Deep Learning-based Framework for Shipping Container Security Seal Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Shipping containers provide numerous benefits to global transportation. They are used to transport cargo from more than 30,000 cargo ships sailing across the world. The shipping containers provide the best protection of goods. This is because once all the goods are loaded into the container, it is sealed completely. The objective of the container seal is to minimize the risk of someone accessing the container and taking cargo out and avoid someone putting illegal stuff into the container such as drugs, weapons of mass destruction. To this end, shipping container terminals are required to inspect security seals when containers pass the gate of intermodal terminals. The existing detection mechanism is based on the human visual system which is time-consuming and hazardous. In this paper, a deep learning-based framework is proposed to automate shipping container security seal detection. The proposed method consists of three components including, handlers and cam keepers detection, handlers and cam keepers super-resolution regions, and security seal classification. For handlers and cam keepers detection you only look once (Yolov5) is employed to detect them with high performance. Following that, the laplacian pyramid super-resolution network (LapSRN) image super-resolution technique is used to convert low-resolution handlers and cam keepers regions to high-resolution sub-images. Finally, EfficientNetB0 is employed to classify the super-resolution sub-images based on two categories, seal or no-seal. The proposed whole security seal detection system is trained end-to-end that can localize and recognize the regions containing security seals with high performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle