感影像 Transformer YOLOv5s 小目标检测 Swin
- 描述： 小目标检测识别测试实验，改进后的YOLOv5s网络的mAP值为0.837 5,比YOLOv5s网络模型提高了0.022 5。实验结果表明，改进后的YOLOv5s网络模型对比YOLO系列网络和EfficientDet模型有效地提高了识别准确率、召回率以及mAP值，并且在训练时间上也比YOLOv5s减少了1/12。
- 基于深度学习域适应的飞机结冰图像气泡提取方法
- 作者： 赵红梅 彭博 周志宏 易贤 来源： 南京航空航天大学学报 年份： 2024 文献类型 ： 期刊 关键词： 气泡提取 U Attention 图像分割 域适应 动态结冰 Net
- 描述： 针对采用深度学习方法提取结冰显微图像中的气泡需要大量标注数据，但人工标注气泡任务较为困难的问题，提出了一种基于风格迁移网络CycleGAN和图像分割网络Attention U-Net的域适应提取方法。该方法通过程序模拟气泡形态生成的图像为源域，结冰显微图像为目标域，通过CycleGAN将源域图像转为目标域风格，采用风格转换后的源域数据集训练Attention U-Net网络。通过对比实验对无标注结冰图像和少量标注图像两种情况进行验证。实验结果表明，在无标注图像的情况下，可实现无监督的结冰显微图像的气泡提取；在只有少量标注图像的情况下，该方法可实现更精确的气泡提取。