CN111127457A - 钢筋数目统计模型训练方法、统计方法、装置及设备 - Google Patents

钢筋数目统计模型训练方法、统计方法、装置及设备 Download PDF

Info

Publication number
CN111127457A
CN111127457A CN201911385890.1A CN201911385890A CN111127457A CN 111127457 A CN111127457 A CN 111127457A CN 201911385890 A CN201911385890 A CN 201911385890A CN 111127457 A CN111127457 A CN 111127457A
Authority
CN
China
Prior art keywords
image
steel bar
identified
training
training sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911385890.1A
Other languages
English (en)
Inventor
吴云霞
刘春雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Zhaogang Network Information Technology Co ltd
Original Assignee
Shanghai Zhaogang Network Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Zhaogang Network Information Technology Co ltd filed Critical Shanghai Zhaogang Network Information Technology Co ltd
Priority to CN201911385890.1A priority Critical patent/CN111127457A/zh
Publication of CN111127457A publication Critical patent/CN111127457A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种钢筋数目统计模型训练方法、统计方法、装置及设备，涉及图像处理技术领域。其中，该方法通过获取训练样本图像集，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标，使得采用深度神经网络模型、以及训练样本图像集，训练获取的钢筋数目统计模型用于统计待识别图像中的钢筋数目时，可以省去人工计数的过程，提高统计钢筋数目的效率；且由于每个图像中标注有各钢筋截面的至少2个对角坐标，因此可以根据该至少2个对角坐标确定各钢筋截面区域，使得基于各钢筋截面区域统计钢筋数目时，可以知晓各钢筋是否被统计上，提高统计钢筋数目的准确性。

Description

钢筋数目统计模型训练方法、统计方法、装置及设备
技术领域
本申请涉及图像处理技术领域，特别涉及一种钢筋数目统计模型训练方法、统计方法、装置及设备。
背景技术
钢筋是指钢筋混凝土用和预应力钢筋混凝土用钢材，其横截面为圆形，有时为带有圆角的方形，被广泛用于各种建筑结构、特别是大型、重型、轻型薄壁和高层建筑结构。一般地，钢筋在装车以输送至工地现场时，钢筋盘点人员需要对所装钢筋的数量进行清点，确定发货数量；相应地，在钢筋运输至工地现场时，钢筋验收人员还需要对所验收钢筋的数量进行盘点，确定验收数量。
现有的，对于钢筋的计数主要是采用人工计数，比如，钢筋盘点人员基于人工用粉笔去标记，通过人工数数完成计数。
但是，现有的钢筋计数方法存在计数效率差、且结果准确性不高的问题。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种钢筋数目统计模型训练方法、统计方法、装置及设备，可以解决现有技术中在进行钢筋计数时，计数效率差、且结果准确性不高的技术问题。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种钢筋数目统计模型训练方法，包括：获取训练样本图像集，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标；采用深度神经网络模型、以及训练样本图像集，训练获取钢筋数目统计模型。
可选地，上述采用深度神经网络模型、以及训练样本图像集，训练获取钢筋数目统计模型，包括：采用K-means聚类方法对训练样本图像集进行聚类，获取多个先验框；根据深度神经网络模型、训练样本图像集和多个所述先验框，训练获取钢筋数目统计模型。
第二方面，本申请实施例提供了一种钢筋数目统计方法，包括：获取待识别图像，待识别图像包括：多个钢筋截面；采用钢筋数目统计模型识别待识别图像，输出钢筋数量信息，其中，钢筋数目统计模型由深度神经网络模型、以及训练样本图像集训练获取，其中，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标。
可选地，上述采用钢筋数目统计模型识别所述待识别图像，输出钢筋数量信息，包括：采用钢筋数目统计模型识别待识别图像，输出钢筋数量信息以及识别结果图像，识别结果图像包括：根据待识别图像标注的钢筋截面识别框，钢筋截面识别框用于框选各识别出的钢筋截面，钢筋截面识别框内包含对应钢筋截面的质心标识。
可选地，上述获取待识别图像，包括：接收用户输入的初始图像；验证初始图像是否满足预设条件，若满足，则将初始图像作为待识别图像。
可选地，上述获取待识别图像之后，还包括：采用预设算法，识别待识别图像中是否包含干扰区域；若包含，则对干扰区域进行遮挡处理，获取处理后的待识别图像；
相应地，上述采用钢筋数目统计模型识别待识别图像，输出钢筋数量信息，包括：采用钢筋数目统计模型识别处理后的待识别图像，输出除干扰区域以外的钢筋数量信息。
