本硕士论文由塞浦路斯理工大学的Sijun Yu撰写，研究了使用视频记录和深度学习技术对集装箱破损封条进行自动检测。该研究背景为供应链安全，其中确保集装箱封条的完整性对于防止篡改、盗窃和未授权访问至关重要。本论文利用YOLO（You Only Look Once）模型，这是一种最先进的实时目标检测框架，来解决在多样化和潜在复杂的视觉环境中识别受损封条的相关挑战。
YOLO在封条检测中的应用：本论文将YOLO模型适配到从视频片段检测集装箱破损封条的具体任务中。这涉及定制模型架构和训练过程，以识别指示封条破损的细微视觉线索，由于不同的光照、角度和遮挡，这可能具有挑战性。
数据集创建与标注：一个重要贡献是组装和标注包含完整和破损状态下集装箱封条视频帧或图像的数据集。该数据集为训练和评估检测模型奠定了基础，确保其能够泛化到真实世界场景。
性能评估：本论文严格评估了适配YOLO模型的性能，可能使用精确率、召回率和平均精度（mAP）等指标。结果证明了模型在准确高效识别破损封条方面的有效性，突出了其在操作环境中部署的潜力。
自动化与实时分析：通过利用YOLO的实时检测能力，所提出的系统实现了从视频流对集装箱封条进行自动化、连续监测，减少了人工检查的需求并提高了安全检查的可靠性。
本论文中提出的研究对物流、运输和供应链安全具有重要意义。破损封条的自动检测增强了组织快速识别和响应安全漏洞的能力，最小化损失并保持法规合规性。深度学习和视频分析的使用代表了一种现代、可扩展的方法，可以集成到现有的监控基础设施中。
此外，本论文为将计算机视觉和人工智能应用于工业和安全应用的不断增长的工作做出贡献。通过证明YOLO模型在专门检测任务中的适应性，该研究为进一步改进开辟了途径，如整合视频序列的时间信息、提高对环境变化的鲁棒性，以及扩展到其他形式的篡改检测。总的来说，本论文体现了人工智能驱动自动化在关键安全领域的实际好处。