图形符号的检测作为目标检测的热门研究内容之一,研究意义重大,应用前景广泛。随着社会需求的不断产生以及目标检测技术的研究发展,涌现了越来越多图形符号检测的相关技术,并在物流运输、工厂作业、安防、辅助诊断等方面有着很高的应用价值。但是实际场景中,图形符号的检测也面临较多问题,如图像质量差、目标尺寸小、光照影响、检测速度慢等,都会对其检测效果造成影响。本文主要对复杂背景下的图形符号检测进行研究,分别选取以车厢和集装箱皮的编码标记为主的多类别图形符号和以复杂场景下的二维码为主的特定类别图形符号为研究对象,结合现有的图形符号检测方法进行测试分析,并进行方法优化,以提高检测效果。本文主要研究及工作内容如下:1.分别从图像处理方法和深度学习方法两个方面,对现有的图形符号检测方法进行介绍,图像处理方法分别包括基于边缘、基于连通域和基于纹理的检测方法,深度学习方法包括基于回归、基于分割和回归分割混合的检测方法,并各自选取了具有较为典型的方法进行实验仿真,分析实验结果。2.研究了Resnet和Mobile Net两种特征提取网络,并对两种网络结合EAST算法和DB算法对不同数据集进行了实验对比,分析结果。然后在DB算法的基础上,提出一种优化的图形符号检测方法,引入了自适应对比度增强的图像预处理模块,并将DB算法的FPN结构进行改造,在网络不同位置加入SE和CA两种注意力机制模块并进行实验对比,测试结果证明改造后的网络性能有所提升。3.研究了YOLO系列的检测方法,并选取了几种YOLO网络在二维码数据集上进行仿真和实验对比。然后分别对YOLOv3-Tiny和YOLOv4-Tiny网络进行改进,削减了网络层数,对一些特征提取步骤进行合并,同时将两个网络的FPN结构去除,改为直接对特征进行两个维度的回归,修改了损失函数。最终测试表明改进的网络检测速度得到大幅度提升,网络模型得到大幅度缩减,并且仍然保持高精准率。