针对桥梁缺陷检测中存在的识别精度不足、嵌入式部署困难与系统集成度有限的问题,提出一种基于轻量化模型YOLOv5s与Transformer特征增强模块(C3TR)的无人机检测系统。方法上在YOLOv5s主干网络中引入C3TR,以融合全局注意力与局部卷积特征...针对桥梁缺陷检测中存在的识别精度不足、嵌入式部署困难与系统集成度有限的问题,提出一种基于轻量化模型YOLOv5s与Transformer特征增强模块(C3TR)的无人机检测系统。方法上在YOLOv5s主干网络中引入C3TR,以融合全局注意力与局部卷积特征,并设计STM32与Raspberry Pi 4B双主控架构,集成激光测距避障、图像拼接和可视化管理平台。实验结果表明:改进模型在总体数据集上的mAP@0.5达到0.718,Precision为80.4%,Recall为68.2%,较基线YOLOv5s分别提升11.5%、4.5%和2.3%;在Raspberry Pi 4B上实现端到端6~8 FPS的实时推理。与现有YOLOv4、YOLOv3等改进方法相比,本系统在保持轻量化的同时兼顾多类缺陷识别与工程化应用,验证了其在无人机嵌入式巡检中的可行性与实用价值。展开更多
文摘针对桥梁缺陷检测中存在的识别精度不足、嵌入式部署困难与系统集成度有限的问题,提出一种基于轻量化模型YOLOv5s与Transformer特征增强模块(C3TR)的无人机检测系统。方法上在YOLOv5s主干网络中引入C3TR,以融合全局注意力与局部卷积特征,并设计STM32与Raspberry Pi 4B双主控架构,集成激光测距避障、图像拼接和可视化管理平台。实验结果表明:改进模型在总体数据集上的mAP@0.5达到0.718,Precision为80.4%,Recall为68.2%,较基线YOLOv5s分别提升11.5%、4.5%和2.3%;在Raspberry Pi 4B上实现端到端6~8 FPS的实时推理。与现有YOLOv4、YOLOv3等改进方法相比,本系统在保持轻量化的同时兼顾多类缺陷识别与工程化应用,验证了其在无人机嵌入式巡检中的可行性与实用价值。
