通过YOLO-NAS深度学习模型自动检测容器损坏
Thanh Nguyen Thi Phuong1, Gyu Sung Cho1, Indranath Chatterjee2,3,4
1Department of Port Logistics System, Tongmyong University, Busan, Republic of Korea.
Science progress
|January 31, 2025
概括
使用YOLO-NAS的自动化运输集装箱损坏检测实现了高精度,优于其他模型. 这项技术提高了智能港口的物流效率和安全性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 供应链管理 供应链管理
背景情况:
- 手动检查运输集装箱是低效的,容易出现错误,成本高昂.
- 损坏的容器对产品质量,物流和安全构成风险.
- 为了高效的港口运营,需要自动化解决方案.
研究的目的:
- 引入和评估用于自动检测集装箱损坏的YOLO-NAS模型.
- 为满足复杂港口环境中高速,高精度检查的需求.
- 将YOLO-NAS性能与其他领先的物体检测模型进行比较.
主要方法:
- 实施用于对象检测的YOLO-NAS深度学习模型.
- 模型的应用以检测各种类型的集装箱损坏.
- 使用YOLOv8,Roboflow 3.0,Fmask-RCNN和MobileNetV2.2进行比较分析.
主要成果:
- 约洛-纳斯的平均精度 (mAP) 为91.2%,精度为92.4%,回忆率为84.1%.
- 与YOLOv8和Roboflow 3.0.0相比,YOLO-NAS表现出了更高的性能.
- 与其他模型不同,YOLO-NAS提供了对港口物流至关重要的实时评估功能.
结论:
- YOLO-NAS在海港自动检测集装箱损坏方面非常有效.
- 该模型提高了物流效率,降低了成本,并提高了安全性.
- 这项技术支持智能端口和预测性维护系统的开发.
