随着中国经济的高速发展,进出口贸易日渐繁荣,港口集装箱的安全管理问题应运而生。堆锁是集装箱的重要部件,主要用于卡车与集装箱、集装箱与集装箱等之间的连接与固定。在运输过程中,经常出现操作人员忘记拆卸堆锁,导致起吊时堆锁连接的其它集装箱从半空摔下,从而造成安全事故和经济损失。如何利用计算机视觉相关技术对集装箱堆锁进行检测和跟踪,在事故发生前及时告警,这一研究具有重要的理论价值和实用意义。集装箱堆锁检测的难点主要在于实际码头应用中往往采用存储性能较低的工控机,现有深度学习等方法难以满足实时性需求;此外,堆锁本身体形较小,码头场景中车辆、人员和船舶等背景复杂多变,增加了堆锁检测的难度。针对码头复杂多变室外环境和工控机的性能较低这两个问题,本文分别开展了研究,其中,针对复杂多变的码头室外场景的问题,本文提出了一种基于多模型集成的快速堆锁检测方法,提高了堆锁检测的实时性;此外,针对工控机存储性能较低的问题,本文进一步提出了一种基于压缩感知原理的卷积神经网络压缩算法,以降低堆锁检测算法模型的空间复杂度。相关工作如下:1、针对码头室外场景复杂多变这一难点,本文提出了一种基于多模型集成的快速堆锁检测方法,该算法可适应计算性能较低的工控机。该算法主要包含三个模块:在集装箱锁孔检测模块中,本算法使用YOLO-v2物体检测算法定位视频流的第一帧的锁孔位置,以获取堆锁的初始搜索区域;接下来,在集装箱运动跟踪模块中,本文根据上一个模块得出的锁孔初始位置,使用改进的KCF算法来持续跟踪集装箱运动,并实时更新集装箱的高度信息直至达到关键帧区域;在多模型集成分类模块中,本算法计算得到堆锁候选区域,最后使用简化VGG网络结构并结合集成学习的方法对候选区域进行堆锁检测。2、进一步考虑到实际应用中工控机存储性能较低的问题,本文从优化卷积神经网络的存储性能的角度出发,提出了一种基于压缩感知的卷积神经网络压缩方法。该算法包括了压缩和解压缩两个模块:在压缩模块中,本文利用了卷积神经网络的权值在频率域上高度集中于低频区域的特点,对频率域上的卷积神经网络权值做了剪枝,得到了稀疏的权值参数,然后对稀疏的权值参数进行降维采样得到了压缩后的权值;在解压缩部分,本文使用了基于压缩感知原理的稀疏向量还原算法,将压缩后的权值还原至频率域上的稀疏向量,最后转换至空间域上的原始权值。本文实验部分对本文所提出的堆锁检测算法各个模块的性能进行了评测,并且与其它方法做了对比。结果表明,本文提出的基于码头应用场景设计和优化的堆锁检测算法的性能有了一定提升。另外,本文提出的卷积神经网络压缩算法也与其它的一些卷积神经网络压缩算法进行对比;由于本文算法在剪枝时考虑了卷积神经网络的各个权值的重要性,在剪枝率参数设定得较高时,其性能要比对比方法好。实验结果表明,本文提出的卷积神经网络压缩方法可以结合提出的堆锁检测算法,在性能较低的工控机上获得较高的计算和存储效率。