第三方面，本申请实施例提供了一种钢筋数目统计模型训练装置，包括：第一获取模块和训练模块；第一获取模块，用于获取训练样本图像集，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标；训练模块，用于采用深度神经网络模型、以及训练样本图像集，训练获取钢筋数目统计模型。
可选地，上述训练模块，具体用于采用K-means聚类方法对训练样本图像集进行聚类，获取多个先验框；根据深度神经网络模型、训练样本图像集和多个先验框，训练获取钢筋数目统计模型。
第四方面，本申请实施例提供了一种钢筋数目统计装置，第二获取模块和输出模块；第二获取模块，用于获取待识别图像，待识别图像包括：多个钢筋截面；输出模块，用于采用钢筋数目统计模型识别待识别图像，输出钢筋数量信息，其中，钢筋数目统计模型由深度神经网络模型、以及训练样本图像集训练获取，其中，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标。
可选地，上述输出模块，具体用于采用钢筋数目统计模型识别待识别图像，输出钢筋数量信息以及识别结果图像，识别结果图像包括：根据待识别图像标注的钢筋截面识别框，钢筋截面识别框用于框选各识别出的钢筋截面，钢筋截面识别框内包含对应钢筋截面的质心标识。
可选地，上述第二获取模块，具体用于接收用户输入的初始图像；验证初始图像是否满足预设条件，若满足，则将初始图像作为待识别图像。
可选地，上述装置还包括：识别模块和处理模块，识别模块，用于采用预设算法，识别待识别图像中是否包含干扰区域；处理模块，用于若包含，则对干扰区域进行遮挡处理，获取处理后的待识别图像；
相应地，上述输出模块，具体用于采用钢筋数目统计模型识别处理后的待识别图像，输出除干扰区域以外的钢筋数量信息。
第五方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行上述第一方面的钢筋数目统计模型训练方法或上述第二方面的钢筋数目统计方法的步骤。
第六方面，本申请实施例提供了一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行如执行上述第一方面的钢筋数目统计模型训练方法或上述第二方面的钢筋数目统计方法的步骤。
本申请的有益效果是：
本申请实施例提供的一种钢筋数目统计模型训练方法、统计方法、装置及设备中，通过获取训练样本图像集，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标，使得采用深度神经网络模型、以及训练样本图像集，训练获取的钢筋数目统计模型用于统计待识别图像中的钢筋数目时，可以省去人工计数的过程，提高统计钢筋数目的效率；且由于每个图像中标注有各钢筋截面的至少2个对角坐标，因此可以根据该至少2个对角坐标确定各钢筋截面区域，使得基于各钢筋截面区域统计钢筋数目时，可以知晓各钢筋是否被统计上，提高统计钢筋数目的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种训练样本图像的示意图；
图2为本申请实施例提供的一种钢筋数目统计模型训练方法的流程示意图；
图3为本申请实施例提供的另一种钢筋数目统计模型训练方法的流程示意图；
图4为本申请实施例提供的一种钢筋数目统计模型的结构示意图；
图5为本申请实施例提供的一种钢筋数目统计方法的流程示意图；
图6为本申请实施例提供的一种待识别图像的示意图；
图7为本申请实施例提供的一种识别结果图像的示意图；
图8为本申请实施例提供的另一种钢筋数目统计方法的流程示意图；
图9为本申请实施例提供的又一种钢筋数目统计方法的流程示意图；
图10为本申请实施例提供的一种处理后的待识别图像的示意图；
图11为本申请实施例提供的一种钢筋数目统计架构的示意图；
图12为本申请实施例提供的另一种识别结果图像的示意图；
图13为本申请实施例提供的一种钢筋数目统计模型训练装置的结构示意图；
图14为本申请实施例提供的一种钢筋数目统计装置的结构示意图；
图15为本申请实施例提供的另一种钢筋数目统计装置的结构示意图；
图16为本申请实施例提供的一种电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
图1为本申请实施例提供的一种训练样本图像的示意图；图2为本申请实施例提供的一种钢筋数目统计模型训练方法的流程示意图，该方法的执行主体可以是计算机、服务器、处理器、移动终端等可以进行数据处理的设备，可选地，如图2所示，该方法包括：
S101、获取训练样本图像集，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标。
其中，训练样本图像集中的图像可以通过上述设备自带的拍照功能获取或通过图像导入的方式导入该设备，根据实际的应用场景，可以选择相应数量的图像用于训练，比如，200张、300张；当然，本申请在此也不对各训练样本图像所包括的钢筋数量进行限定，比如，可以包括100根、120根、150根等；而每个图像可以标注有各钢筋截面的至少2个对角坐标，各对角坐标可以通过钢筋截面在对应图像中的像素位置来标记。
比如，如图1所示，对于训练样本图像集中的某个图像来说，该图像中包括多个钢筋截面，可以在该图像中标注各钢筋截面的至少2个对角坐标，比如，可以标注各钢筋截面的左上角和右下角的像素点坐标，通过标注，可以确定包括各钢筋截面的标注框，而各钢筋所对应的标注框即可作为一个训练样本，对应地，每张图像有多少个钢筋就有多少个训练样本。可选地，若某图像有140根钢筋，标注得到的就是这140个标注框在图像中的左上角与右下角的像素点坐标，那么，该图像就包括140个训练样本，最后总样本数量就是训练样本图像集中每个图像中的钢筋数的总和。
当然，需要说明的是，标注的对角坐标也可以是各钢筋截面的右上角和左下角，本申请在此不作限定，当然，也不限定各钢筋截面的大小，各钢筋截面可以是统一规格大小的钢筋截面，也可以是不同规格，本申请在此不作限定。
S102、采用深度神经网络模型、以及训练样本图像集，训练获取钢筋数目统计模型。
而在获取到上述训练样本图像集后，则可以根据该训练样本图像集以及深度神经网络模型，训练获取钢筋数目统计模型，可选地，该深度神经网络模型可以是Darknet网络模型，但不以此为限，使得训练获取的钢筋数目统计模型用于统计待识别图像中钢筋的数目时，由于每个图像中标注有各钢筋截面的至少2个对角坐标，因此可以根据该至少2个对角坐标确定各钢筋截面区域，使得基于各钢筋截面区域统计钢筋数目时，可以知晓各钢筋是否被统计上，提高统计钢筋数目的效率以及准确性。
综上所述，本申请实施例提供的钢筋数目统计模型训练方法中，通过获取训练样本图像集，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标，使得采用深度神经网络模型、以及训练样本图像集，训练获取的钢筋数目统计模型用于统计待识别图像中的钢筋数目时，可以省去人工计数的过程，提高统计钢筋数目的效率；且由于每个图像中标注有各钢筋截面的至少2个对角坐标，因此可以根据该至少2个对角坐标确定各钢筋截面区域，使得基于各钢筋截面区域统计钢筋数目时，可以知晓各钢筋是否被统计上，提高统计钢筋数目的准确性。
图3为本申请实施例提供的另一种钢筋数目统计模型训练方法的流程示意图。可选地，如图3所示，上述采用深度神经网络模型、以及训练样本图像集，训练获取钢筋数目统计模型，包括：
S201、采用K-means聚类方法对训练样本图像集进行聚类，获取多个先验框。
S202、根据深度神经网络模型、训练样本图像集和多个先验框，训练获取钢筋数目统计模型。
具体地，在训练获取钢筋数目统计模型时，由于各训练样本图像可能拍照的远近不同、照片的大小不同、所包括钢筋的型号不同、部分钢筋遮挡情况不同等原因，可能导致最后各训练样本图像中的像素点不同，标注框的长、宽及面积会出现不同，因此，可以采用K-means聚类方法对训练样本图像集进行聚类，获取多个先验框，进而在深度神经网络模型中可以为每种下采样尺度设定3种先验框，使得根据深度神经网络模型、训练样本图像集和多个先验框，训练获取的钢筋数目统计模型用于统计待识别图像中的钢筋数目时，可以用于统计包括不同钢筋截面大小的待识别图像，提高钢筋数目统计模型的适用性。
比如，可以基于K-means聚类方法生成9个锚点，按照尺寸的降序排列锚点框anchor box，可选地，可以为第一个尺寸特征图scale(比如：20*20feature map)分配三个最大的anchor box，为第二个尺寸特征图scale(比如：40*40feature map)分配三个anchorbox，为第三个尺寸特征图scale(比如：80*80feature map)分配最后三个anchor box，其中，特征图越大，感受野越小，对小目标越敏感，可以选用小的anchor box；而特征图越小，感受野越大，对大目标越敏感，可以选用大的anchor box。
可选地，20*20feature map可以对应(154*149)、(176*175)、(214*208)的anchorbox；40*40feature map可以对应(109*113)、(127*119)、(133*136)的anchor box；80*80feature map可以对应(75*73)、(86*87)、(103*95)的anchor box，使得所确定的anchorbox最能代表标注框大小的9个类的长和宽，其中，由于钢筋截面的特殊性，各anchor box的尺寸可以近似为正方形。当然，本申请在此不作限定并不限定各anchor box的大小和形状，根据实际的应用场景可以自行选择。
图4为本申请实施例提供的一种钢筋数目统计模型的结构示意图，其中，本申请在此以该钢筋数目统计模型基于(You Only Look Once，YOLO)系列目标检测算法中的第三版YOLOv3实现为例进行说明，可选地，如图4所示，在构建钢筋数目统计模型过程中，该模型可以基于网络结构Darknet53实现，Darknet53是53个卷积层和池化层的组合，对于全卷积层，在构建模型的过程中，每个训练样本图像可以有3个通道，其中，本申请在此并不对每个训练样本图像的大小进行限定，可以是任意大小，然后将该任意大小的各训练样本图像归一化成统一尺寸(比如，416*416)，获取归一化后的各训练样本图像，进而可以将归一化后的各训练样本图像作为网络的输入。比如，归一化后的一训练样本图像的大小为416*416，则对应地，网络的输入是一张大小为416*416，3通道的RGB图。可选地，归一化后的各训练样本图像的长和宽的取值可以均为32的倍数，比如，640*640等，本申请在此不作限定，根据实际的应用可自行设置。
其中，根据模型结果可知，每个入网络的图像可以输出3层，每层有S*S个网格，本申请在此以416*416大小的训练样本图像为例进行说明，则其对应的各层网格可以分别为13*13，26*26及52*52，可选地，对于小尺度，网络可以接收一张(416*416)的图，经过5个步长为2的卷积来进行降采样，可以输出13*13feature map；对于中尺度特征图，可以从小尺度中的倒数第二层的卷积层上采样up sampling，再与最后一个13*13feature map相加，输出26*26feature map；对于大尺度feature map，操作过程同中尺度，可以输出52*52feature map。
可选地，根据实际的应用场景，模型的输入图像的大小也可以为640*640，相应地，可以输出20*20的小尺度feature map、40*40的小尺度feature map、80*80的大尺度feature map，当然，本申请在此并不对该输入图像的大小进行限定，根据实际的应用可自行设置。
在此过程中，需要说明的是，对于一个训练样本图像，可以在每个尺度的特征图的每个网络设置3个先验框，则本申请所提供的钢筋数目统计模型可以有20*20*3+40*40*3+80*80*3＝25 200个预测，每个预测可以是一个(4+1+1)＝6维向量，该6维向量可以包括4个数值的边框坐标(2个对角坐标)，1个数值的边框置信度，1个数值的对象类的概率，进而可以根据深度神经卷积网络训练的输出，给出每个先验框及每个先验框的score，并使用非极大值抑制算法(Non Maximum Suppression，NMS)对输出的初步结果进行剔除，去掉多余的选择框。
其中，对象类的概率可以表征先验框属于钢筋类别的概率，可选地，对象类的概率的取值可以是0～1之间的任意数，在判断是否属于钢筋类别时，可以根据先验框所对应的对象类的概率与预设概率阈值进行比较，比如，大于预设概率阈值(比如，0.5)，就属于钢筋类别(计为1)；否则，不属于钢筋类别(计为0)，这样就把是0～1之间对象类的概率取值转化成0和1的取值，则最后的钢筋数据即为值为1的个数和；而对于值为1的点位置，由于知晓其对应的对角坐标，因此，可以根据该对角坐标计算出钢筋质心位置，并进行标记。
而在确定某先验框属于钢筋类别之后，还可以通过边框置信度对该先验框进行打分，通过打分对钢筋的数目进一步过滤，其中，边框置信度可以用于对该先验框进行打分score，边框置信度的取值可以为0～1之间的任意数，其中，在对钢筋数目进行过滤时，可以根据先验框所对应的边框置信度与预设置信度阈值进行比较，比如，大于预设置信度阈值(比如，0.35)，就不进行剔除；否则，就进行剔除，以过滤图像中的干扰区域(比如，黑点)、遮挡区域等，进而提高识别钢筋数据的准确性。此外，需要说明的是，若对某图像中的多个先验框获取对应的边框置信度时，若该多个先验框中有一半的打分小于预设置信度阈值，说明该图像检测一半都是模糊或是其他的物品，因此，可以给出提示：上传的是非钢筋图像，或者图像不清晰的，则可以给出异常提示，比如，提示：图像不符合要求，请上传带有清晰钢筋横截面的图像，进而使得基于输入的某图像统计钢筋数目时，可以使得统计的结果更为准确。
此外，需要说明的是，本申请在此并不对上述预设概率阈值和预设置信度阈值的取值进行限定，根据实际的应用可以自行设定；当然，也不对模型的训练次数进行限定，可选地，该次数可以是20次、30次等，本申请在此不作限定，在实际应用中可以根据损失函数以及迭代次数epochs对模型进行调优，通过调优进而获取到符合预设要求的钢筋数目统计模型。
可选地，对于某待识别图像，采用钢筋数目统计模型识别待识别图像，可以获取到待识别图像中的钢筋数量信息，而该钢筋数量信息可以包括待识别图像中的钢筋数、各钢筋截面识别框的左上角坐标及右下角坐标(或各钢筋截面的右上角坐标及左下角坐标)、各钢筋截面识别框是否包括钢筋的概率，当然，本申请在此并不对钢筋数量信息所包括的具体内容进行限定，根据实际的应用可以有所不同。
图5为本申请实施例提供的一种钢筋数目统计方法的流程示意图，该方法的执行主体可以是计算机、服务器、处理器、移动终端等可以进行数据处理的设备。可选地，如图5所示，该方法可以包括：
S301、获取待识别图像，待识别图像包括：多个钢筋截面。
S302、采用钢筋数目统计模型识别待识别图像，输出钢筋数量信息，其中，钢筋数目统计模型由深度神经网络模型、以及训练样本图像集训练获取。
其中，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标。待识别图像可以通过上述设备自带的照相功能拍照获取，当然，也可以通过图像导入的方式导入该设备中，本申请在此不作限定；在获取到待识别图像后，则可以采用上述训练出的钢筋数目统计模型识别待识别图像，输出待识别图像中的钢筋数量信息，其中，钢筋数量信息可以包括待识别图像中的钢筋总数量，统计过程中，由于只需要把待统计的、包括多个钢筋截面的图像输入到钢筋数目统计模型，因此，可以省去人工计数的过程，提高统计钢筋数目的效率；且由于每个图像中标注有各钢筋截面的至少2个对角坐标，因此可以根据该至少2个对角坐标确定各钢筋截面区域，使得基于各钢筋截面区域统计钢筋数目时，可以知晓各钢筋是否被统计上，提高统计钢筋数目的准确性。
图6为本申请实施例提供的一种待识别图像的示意图，图7为本申请实施例提供的一种识别结果图像的示意图。可选地，上述采用钢筋数目统计模型识别所述待识别图像，输出钢筋数量信息，包括：
采用钢筋数目统计模型识别待识别图像，输出钢筋数量信息以及识别结果图像，识别结果图像包括：根据待识别图像标注的钢筋截面识别框，钢筋截面识别框用于框选各识别出的钢筋截面，钢筋截面识别框内包含对应钢筋截面的质心标识。
可选地，如图6和图7所示，输出钢筋数量信息时，还可以输出上述待识别图像所对应的识别结果图像，该识别结果图可以包括多个钢筋截面识别框，每个钢筋截面识别框内可以包含对应钢筋截面的质心标识，可选地，该质心标识可以采用标记点标记，使得在训练获取的钢筋数目统计模型用于统计待识别图像中的钢筋数目时，由于可以标注出待识别图像中各钢筋的钢筋截面识别框以及钢筋截面的质心标识，因此，基于标注出的钢筋截面识别框以及钢筋截面的质心标识的个数统计钢筋数目时，可以知晓各钢筋是否被统计上，可以提高统计钢筋数目的效率以及准确性。
图8为本申请实施例提供的另一种钢筋数目统计方法的流程示意图。可选地，如图8所示，上述获取待识别图像，包括：
S401、接收用户输入的初始图像。
S402、验证初始图像是否满足预设条件，若满足，则将初始图像作为待识别图像。
其中，预设条件可以包括预设图像大小、清晰度等，本申请在此不作限定，在获取待识别图像时，可以对用户输入的初始图像进行验证，以验证该初始图像是否满足预设条件，比如，可以验证初始图像是否为钢筋截面图、初始图像的大小是否满足预设图像大小、初始图像的清晰度是否满足预设清晰度，使得通过验证，将该初始图像作为待识别图像用于输出钢筋数量信息时，可以得到较为准确的钢筋数量，提高统计的准确性。
图9为本申请实施例提供的又一种钢筋数目统计方法的流程示意图；图10为本申请实施例提供的一种处理后的待识别图像的示意图。可选地，如图9所示，上述获取待识别图像之后，还包括：
S501、采用预设算法，识别待识别图像中是否包含干扰区域。
S502、若包含，则对干扰区域进行遮挡处理，获取处理后的待识别图像。
其中，该干扰区域可以是非目标统计区域，遮挡处理可以包括：涂抹处理，比如，涂黑处理。如图10所示，例如，待识别图像中有多捆钢筋，但只统计其中的一捆，则可以对待识别图像中其它捆的钢筋区域进行遮挡处理(比如，涂黑处理)，获取处理后的待识别图像。
相应地，上述采用钢筋数目统计模型识别待识别图像，输出钢筋数量信息，包括：
S503、采用钢筋数目统计模型识别处理后的待识别图像，输出除干扰区域以外的钢筋数量信息。
而在获取到处理后的待识别图像时，则可以采用钢筋数目统计模型识别处理后的待识别图像，也即识别遮挡处理区域以外其他图像区域中的钢筋，进而输出除干扰区域以外的钢筋数量信息，具体输出过程可参见前述方法实施例的相关部分，本申请在此不再赘述。
