食品标签文本作为食品相关信息为消费者购买食品提供了重要依据,也为食品监督抽检机构进行数据挖掘发现潜在的食品安全问题提供了可能。食品标签的自动检测可以帮助食品监督抽检机构降低人工录入成本,提高数据分析与挖掘效率。因此,作为食品标签识别的必要步骤,食品标签的检测有着重要的意义。该文首先对基于深度学习的场景文本检测技术相关研究现状进行了整理分类和总结,阐述了主要模型方法的模型结构、技术路线和优缺点。然后基于食品包装图片构建数据集,并提出一种基于语义分割的距离场模型检测食品标签,该模型包含像素分类和距离场回归两类任务,其中像素分类任务分割处图像中的文本区域,距离场回归任务预测文本区域内的像素点到该区域边界的归一化距离。为了提升模型的检测性能,在回归预测模块中增加了注意力模块优化模型结构,并且针对距离场回归任务损失值过小的问题对其损失函数进行了改进。消融实验结果表明注意力模块和损失函数的改进使得模型的准确率分别提高了 4.39%和3.80%,能够有效提升模型的检测效果。食品包装图片数据集的对比实验表明本文模型检测食品标签文本具有较好的性能,其召回率、准确率和调和平均分别达到了87.61%、76.50%和81.68%。最后将模型应用于食品标签文本的检测与识别服务。将食品标签文本的检测结果输入文本识别模型获取标签内容,并在识别过程中增加了基于规则的文本纠正以减少可能存在识别错误。最后将检测与识别业务封装成API,为客户端提供识别服务。