Automating container damage detection with the YOLO-NAS deep learning model

科学家开发基于YOLO-NAS深度学习模型的集装箱损伤自动化检测

韩国东明大学Gyu Sung Cho团队发基于YOLO-NAS深度学习模型的集装箱损伤自动化检测，相关论文于2025年1月31日发表在国际学术期刊《科学进步》上。

研究人员引入了一种基于YOLO-NAS模型的自动化解决方案——该模型作为一种尖端深度学习架构，以其在目标检测任务中的适应性强、计算效率高和准确度突出而著称。该研究首次将YOLO-NAS应用于集装箱损伤检测，针对海港复杂环境进行优化，实现了港口物流所必需的高速、高精度性能。该方法展现了YOLO-NAS在检测集装箱损伤方面的卓越效能，实现了91.2%的平均精度均值（mAP）、92.4%的精确率以及84.1%的召回率。

比较分析表明，YOLO-NAS在同等条件下持续优于YOLOv8和Roboflow 3.0等其他主流模型，后者在mAP、精确率和召回率上均表现较低。此外，尽管Fmask-RCNN和MobileNetV2等模型在训练准确率上表现出色，但它们缺乏港口应用所必需的实时评估能力，这使得YOLO-NAS成为更合适的选择。成功集成YOLO-NAS实现集装箱损伤自动化检测对物流行业具有重要意义，通过可靠、实时的检测解决方案增强港口运营，并能够无缝整合到预测性维护与监控系统中。该方法降低了运营成本、提升了安全性、减少了对人工检查的依赖，有助于推动集装箱管理向更高效、可持续的"智慧港口"发展。

据介绍，确保航运集装箱的完整性对于维护全球供应链中的产品质量、物流效率及安全性至关重要。集装箱受损可能导致重大经济损失、运输延误及安全隐患。传统上，集装箱检测依赖人工，这种方式劳动强度大、耗时且易出错，在繁忙的港口环境中尤为突出。

Science Progress

该刊是SCIE收录的跨学科期刊，其出版科学严谨的研究文章，旨在促进科技及医学领域学者间的沟通交流以及跨学科的合作发展。

期刊优势

影响因子：2.9

期刊分区：JCR Q2, MULTIDISCIPLINARY SCIENCES

期刊网址

https://uk.sagepub.com/en-gb/chi/science-progress/journal203627?utm_source=wechat&utm_medium=china_social&utm_campaign=sciencenet_sci_260116

往期研究

https://sage.cnpereading.com/search//openoa/scia?utm_source=wechat&utm_medium=china_social&utm_campaign=sciencenet_sci_260116

投稿网址

http://mc.manuscriptcentral.com/scienceprogress?utm_source=wechat&utm_medium=china_social&utm_campaign=sciencenet_sci_260116