图11为本申请实施例提供的一种钢筋数目统计架构的示意图。如图11所示，该架构可以包括：图片采集层、模型层、接口层及应用层；其中，图片采集层主要是训练样本图像集的收集及分类，为模型训练集构建及模型验证带来数据支撑；模型层主要是训练钢筋数目统计模型，该模型的训练样本图像集，前期可以通过人工标注的方法标注每根钢筋截面的左上角及右下角的像素点坐标，后期可以根据模型初步结果再加上人工修正，完善训练样本图像集，该模型通过深度神经网络构建，测试集验证模型结果，可以采取最优的模型结果用于实际应用；而封装好的模型可根据实际应用场景提供接口以调用，比如，以移动终端为例，实际应用中，可以提供接口供移动终端使用，使得用户可以通过移动终端自带的拍照功能获取待识别图像，从而输出相应的钢筋数量信息，使得灵活性、适用性更强。
图12为本申请实施例提供的另一种识别结果图像的示意图。在实际应用时，如果用户上传的待识别图像不是钢筋的图像、上传的图像不清晰、或者是有很多的干扰，也可以对该图像进行过滤，并给出相应的提示信息(比如，图片中钢筋不清晰)，以便可以提示用户重新输入图像，提高用户体验。如图12所示，为基于移动终端获取的某待识别图像的识别结果图像的示意图，由该图可知，该待识别图像中的钢筋总数为160根，可选地，待识别图像最好是待识别钢筋的正横截面拍照、图片清晰、钢筋排列排放整齐的图片，这样在识别时，一方面，准确率可以较高，另一方面，也便于用户复核钢筋数量。
图13为本申请实施例提供的一种钢筋数目统计模型训练装置的结构示意图，该装置基本原理及产生的技术效果与前述对应的方法实施例相同，为简要描述，本实施例中未提及部分，可参考方法实施例中的相应内容。如图13所示，该装置包括：第一获取模块110和训练模块120；第一获取模块110，用于获取训练样本图像集，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标；训练模块120，用于采用深度神经网络模型、以及训练样本图像集，训练获取钢筋数目统计模型。
可选地，上述训练模块120，具体用于采用K-means聚类方法对训练样本图像集进行聚类，获取多个先验框；根据深度神经网络模型、训练样本图像集和多个先验框，训练获取钢筋数目统计模型。
图14为本申请实施例提供的一种钢筋数目统计装置的结构示意图，该装置基本原理及产生的技术效果与前述对应的方法实施例相同，为简要描述，本实施例中未提及部分，可参考方法实施例中的相应内容。如图14所示，该装置包括：第二获取模块140和输出模块150。
第二获取模块140，用于获取待识别图像，待识别图像包括：多个钢筋截面；输出模块150，用于采用钢筋数目统计模型识别待识别图像，输出钢筋数量信息，其中，钢筋数目统计模型由深度神经网络模型、以及训练样本图像集训练获取，其中，训练样本图像集包括：多个包含钢筋截面的图像，每个图像中标注有各钢筋截面的至少2个对角坐标。
可选地，上述输出模块150，具体用于采用钢筋数目统计模型识别待识别图像，输出钢筋数量信息以及识别结果图像，识别结果图像包括：根据待识别图像标注的钢筋截面识别框，钢筋截面识别框用于框选各识别出的钢筋截面，钢筋截面识别框内包含对应钢筋截面的质心标识。
可选地，上述第二获取模块140，具体用于接收用户输入的初始图像；验证初始图像是否满足预设条件，若满足，则将初始图像作为待识别图像。
图15为本申请实施例提供的另一种钢筋数目统计装置的结构示意图。可选地，如图15所示，上述装置还包括：识别模块170和处理模块180，识别模块170，用于采用预设算法，识别待识别图像中是否包含干扰区域；处理模块180，用于若包含，则对干扰区域进行遮挡处理，获取处理后的待识别图像；相应地，上述输出模块150，具体用于采用钢筋数目统计模型识别处理后的待识别图像，输出除干扰区域以外的钢筋数量信息。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图16为本申请实施例提供的一种电子设备结构示意图。如图16所示，该电子设备可以包括：处理器210、存储介质220和总线230，存储介质220存储有处理器210可执行的机器可读指令，当电子设备运行时，处理器210与存储介质220之间通过总线230通信，处理器210执行机器可读指令，以执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。
可选地，本申请还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种钢筋数目统计模型训练方法，其特征在于，包括：
获取训练样本图像集，所述训练样本图像集包括：多个包含钢筋截面的图像，每个所述图像中标注有各钢筋截面的至少2个对角坐标；
采用深度神经网络模型、以及所述训练样本图像集，训练获取钢筋数目统计模型。
2.根据权利要求1所述的方法，其特征在于，所述采用深度神经网络模型、以及所述训练样本图像集，训练获取钢筋数目统计模型，包括：
采用K-means聚类方法对所述训练样本图像集进行聚类，获取多个先验框；
根据所述深度神经网络模型、所述训练样本图像集和多个所述先验框，训练获取钢筋数目统计模型。
3.一种钢筋数目统计方法，其特征在于，包括：
获取待识别图像，所述待识别图像包括：多个钢筋截面；
采用钢筋数目统计模型识别所述待识别图像，输出钢筋数量信息，其中，所述钢筋数目统计模型由深度神经网络模型、以及训练样本图像集训练获取，其中，所述训练样本图像集包括：多个包含钢筋截面的图像，每个所述图像中标注有各钢筋截面的至少2个对角坐标。
4.根据权利要求3所述的方法，其特征在于，所述采用钢筋数目统计模型识别所述待识别图像，输出钢筋数量信息，包括：
采用钢筋数目统计模型识别所述待识别图像，输出钢筋数量信息以及识别结果图像，所述识别结果图像包括：根据所述待识别图像标注的钢筋截面识别框，所述钢筋截面识别框用于框选各识别出的钢筋截面，所述钢筋截面识别框内包含对应钢筋截面的质心标识。
5.根据权利要求3所述的方法，其特征在于，所述获取待识别图像，包括：
接收用户输入的初始图像；
验证所述初始图像是否满足预设条件，若满足，则将所述初始图像作为所述待识别图像。
6.根据权利要求3-5任一项所述的方法，其特征在于，所述获取待识别图像之后，还包括：
采用预设算法，识别所述待识别图像中是否包含干扰区域；
