.png){kind=icon}
返回
Confidence-Guided Code Recognition for Shipping Containers Using Deep Learning
.png){kind=icon}
OA
AI
DOI：10.3390/bdcc9120316.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
集装箱因其成本效益及与多式联运系统的兼容性，对运输行业至关重要。自20世纪中期以来，随着集装箱使用量的显著增加，港口码头的手动跟踪已变得效率低下且易出错。深度学习在目标检测方面的最新进展引入了计算机视觉作为自动化该过程的解决方案。然而，低质量图像、字体大小与光照变化以及环境条件等挑战阻碍了识别精度。本研究探讨了多种架构，并提出了一种集装箱代码定位网络（CCLN），利用ResNet和UNet进行代码识别，以及一种集装箱代码识别网络（CCRN），结合卷积神经网络与长短期记忆网络将图像文本转换为机器可读格式。通过为现有的集装箱定位与识别数据集添加额外图像，我们的模型在Syntext等其他数据集上的文本识别中展现出更强的泛化能力。实验结果表明，在字体大小、光照、倾斜和深度等挑战性条件下，我们的系统以64.11帧每秒的速度实现了97.93%的准确率，有效模拟了真实的港口码头环境。所提出的解决方案有望提升集装箱处理流程的工作效率与生产力，使其在现代港口运营中具有高度适用性。
Keyword:
shipping container code
computer vision
optical character recognition
convolutional neural network
long short-term memory
accuracy
frames per second
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
B
IF:
4.4
论文数:
1.3K
被引数:
2.4K
机构
引用论文
.png){kind=icon}
分享收藏Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测OAAI
OAAI分享收藏分享收藏分享收藏分享收藏
查看更多内容