摘要： 本文提出基于YOLOv5的AI果蔬新鲜度识别系统，解决传统人工分拣效率低（每小时仅300斤）、误判率高（15%）、损耗大（5%-8%）等问题。系统通过深度学习实现果蔬定位与新鲜度分类，准确率达88.2%，支持图片、视频及摄像头实时检测（0.02秒/帧），效率提升60倍。采用PyQt5开发可视化界面，普通电脑即可运行，降低部署成本。实验显示，完全新鲜/腐败果蔬识别准确率超94%，弱光、污渍等复杂场景下仍保持80%以上精度。未来计划扩展品类、优化模型轻量化，并集成云端数据分析功能。系统适用于果蔬分拣、仓

本文提出基于YOLOv5的冬小麦返青期病害检测方法，解决了传统人工检测效率低、误判率高的问题。通过构建包含5类常见病害的633张原始图像数据集，并采用数据扩增技术增至3165张，训练后的模型平均检测精度达92.3%，单张图像检测仅需0.02秒。该方法支持手机、无人机等多种设备实时检测，准确识别叶锈病等病害，帮助农户在发病初期精准施药，降低防治成本。未来将优化模型轻量化、扩展病害种类，实现"检测-防治"一体化智能农业应用。

《基于YOLOv5的火灾火焰实时检测算法研究》摘要 针对传统火灾检测方法误报率高、响应慢的问题，本研究提出基于YOLOv5改进的深度学习算法。通过引入CDC特征提取模块（融合空洞卷积、BN层和GELU激活函数）增强火焰特征捕捉能力，结合EIoU损失函数提升定位精度。在自建4998张火灾数据集上测试显示：改进模型mAP达91.5%，误报率低于5%，检测速度55FPS（单帧0.018秒），较原YOLOv5提升4.8个百分点，有效解决弱光、遮挡等复杂场景下的火焰识别问题。研究成果为实时火灾预警系统提供了高效解决方