DeepHAZMAT：计算资源受限下的危险材料标志检测与分割
计算机视觉与模式识别
2020-07-21 v2 机器学习
机器人学
系统与控制
图像与视频处理
系统与控制
摘要
在基于机器人的救援行动中，最具挑战性且非平凡的任务之一是在作业现场检测危险材料（HAZMAT）标志，以防止进一步的意外灾难。每个危险材料标志都有特定含义，救援机器人应检测并解读该含义，从而采取相应的安全行动。准确的危险材料检测与实时处理是此类机器人应用的两个最重要因素。此外，我们还必须应对一些次要挑战，例如图像失真以及嵌入救援机器人中的受限 CPU 与计算资源。本文提出一种称为 DeepHAZMAT 的基于 CNN 的流程，通过四个步骤检测和分割危险材料：1）优化输入 CNN 网络的图片数量；2）使用 YOLOv3-tiny 结构从危险区域收集所需的视觉信息；3）利用 GrabCut 技术将危险材料标志从背景中分割并分离出来；4）利用形态学算子与凸包算法对结果进行后处理。尽管使用了非常有限的内存与 CPU 资源，实验结果表明，与 SOTA 方法相比，所提方法在检测速度与检测精度方面均成功保持了更优的性能。
引用
@article{arxiv.2007.06392,
title = {DeepHAZMAT: Hazardous Materials Sign Detection and Segmentation with Restricted Computational Resources},
author = {Amir Sharifi and Ahmadreza Zibaei and Mahdi Rezaei},
journal= {arXiv preprint arXiv:2007.06392},
year = {2020}
}