若包含，则对所述干扰区域进行遮挡处理，获取处理后的待识别图像；
相应地，所述采用钢筋数目统计模型识别所述待识别图像，输出钢筋数量信息，包括：
采用钢筋数目统计模型识别所述处理后的待识别图像，输出除所述干扰区域以外的钢筋数量信息。
7.一种钢筋数目统计模型训练装置，其特征在于，包括：第一获取模块和训练模块；
所述第一获取模块，用于获取训练样本图像集，所述训练样本图像集包括：多个包含钢筋截面的图像，每个所述图像中标注有各钢筋截面的至少2个对角坐标；
所述训练模块，用于采用深度神经网络模型、以及所述训练样本图像集，训练获取钢筋数目统计模型。
8.一种钢筋数目统计装置，其特征在于，包括：第二获取模块和输出模块；
所述第二获取模块，用于获取待识别图像，所述待识别图像包括：多个钢筋截面；
所述输出模块，用于采用钢筋数目统计模型识别所述待识别图像，输出钢筋数量信息，其中，所述钢筋数目统计模型由深度神经网络模型、以及训练样本图像集训练获取，其中，所述训练样本图像集包括：多个包含钢筋截面的图像，每个所述图像中标注有各钢筋截面的至少2个对角坐标。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-6任一项所述方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-6任一项所述方法的步骤。
CN201911385890.1A 2019-12-25 2019-12-25 钢筋数目统计模型训练方法、统计方法、装置及设备 Pending CN111127457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911385890.1A CN111127457A (zh) 2019-12-25 2019-12-25 钢筋数目统计模型训练方法、统计方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911385890.1A CN111127457A (zh) 2019-12-25 2019-12-25 钢筋数目统计模型训练方法、统计方法、装置及设备

Publications (1)

Publication Number Publication Date
CN111127457A true CN111127457A (zh) 2020-05-08

Family

ID=70504278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911385890.1A Pending CN111127457A (zh) 2019-12-25 2019-12-25 钢筋数目统计模型训练方法、统计方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111127457A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680681A (zh) * 2020-06-10 2020-09-18 成都数之联科技有限公司 排除非正常识别目标的图像后处理方法及系统及计数方法
CN111738145A (zh) * 2020-06-19 2020-10-02 广联达科技股份有限公司 识别箍筋绕法的方法、装置、计算机设备及可读存储介质
CN111784281A (zh) * 2020-06-10 2020-10-16 中国铁塔股份有限公司 一种基于ai的资产识别方法及系统
CN111815594A (zh) * 2020-06-29 2020-10-23 浙江大华技术股份有限公司 钢筋检测方法以及相关设备、装置
CN111860131A (zh) * 2020-06-05 2020-10-30 中铁大桥科学研究院有限公司 一种基于图像识别技术的存梁台座识别方法及系统
CN112037195A (zh) * 2020-08-31 2020-12-04 中冶赛迪重庆信息技术有限公司 一种棒材长度异常的检测方法、系统、设备及介质
CN112489008A (zh) * 2020-11-27 2021-03-12 上海建工四建集团有限公司 钢筋识别系统、钢筋识别方法、以及钢筋计数验收系统
CN112800887A (zh) * 2021-01-16 2021-05-14 中建三局第一建设工程有限责任公司 一种柱状目标物识别系统
CN112991256A (zh) * 2020-12-11 2021-06-18 中国石油天然气股份有限公司 一种基于机器视觉和深度学习的油管物资统计方法
CN113674200A (zh) * 2021-07-08 2021-11-19 浙江大华技术股份有限公司 流水线上物品的计数方法及装置、计算机存储介质
CN114494767A (zh) * 2021-12-24 2022-05-13 广州粤建三和软件股份有限公司 一种钢筋数量识别方法、装置、设备及存储介质
CN115035372A (zh) * 2022-05-18 2022-09-09 杭州电子科技大学 一种基于目标检测的钢筋检测方法
CN115496000A (zh) * 2022-11-14 2022-12-20 深圳市地铁集团有限公司 一种城际铁路钢筋工程量的计算方法、系统及设备
CN115546221A (zh) * 2022-12-05 2022-12-30 广东广物互联网科技有限公司 一种钢筋计数方法、装置、设备及存储介质
CN116703904A (zh) * 2023-08-04 2023-09-05 中建八局第一数字科技有限公司 一种基于图像的钢筋数量检测方法、装置、设备及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808143A (zh) * 2017-11-10 2018-03-16 西安电子科技大学 基于计算机视觉的动态手势识别方法
CN108052946A (zh) * 2017-12-11 2018-05-18 国网上海市电力公司 一种基于卷积神经网络的高压机柜开关自动识别方法
CN108509860A (zh) * 2018-03-09 2018-09-07 西安电子科技大学 基于卷积神经网络的可可西里藏羚羊检测方法
