16、基于深度学习的锂电池危险标签目标检测系统对比

基于深度学习的锂电池危险标签目标检测系统对比

在危险物品的识别和管理中，准确检测危险标签符号至关重要。本文将详细介绍两种目标检测系统——YOLO算法和MSER - ODP，并对它们在危险标签符号检测任务中的表现进行对比。

目标检测系统介绍

• YOLO算法 ：提供了端到端的目标检测架构。它将输入图像分割成S × S的网格，针对每个网格单元，根据锚点数量计算B个边界框和C个类别概率。每个边界框包含五个组件，前四个表示潜在符号在输入图像中的位置，第五个是置信概率。算法输出一个3D张量，包含计算得到的边界框和每个单元的类别概率。这些边界框会通过用户定义的阈值进行过滤，如果剩余多个边界框，则应用非极大值抑制（NMS）。计算边界框和类别概率时，会使用Tiny YOLO和YOLOv2等底层CNN模型。评估时使用Darkflow实现的YOLO算法。
• MSER - ODP ：采用类似于R - CNN的四个连续步骤进行符号检测。
  1. 感兴趣区域（ROI）生成 ：对输入图像应用MSER算法，输出斑点，然后在斑点的重心位置提取ROI。每个提取的ROI为方形，大小各异。
  2. 预处理 ：将提取的ROI双线性插值为固定的299 × 299 × 3的CNN输入大小，并归一化到[0, 1]范围。先将ROI的亮度降低到原来的一半，再进行双对比度增强，使每个像素归一化到[ - 1, 1]。
  3. ROI分类 ：使用Inception V3模型