目标检测：港口OCR的“眼睛”是如何练成的？

海睿未来的信息识别技术（OCR）解读2

在上一篇文章中，我们聊到海睿的OCR技术如何通过端到端多任务模型，一步到位地实现从图像到文字的识别。但在“读字”之前，还有一个更基础的问题需要解决：系统怎么知道图像里，哪里才有字？

▲ 实景-堆场OCR识别车牌、侧面箱号、车顶等

这就像我们人类去读一份文件，眼睛得先扫视页面，定位到文字所在的区域，然后视线才会聚焦过去开始阅读。对于机器而言，这个过程叫作目标检测，负责从复杂的图像中，准确找出集装箱号、车牌、车顶号这些目标的位置，为后续的识别做好准备。

这个环节看似基础，但在港口场景中却极其挑战。因为图像里不仅有目标文字，还有箱体图案、警示标识、锈迹污渍、光影变化……检测模型得学会“无视”所有干扰，准确锁定真正的目标。

海睿的方案选择了YOLOv6作为基础框架，并针对港口场景做了深度定制。YOLOv6本身就是一款为工业应用设计的单阶段目标检测框架，它的特点是快、准、轻——在保证检测精度的同时，推理速度足够快，能够满足工业控制的实时性要求。

但直接用通用框架是不够的。海睿的技术团队在YOLOv6基础上，打造了一套专属架构，可以概括为：

EfficientRep-Backbone+Rep-PAN-Neck+Efficient Decoupled Head

这三大模块各司其职，构成了一条高效的“目标检测流水线”。下面我们拆解每个模块的作用，看看它们是如何协同工作的。

模块一

Backbone（骨干网络）—图像的“特征提取器”

它做什么：

骨干网络是模型的“眼睛”，负责从原始图像中提取有意义的视觉特征——边缘、纹理、形状、颜色…这些底层信息经过层层抽象，最终形成计算机能理解的“特征图”。骨干网络的核心是在保证特征提取能力的同时，最大化推理效率。

难点在哪：

既要提取足够丰富的特征，又要保证计算够快，能在吊具、闸口等边缘设备上实时运行。港口作业对实时性要求极高，模型必须在毫秒级内完成检测。

▲ 展示 RepBlock 模块的训练与推理状态对比，左侧多分支训练结构，右侧单路推理结构

海睿的创新：EfficientRep 骨干网络

海睿采用了重参化的设计思路。这个概念听起来复杂，但核心思想其实很朴素：训练时“广撒网”，推理时“走捷径”。

训练阶段：模型采用多分支结构（同时用多种方式提取特征），通过多路径融合提升学习能力。

推理阶段：这些分支被自动合并成一条“捷径”，计算量大幅降低，速度提升30%以上。就像考试时直接用最熟练的方法解题，又快又准。

此外，针对不同规模的部署需求，模型还有差异化设计：

小型模型（用于边缘设备）：采用RepBlock模块，在轻量化的同时保持特征表达能力。

中大型模型（用于算力更强的服务器）：采用CSPStackRep模块，通过分层特征复用降低计算成本，参数量减少40%，精度仅下降0.3%。

对用户的价值：在保证检测精度的前提下，模型足够“轻”，可以在现场设备上实时运行，无需上传云端，既降低了网络延迟，也避免了数据传输的安全风险。

模块二

Neck（颈部特征融合）—多尺度信息的“协调官”

它做什么：

图像中的文字有大有小。远距离看，堆场里的箱号可能只有几十个像素；近距离看，闸口的车牌一个字符就占满屏幕。不同尺度的目标，需要不同层次的特征来识别。Neck 的核心是解决多尺度特征错位问题，实现高层语义特征与低层细节特征的高效融合。

Neck模块的任务是：

把深层特征和浅层特征融合起来，让模型既能看清全局，又能把握细节。

深层特征：语义信息丰富，但分辨率低，适合识别“这是什么类型的目标”

浅层特征：细节信息丰富，但语义抽象，适合定位“目标的具体边界在哪”