CN108520277A (zh) * 2018-04-09 2018-09-11 哈尔滨工业大学 基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法
CN109086792A (zh) * 2018-06-26 2018-12-25 上海理工大学 基于检测和识别网络架构的细粒度图像分类方法
CN109685152A (zh) * 2018-12-29 2019-04-26 北京化工大学 一种基于dc-spp-yolo的图像目标检测方法
CN110032954A (zh) * 2019-03-27 2019-07-19 成都数之联科技有限公司 一种钢筋智能识别与计数方法及系统
CN110070074A (zh) * 2019-05-07 2019-07-30 安徽工业大学 一种构建行人检测模型的方法
CN110245689A (zh) * 2019-05-23 2019-09-17 杭州有容智控科技有限公司 基于机器视觉的盾构刀具识别与定位检测方法
CN110264466A (zh) * 2019-06-28 2019-09-20 广州市颐创信息科技有限公司 一种基于深度卷积神经网络的钢筋检测方法
CN110298821A (zh) * 2019-05-28 2019-10-01 昆明理工大学 一种基于Faster R-CNN的钢筋检测方法
CN110543878A (zh) * 2019-08-07 2019-12-06 华南理工大学 一种基于神经网络的指针仪表读数识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808143A (zh) * 2017-11-10 2018-03-16 西安电子科技大学 基于计算机视觉的动态手势识别方法
CN108052946A (zh) * 2017-12-11 2018-05-18 国网上海市电力公司 一种基于卷积神经网络的高压机柜开关自动识别方法
CN108509860A (zh) * 2018-03-09 2018-09-07 西安电子科技大学 基于卷积神经网络的可可西里藏羚羊检测方法
CN108520277A (zh) * 2018-04-09 2018-09-11 哈尔滨工业大学 基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法
CN109086792A (zh) * 2018-06-26 2018-12-25 上海理工大学 基于检测和识别网络架构的细粒度图像分类方法
CN109685152A (zh) * 2018-12-29 2019-04-26 北京化工大学 一种基于dc-spp-yolo的图像目标检测方法
CN110032954A (zh) * 2019-03-27 2019-07-19 成都数之联科技有限公司 一种钢筋智能识别与计数方法及系统
CN110070074A (zh) * 2019-05-07 2019-07-30 安徽工业大学 一种构建行人检测模型的方法
CN110245689A (zh) * 2019-05-23 2019-09-17 杭州有容智控科技有限公司 基于机器视觉的盾构刀具识别与定位检测方法
CN110298821A (zh) * 2019-05-28 2019-10-01 昆明理工大学 一种基于Faster R-CNN的钢筋检测方法
CN110264466A (zh) * 2019-06-28 2019-09-20 广州市颐创信息科技有限公司 一种基于深度卷积神经网络的钢筋检测方法
CN110543878A (zh) * 2019-08-07 2019-12-06 华南理工大学 一种基于神经网络的指针仪表读数识别方法

Non-Patent Citations (28)

* Cited by examiner, † Cited by third party
Title
HAN YANG等: "Quantity Detection of Steel Bars Based on Deep Learning" *
HAN YANG等: "Quantity Detection of Steel Bars Based on Deep Learning", 《OPEN ACCESS LIBRARY JOURNAL》, pages 1 - 9 *
ROSS GIRSHICK: "Fast R-CNN", 《ARXIV:1504.08083V2 [CS.CV]》, 27 September 2015 (2015-09-27), pages 1 - 9 *
ROSS GIRSHICK等: "Rich feature hierarchies for accurate object detection and semantic segmentation Tech report (v5)", 《ARXIV:1311.2524V5 [CS.CV]》, 22 October 2014 (2014-10-22), pages 1 - 21 *
SEOK HEON YUN: "Simplified Quantification Method on Rebar Work", pages 511 - 515 *
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《ARXIV:1506.01497V3[CS.CV]》, 6 January 2016 (2016-01-06), pages 1 - 14, XP055821951 *
TSUNG-YI LIN 等: "Focal Loss for Dense Object Detection", 《ARXIV:1708.02002V2 [CS.CV]》, 7 February 2018 (2018-02-07), pages 1 - 10, XP055964765 *
WEI LIU等: "SSD: Single Shot MultiBox Detector", 《ARXIV:1512.02325V5 [CS.CV]》, 29 December 2016 (2016-12-29), pages 1 - 17 *
