基于YOLOv4网络的集装箱箱号目标检测研究.pdf
《基于YOLOv4网络的集装箱箱号目标检测研究.pdf》由会员分享,可在线阅读,更多相关《基于YOLOv4网络的集装箱箱号目标检测研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷第 期 年 月常 州 工 学 院 学 报 .:./.收稿日期:作者简介:张炎()男安徽滁州人硕士研究生主要研究方向为图像处理通信作者:杜培明()男 安徽马鞍山人副教授.基于 网络的集装箱箱号目标检测研究张炎杜培明(安徽工业大学电气与信息工程学院安徽 马鞍山)摘要:集装箱箱号是集装箱重要的辨识信息精准、高效、便捷地检测箱号可以极大地提高集装箱运输管理效率 针对目前人工记录或传统的集装箱箱号检测方法存在的效率较低、实时性不足等问题提出了一种基于深度学习的 网络检测算法以实现对集装箱箱号的目标检测对公路运输过程中的集装箱图像进行采集参照 数据格式标注制作数据集使用 目标检测网络进行迭代训练 实
2、验结果表明该方法的检测平均精度达到 检测帧率达到 与传统的方法相比检测效果明显提升且能够实现实时检测可满足大多数环境下的使用需求关键词:集装箱箱号目标检测深度学习中图分类号:文献标志码:文章编号:()():.:随着交通运输行业越来越发达集装箱由于具有容量大、快速、高效、易于统一管理等优点已成为货物运输的重要工具 因此集装箱自动化管理显得越来越重要正确高效地检测集装箱箱号是自动化作业的基础同时还能减少人工成本提高作业效率 但是集装箱箱体表面环境复杂箱号在不同的箱体表面上排列方式不同且箱体的表面存在凹凸不平、箱门锁杆常州工学院学报 年干扰、箱号附近文本信息过多、光照不均等情况 这些因素增加了箱号检
3、测的难度 因此像基于形态学的箱号检测方法、基于边缘的箱号检测方法等传统方法对图像预处理效果的要求较高、对上述问题的鲁棒性较差很难高效地检测 箱 号 为 此本 文 提 出 了 一 种 基 于 网络模型的算法它将整张图像作为网络输入直接在输出层回归目标边界框的位置以及所属类别大大简化了网络结构提升了检测速度 该方法可实现集装箱箱号的实时检测且效率更高符合当今发展需求 目标检测算法.目标检测基本任务目标检测任务是找出输入的图像或视频中人们期望的目标并使用边界框来框选它们的位置以及相应的置信度 与图像分类任务有所不同目标检测不仅要实现物体分类问题而且要解决目标定位问题 作为计算机视觉的基本问题之一目标
4、检测构成了许多其他视觉任务的基础例如实例分割、图像标注和目标跟踪等 而从检测应用的角度看目标检测有很多应用如文本检测、面部检测、行人检测、交通标注与红绿灯检测、遥感目标检测 本文的集装箱箱号检测属于文本检测.基于深度学习的检测算法在最开始的传统目标检测算法中大多数都比较烦琐需要人工操作来产生样本费时费力且效果不理想 在深度学习兴起后基于深度学习的目标检测算法应用更加广泛检测效率更高目前广泛应用的深度学习目标检测算法主要有两类:一是两阶段目标检测算法如图()所示代表算法有、等这类算法先根据图像提取候选框然后基于候选区域做二次修正得到检测点结果检测精度较高但检测速度较慢二是单阶段目标检测算法如图(
5、)所示代表算法有()和 系列等其不同于两阶段目标检测算法之处在于没有候选区域阶段训练过程也相对简单 单阶段目标检测算法能够直接对图像进行计算将目标边界框定位问题转化为回归问题进行处理因此速度更快适应性更强在应用单阶段目标检测方法时对输入图像()两阶段目标检测算法()单阶段目标检测算法图 基于深度学习的目标检测算法仅需提取一次特征值就可以实现对感兴趣区域的目标检测确定目标类别和相应的位置其速度相比两阶段的算法要快许多但是精度稍微低一些 平衡了两方面的优势在保证较高预测精度的同时取得了很快的计算速度凭借其优秀的实时性在工业界获得了广泛应用.系列目标检测算法 不需要预先提取特征而是将一整张图作为网络
6、的输入直接在输出层得到物体的位置和物体所属的类别 它将一张特定大小的图片分成 感受视野的正方形网格网格仅仅用来划分目标的中心位置并不是对图像进行真实分割 若其中一个网格包含了目标物体真实边界框中心那么该网格就要对预测箱号类别和位置负责 如图 所示箱号区域内的小矩形为包含目标中心坐标的网格箱号区域的外包矩形框为该网格预测的箱号预测框每个网格有若干个预测框这些预测框的宽高都是通过 聚类算法得到的不一定能完整包含目标物体但是可以通过重重筛选只保留包含目标区域最多的预测框 预测边界框的置信度 可表示为单元格内存在目标或存在部分目标的概率()乘以预测框与真实框的交并比交并比可表示为()()、分别为真实框
7、与预测框交并比是两框面积的交集与并集的比值当比值接近 时表示预测效果达到最佳置信度可表示为 ()()此时通过设置阈值 筛选去除目标存在概第 期张炎等:基于 网络的集装箱箱号目标检测研究()感受视野()感受视野图 集装箱图像在不同尺度层的感受视野率较低的预测框然后再使用非极大值抑制解决多个预测框检测到同一个物体的问题最后得到一个最接近真实框的预测框 网络是在保持原有检测速度的基础上从预测精度、扩展识别对象方面进行了提高其中识别对象得到的改进尤为明显它能够检测到 种不同的对象因此也被称为 不同于 网络的 分类模型采用 网络作为特征提取网络能够得到更深层次的特征信息 它采用了多尺度融合从而输出 个不
8、同尺度的特征图去检测具有不同尺度的对象 网络算法是 等在 年 月提出它引用 网络提取特征使用了 激活函数同时引用 和 网络加强了学习能力扩充丰富了数据集等 总之在数据处理、主干网络、网络训练、激活函数、损失函数等方面都进行了不同程度的优化使 成为一个在检测速度和精度方面极其强大的目标检测器 模型 模型框架可以分为 个部分如图 所示:第一部分使用了 网络来进行特征的提取第二部分 模块对特征图进行多次最大池化然后进行特征融合第三部分 模块对融合的特征图上、下采样生成特征金字塔产生 个不同尺寸的输出层第四部分 用于对输出的 个特征图进行预测图 网络结构在 中 网络借鉴了跨阶段局部网络()解决了 中梯
9、度信息重复的问题它将梯度的变化集成到特征图中从而大大降低了计算量 同时它选择了 激活函数目的是提高网络的学习能力提升梯度的传递效率相比于其他激活函数更为平滑可以让更完整的信息深入神经网络使得训练效果更好大大提高了整个网络的性能 激活函数的计算公式如下:()()()()()颈部分别引入 和 网络结构作为增强特征提取网络 网络为空间常州工学院学报 年金字塔池化目的是增加网络的感受野解决不同尺寸的特征图如何进入全连接层的问题 它能够实现对 网络输出的特征图进行、的最大池化这样会得到更加丰富的特征最后将 个池化层的输出进行通道拼接 网络作为 的特征融合模块对提取出的 个有效特征进行上采样之后又进行下采
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLOv4 网络 集装箱 目标 检测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。