难点在哪：

传统方案在融合特征时，往往是“单向传递”，总有一方的信息被损耗。而且不同尺度的特征之间存在“语义鸿沟”，简单拼接往往效果不佳。

海睿的创新：Rep-PAN 重参化特征融合网络

YOLOv6 在 PANet 基础上引入RepVGG 重参化模块，形成 Rep-PAN 架构：

海睿的Rep-PAN采用了双向跨尺度融合：

·深层特征上采样，与中层特征融合，增强对中等大小目标的检测。

·中层特征再上采样，与浅层特征融合，增强对小目标的检测。

·每一层融合后，都经过重参化卷积优化，特征传递效率提升20%。

·对于中大型模型，还引入了BiC双向级联模块，让高层语义与低层细节双向交互，密集场景下的检测精度再提升0.8%。

对用户的价值：

无论文字是远是近、是大是小，模型都能稳定检测。远距离的堆场箱号、近距离的闸口车牌，一套模型通吃，无需为不同场景配置不同算法，大大降低了系统的维护复杂度。

模块三

Head（检测头）—最终的“定位与分类器”

它做什么：

这是检测流程的“最后一棒”。经过骨干网络提取特征、颈部模块融合特征后，Head模块要完成两件事：

1、定位：预测目标的具体位置，用边界框框出来。

2、分类：判断这个目标是什么——是箱号？是车牌？还是其他干扰项？

难点在哪：

定位和分类是两种不同性质的任务。定位要求模型关注边界的精确坐标，分类要求模型关注目标的内在特征。如果两者共用同一套特征，容易互相干扰。专注于“框得准”时，可能会牺牲“认得对”；专注于“认得对”时，又可能框不准。

海睿的创新：Efficient Decoupled Head 解耦检测头

▲　Efficient Decoupled Head 结构示意图，展示分类分支与回归分支的独立卷积层设计，标注任务分离功能。

海睿的方案将定位和分类解耦，分别用独立的分支处理：

1、分类分支：专注于特征语义提取，用SiLU激活函数，增强对文本类别的判断能力。

2、回归分支：专注于边界框坐标预测，用ReLU激活函数，提升定位精度。

两者独立处理，互不干扰，边界框回归误差降低15%。

同时，检测头支持多尺度输出，支持 160×160（小目标）、80×80（中目标）、40×40（大目标）三尺度检测，每个尺度分配3种锚框，覆盖不同大小和形状的文字区域。

对于污损、褶皱、倾斜等不规则目标，还可切换为Anchor-Free模式，直接预测目标中心坐标与宽高偏移，适应性更强。

对用户的价值：框得准、分得清。即使在复杂背景下，也能准确定位文字区域，为后续识别提供高质量输入。对于锈蚀、变形、倾斜的文本，依然能稳定检出。

这套方案的实际表现

基于YOLOv6的定制化检测方案，与上一篇文章介绍的端到端OCR识别模型配合，最终实现了：

1、99.3%的整体识别准确率（实测数据集）

2、单帧延时<50毫秒，满足工业控制实时性要求

3、7×24小时稳定运行，已在岸桥、龙门吊、闸口等多场景规模化部署

为什么要在意“检测”这一步？

对于最终用户来说，可能更关心“识别准不准”，而不太在意“检测怎么做”。但理解检测环节的价值在于：

检测的质量，直接决定识别的上限。如果检测环节漏掉了文字区域，或者框得不准（框进去大量背景干扰），识别环节再厉害也无能为力。

海睿在检测环节的深耕，本质上是在为整个OCR系统打好地基——地基稳了，上层建筑才能坚固。

而这套基于YOLOv6定制的专属架构，核心价值可以概括为三句话：

快：轻量化设计，边缘端实时运行，不拖累作业节奏

准：多尺度融合+解耦检测头，复杂场景稳定检出

省：模型轻量化设计，可在边缘设备运行，减少对高性能算力和硬件的依赖。