17、深度学习在锂电池危险标签检测与物流物料处理中的应用

深度学习在锂电池危险标签检测与物流物料处理中的应用

锂电池危险标签检测

在锂电池危险标签检测领域，基于卷积神经网络（CNN）的目标检测系统被广泛应用。研究人员运用迁移学习方法，试图探究在训练数据中加入合成数据能否提升检测效果。

1. 系统评估
   • 研究对不同的CNN模型在经过处理的测试集上进行了评估，具体结果如下表所示：
     | 系统 | CNN模型 | 训练集 | 处理后测试集的平均精度均值（mAP，%） |
     | — | — | — | — |
     | MSER - ODP | Inception V3 | 真实数据 | 73.1 |
     | YOLO | Tiny YOLO | 带边界框标注的数据 | 80.6 |
     | YOLO | YOLOv2 | 带边界框标注的数据 | 87.0 |

从表中数据可以看出，YOLOv2在处理后的测试集上表现最佳，mAP达到了87.0%。

2. 数据增强方法

   • 在未处理的测试图像上，采用了多种数据增强方法的组合和序列。具体操作如下：
     • 亮度调整 ：随机选择一个介于 - 40到60之间的数字，将该数字从图像的每个像素中减去。
     • 对比度调整 ：随机确定一个介于0.5到2.5之间的值，将该值作为图像每个像素的系数。