基于TensorFlow目标检测算法SSD来定位圆形指针式仪表表盘

最新推荐文章于 2024-07-25 19:36:50 发布

YZhang0108

最新推荐文章于 2024-07-25 19:36:50 发布

阅读量3.5k

点赞数 3

分类专栏：计算机视觉 Python 文章标签：深度学习 tensorflow 神经网络

本文链接：https://blog.csdn.net/YZhang0108/article/details/106409844

版权

本文介绍了如何利用SSD（Single Shot MultiBox Detector）目标检测算法在TensorFlow中实现对圆形指针式仪表表盘的定位。首先，通过LabelImg工具准备数据集并转换为TFRecord格式，然后下载预训练的SSD模型进行迁移学习，配置训练流程文件，最后进行训练、模型导出和测试。

摘要由CSDN通过智能技术生成

圆形指针式仪表自动识别 —— 圆形表盘定位

目的：检测出圆形表盘边框的所在矩形区域，排除无关背景干扰，提升后续算法计算速度和识别精度。如下：
在这里插入图片描述

SSD目标检测算法：
采用基于深度学习的目标检测算法SSD(single shot multibox detector),相比Faster RCNN 有明显的速度优势，相比YOLO又有明显的mAP优势（不过已经被CVPR 2017的YOLO9000超越）。

参考TensorFlow官方开源的目标检测代码：
https://github.com/tensorflow/models/tree/master/research/object_detection/
相关论文：
《SSD: Single Shot MultiBox Detector》

1、仪表表盘目标检测数据集准备。
（1）数据标记
目标检测标注工具LabelImg,这是一个可以直接在图片上做注释框自动生成标记信息的软件，注释信息将被保存为PASCAL VOC 格式的XML文件，安装及使用参考：
https://github.com/tzutalin/labelImg

注：用annotations文件夹存储xml文件，images文件夹存储所有的训练和测试图像数据，images图像均为RGB三通道。

（2）数据描述格式
TensorFlow 物体检测API中使用TFRecord格式对图像标记信息进行描述。
格式转换参考代码：
https://github.com/datitran/raccoon_dataset

a) 执行python3 xml_to_csv.py,该文件将在根目录的annotations的文件夹下所有的*xml文件，并生成gauge_labels.csv文件；
b) 执行 python3 split_labels.py 随机生成训练和测试数据。
train_labels.csv test_labels.csv