用于预制菜目标检测的差分进化集成深度学习模型
计算机视觉与模式识别
2024-12-31 v1
摘要
随着人们生活水平的不断提升和工作进度的加快，预制菜因其节省时间、便利、种类多、性价比高、质量标准等优势，越来越受家庭和餐馆的欢迎。目标检测是选取食材和评估预制菜品质量的关键技术。目前已提出许多目标检测方法，但由于食材重叠遮挡、食材相似且加工环境光线不足等原因，预制菜的准确目标检测极其困难，导致识别场景相对复杂，从而使单一模型在目标检测上表现不佳。为此，本文提出了差分进化集成深度学习 (DEIHDL) 模型。DEIHDL的核心思想有三点：1)分别开发了三个基于YOLO和变换器的基模型，以增加检测预制菜目标的多样性；2)通过差分进化优化的自适应权重对三个基模型进行集成；3)采用加权箱融合策略对三个基模型的置信度进行评分。如此，DEIHDL具备来自三个基模型的多性能能，实现了在复杂预制菜场景中的准确目标检测。大量实验在真实数据集上表明，所提出的DEIHDL模型在检测预制菜目标方面显著优于基模型。
引用
@article{arxiv.2412.20370,
title = {Differential Evolution Integrated Hybrid Deep Learning Model for Object Detection in Pre-made Dishes},
author = {Lujia Lv and Di Wu and Yangyi Xia and Jia Wu and Xiaojing Liu and Yi He},
journal= {arXiv preprint arXiv:2412.20370},
year = {2024}
}