关键词：电动汽车;无线充电;充电安全;异物检测;目标检测;机器学习;YOLOv5模型
摘 要：生物体和金属异物存在于发射线圈附近时，影响电动汽车无线充电系统的传输功率、传输效率，造成安全事故，线圈电路检测、超声波/雷达检测、图像特征检测等目前常见检测方法存在不足。文中研究并设计了一套基于机器学习的异物目标检测算法，并应用在电动汽车无线充电安全运行中，可及时对事故做出预警和处理。该系统由图像采集模块、无线传输模块、云平台和服务器四大部分组成，通过摄像头对充电过程中可能混入的猫、狗生物体，以及易拉罐、螺丝钉、硬币金属异物进行图像采集，无线传输到云平台服务器上，利用深度学习的YOLOv5训练模型检测区域内是否存在异物，检测结果发送给充电控制器和用户。实验结果表明：YOLOv5在测试集上经过1 000次迭代训练后，检测精度达到0.855 9，召回率达到0.998 1，速度达到62 FPS；在实际复杂的充电环境下，对不同光照条件、不同停车位地面、不同尺寸的5个类别异物进行推理测试，具有较高的检测精度和适应性，满足目标检测的高效性要求，为实现车辆充电安全提供了重要保障。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取