毕设项目：基于QT+yolov5s的缺陷检测系统，包括图像检测以及目标检测两个部分.zip下载

毕设项目：基于QT+yolov5s的缺陷检测系统，包括图像检测以及目标检测两个部分.zip

该项目是基于QT+yolov5s的缺陷检测系统，涵盖了图像处理和目标检测的核心技术，非常适合用作毕业设计或课程设计。QT是一个流行的C++图形用户界面库，它提供了丰富的功能来创建跨平台的桌面应用。

YOLOv8地下管廊积水渗漏检测系统实战

地下管廊智能巡检依赖高鲁棒性的视觉检测技术，其核心在于应对积水形态多变、渗漏尺度微小及低光照强干扰等典型工业场景挑战。YOLOv8凭借Anchor-Free设计、C2f特征提取模块与Task-Aligned Assigner机制，在边缘模糊、运动模糊和亚像素级线状缺陷识别中展现出显著优势；结合YOLOv8-seg实例分割能力，可精准提取渗漏mask并支持曲率分析与量化分级。该方案已落地于老旧管廊真实环境，兼顾实时性（24fps）、离线可用性与工程部署兼容性，适用于智慧城市基础设施运维、市政AI巡检系统开发及

管廊积水渗漏检测工业级YOLOv8落地实践

目标检测是计算机视觉的基础任务，其核心在于从图像中准确定位并识别特定对象；YOLO系列模型凭借实时性与精度平衡成为工业部署首选。但在真实工业场景如地下综合管廊中，低照度、冷凝水畸变、LED频闪、流体动态演化等物理干扰，使标准YOLOv8训练流程失效。技术价值体现在对预处理流水线、多任务损失设计、硬件级DMA传输等关键环节的深度定制，从而实现从算法到产线的闭环落地。典型应用场景包括市政管廊智能巡检、地下空间安全预警及基础设施状态感知。本文聚焦YOLOv8在管廊积水渗漏检测中的工程化改造，涵盖冷凝水膜校正与三级

基于YOLO与PyQt5的鸡只数量统计系统：从数据标注到桌面应用开发全流程

物体检测是计算机视觉的核心任务之一，旨在从图像或视频中定位并识别出感兴趣的目标。其原理通常基于深度学习模型，通过卷积神经网络提取特征，并预测目标的边界框和类别。这项技术的价值在于将人力从重复、低效的视觉任务中解放出来，实现自动化、高精度的识别与计数，广泛应用于安防监控、工业质检、智慧农业等领域。本文聚焦于一个具体的工程实践——鸡只数量统计，针对养殖场中鸡群高密度、严重遮挡、形态多变等挑战，详细阐述了如何利用YOLO系列模型进行目标检测，并结合PyQt5开发图形化界面，构建一套完整的、可落地的AI应用系统，为

基于QT的缺陷检测系统c++源码（包括图像检测+目标检测两部分，支持ONNXRuntime加速）.zip

该项目是一个基于QT开发的C++缺陷检测系统，集成图像处理与目标检测功能。采用ONNXRuntime加速YOLOv5s模型推理，支持CPU/GPU模式，结合OpenCV实现二值化、边缘检测等图像分析，