针对印刷生产中传统人工缺陷检测耗时耗力、小缺陷区域不易检测，以及传统图像处理方法鲁棒性差等问题，提出一种基于改进YOLOv5l模型的印刷品缺陷检测算法。首先，通过增加浅层特征图拓展检测尺度，以捕获微小缺陷信息，从而提高网络对小目标的检测能力；然后，使用全维度动态卷积替换Neck区中的普通卷积，以增强网络对印刷缺陷上下文信息的捕获能力；最后，为解决前两项工作带来的检测速度下降的问题，采用C3Ghost替换Neck中的C3模块，在检测精度损耗极低的情况下尽可能地提高检测速度。实验结果表明：改进后的YOLOv5l算法的平均精度均值（mAP）达到97.3%，较原YOLOv5l算法和现有的印刷品缺陷检测算法Siamese-YOLOv4的精度分别提高2.9百分点和2.7百分点；检测速度为44.1 frame/s。所提算法对印刷品缺陷的分类和定位效果优于原YOLOv5l和Siamese-YOLOv4算法，具有较高的检测精度和检测速度，可以应用于印刷质检来提高生产质量管控水平、降低人工成本。

针对铝型材表面缺陷种类多、尺度差异大、小目标容易漏检等问题，提出了KCC-YOLOv5——一种基于YOLOv5s改进的铝型材表面小缺陷检测模型。首先利用IoU（intersection over union）-K-means++算法代替K-means算法聚类锚框，获得最贴合铝型材表面缺陷的锚框，提高小目标锚框的质量；其次，提出全局注意力模块C3C2F，并引入主干层，在减少参数量的同时增强小目标的语义信息和全局感知能力；最后将颈部最近邻插值上采样方式换为轻量级上采样算子CARAFE（content-aware reassembly of features），充分保留上采样特征图的小目标信息。实验结果表明，改进模型KCC-YOLOv5的均值平均精度为94.6%，相比于YOLOv5s提高了2.8个百分点，小目标漆泡和脏点的平均精度分别提高了5.2和12.4个百分点。KCC-YOLOv5模型在保持大目标检测精度小幅度提升的同时显著提升了小目标的检测精度。

针对当前SAR图像中飞机检测尺寸较小导致小目标检测率低、虚警率高的问题, 提出一种基于YOLOv5的改进方法。先采用K-means聚类算法针对飞机小目标尺寸优化锚框, 在主干网络融合Swin Transformer模块, 同时引入自适应学习权重的多尺度特征融合机制和全局注意力机制(GAM), 使网络跨越空间通道维度放大全局维度交互, 提高模型捕获不同维度信息的能力;并且增加一个小目标检测层, 提高网络对SAR图像飞机小目标检测能力。实验结果表明, 相较于原YOLOv5 方法, 改进方法在SAR图像尺寸较小飞机目标的检测上具有更强的特征提取能力和更高的检测精度。

自然场景下获取的黄瓜病害图像存在光照、 土壤等噪声, 严重影响黄瓜病害识别精度, 现有检测模型占用内存较大, 难以实现黄瓜病害的实时检测。 以自然环境中黄瓜霜霉病、 白粉病和炭疽病3种病害的可见光光谱图像为研究对象, 提出一种基于可见光谱和改进YOLOv5目标检测网络的黄瓜病害识别模型, 探索自然环境中黄瓜病害的准确实时检测并降低检测模型存储成本的方法。 为平衡检测精度和模型所需存储空间, 以轻量级网络结构YOLOv5s为基线模型, 引入SE注意力机制, 提取特征维度信息, 降低复杂背景对检测结果的影响, 提高模型的检测精度; 引入深度可分离卷积替换基线模型中的标准卷积, 减少模型参数带来的计算负担, 提高检测速度。 检测模型接收任意像素的可见光光谱图像并调整成640×640像素作为检测网络输入, 输出表示黄瓜病害发生区域及病害类别, 使用COCO数据集上预训练权重初始化网络权重。 实验结果表明, 改进后的YOLOv5s-SE-DW模型对黄瓜霜霉病、 白粉病和炭疽病的检测精度分别达到了78.0%, 80.9%和83.6%, mAP高达80.9%, 模型存储空间仅为9.45 MB, 浮点运算次数仅为11.8 G, 相比基线模型mAP提高了2.4%, 运算次数减少了4.6 G, 模型所需的存储空间降低了4.95 MB, 在减小模型所需内存的同时提升病害检测准确率; 进一步与经典两阶段目标检测网络Faster-RCNN和单阶段目标检测网络YOLOv3, YOLOv3-tiny, YOLOv3-SPP以及YOLOv4进行对比, 提出的YOLOv5s-SE-DW模型相比对比模型中表现最优的YOLOv4模型mAP提高了3.8%, 检测时间和存储空间大幅度降低。 综合结果表明, 所提出的YOLOv5s-SE-DW网络对于自然场景中的黄瓜病害检测具有良好的精度和实时性, 能够满足黄瓜实际种植环境中病害检测的需求, 为实际应用场景下黄瓜病害自动检测的实现提供参考。

舰船已经成为海上**重要的监测目标, 针对SAR图像舰船目标检测存在检测效果差、计算量大、泛化能力弱的问题, 提出一种基于YOLOv5和Mobilenetv3的轻量化舰船目标检测算法。首先, 引入Mobilenetv3主干网络, 降低模型计算量与体积, 实现模型轻量化处理; 然后, 引入EIoU损失函数, 提高预测框的回归精度和收敛速度; 最后, 在颈部网络中引入CBAM, 在特征融合阶段进行注意力调整, 提高模型检测精度与检测效果。在SSDD数据集上的实验结果显示, 改进后算法模型体积压缩至原YOLOv5模型的18.32%, 训练时间缩短35.22%, 参数量减小至原模型的15.94%, 计算量减小至原模型的10.76%, 平均精度提升至98.3%。实验结果表明, 改进后算法在保持高精度检测效果的情况下, 大幅降低了参数量和计算量, 减小了模型体积, 并缩短了训练时间。

现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高，本文提出一种基于改进 YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的 YOLO v5算法主要是在原来的基础上增添注意机制 SE模块，并且改进损失函数将 GIoU改为 EIoU提高模型收敛效果、最后采用 KG模块平衡特征金字塔结构对模型进行优化，用以提高 YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在 YOLO v5s模型中，在光伏组件红外图像的检测上的平均检测精度 mAP可以达到 92.8%，比原本的 YOLO v5s算法 88.3%提升了 4.5%，在精确度和召回率上的收敛效果也比原始 YOLO v5算法模型有所提高，改进后的网络结构应用于 l、m、x三种模型中，其检测精度都有所提升，因此改进后的 YOLOv5算法适用于 4种模型。