ZHUN FAN等: "Automated Steel Bar Counting and Center Localization with Convolutional Neural Networks" *
ZHUN FAN等: "Automated Steel Bar Counting and Center Localization with Convolutional Neural Networks", 《ARXIV:1906.00891V2》, pages 1 - 9 *
严星: "基于图像分析的成捆钢筋端面识别与计数方法研究", pages 038 - 905 *
刘岑等: "改进 YOLOv3 算法在集装箱箱号定位中的应用", 《传感器与微系统》, pages 157 - 160 *
彭俊善: "基于数字图像处理技术建筑工地钢筋计数的方法", pages 138 - 919 *
彭功旭: "基于图像处理的成捆钢筋自动计数APP的研究和开发", pages 138 - 516 *
施辉等: "改进 YOLO v3的安全帽佩戴检测方法", 《计算机工程与应用》, pages 213 - 220 *
李嘉强: "基于Matlab图像处理的钢筋计数方法研究", pages 022 - 25 *
李篪: "一种基于图像处理的打捆钢筋计数方法", pages 551 - 554 *
杨磊等: "一种智能视频监控系统中的行人检测方法", 《计算机与现代化》, pages 69 - 74 *
牛彩红: "钢筋端部图像识别的研究与实现", pages 138 - 7112 *
王思元等: "基于改进YOLOv3算法的高密度人群目标实时检测方法研究", 《安全与环境工程》, pages 194 - 200 *
王毅恒等: "基于 YOLOv3 算法的农场环境下奶牛目标识别", 《广东石油化工学院学报》, pages 31 - 35 *
王铭杰: "基于YOLO V3的垃圾自动定位及分类方法", 《无线互联科技 》, pages 110 - 112 *
胡昌华等: "基于深度卷积神经网络的 SAR 图像舰船小目标检测", 《中国惯性学报》, pages 397 - 405 *
臧晶等: "Otsu算法的打捆钢筋计数方法研究", pages 47 - 50 *
蒋欣兰等: "高铁接触网异物侵入的机器视觉检测方法", 《计算机工程与应用》, pages 1 - 12 *
袁中锦等: "基于空间相关性的成捆钢筋图像计数算法研究", pages 10 - 13 *
郭倩倩: "目标识别技术在钢筋计数系统中的研究与应用", pages 023 - 15 *
金瑶等: "城市道路视频中小像素目标检测", 《光电工程》, pages 1 - 8 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860131A (zh) * 2020-06-05 2020-10-30 中铁大桥科学研究院有限公司 一种基于图像识别技术的存梁台座识别方法及系统
CN111680681A (zh) * 2020-06-10 2020-09-18 成都数之联科技有限公司 排除非正常识别目标的图像后处理方法及系统及计数方法
CN111784281A (zh) * 2020-06-10 2020-10-16 中国铁塔股份有限公司 一种基于ai的资产识别方法及系统
CN111680681B (zh) * 2020-06-10 2022-06-21 中建三局第一建设工程有限责任公司 排除非正常识别目标的图像后处理方法及系统及计数方法
CN111738145A (zh) * 2020-06-19 2020-10-02 广联达科技股份有限公司 识别箍筋绕法的方法、装置、计算机设备及可读存储介质
CN111815594A (zh) * 2020-06-29 2020-10-23 浙江大华技术股份有限公司 钢筋检测方法以及相关设备、装置
CN111815594B (zh) * 2020-06-29 2024-10-15 浙江大华技术股份有限公司 钢筋检测方法以及相关设备、装置
CN112037195A (zh) * 2020-08-31 2020-12-04 中冶赛迪重庆信息技术有限公司 一种棒材长度异常的检测方法、系统、设备及介质
CN112037195B (zh) * 2020-08-31 2023-04-07 中冶赛迪信息技术(重庆)有限公司 一种棒材长度异常的检测方法、系统、设备及介质
CN112489008A (zh) * 2020-11-27 2021-03-12 上海建工四建集团有限公司 钢筋识别系统、钢筋识别方法、以及钢筋计数验收系统
CN112991256A (zh) * 2020-12-11 2021-06-18 中国石油天然气股份有限公司 一种基于机器视觉和深度学习的油管物资统计方法
CN112800887B (zh) * 2021-01-16 2022-06-07 中建三局第一建设工程有限责任公司 一种柱状目标物识别系统
CN112800887A (zh) * 2021-01-16 2021-05-14 中建三局第一建设工程有限责任公司 一种柱状目标物识别系统
CN113674200A (zh) * 2021-07-08 2021-11-19 浙江大华技术股份有限公司 流水线上物品的计数方法及装置、计算机存储介质
CN114494767A (zh) * 2021-12-24 2022-05-13 广州粤建三和软件股份有限公司 一种钢筋数量识别方法、装置、设备及存储介质
CN115035372A (zh) * 2022-05-18 2022-09-09 杭州电子科技大学 一种基于目标检测的钢筋检测方法
CN115496000B (zh) * 2022-11-14 2023-04-07 深圳市地铁集团有限公司 一种城际铁路钢筋工程量的计算方法、系统及设备
CN115496000A (zh) * 2022-11-14 2022-12-20 深圳市地铁集团有限公司 一种城际铁路钢筋工程量的计算方法、系统及设备
CN115546221A (zh) * 2022-12-05 2022-12-30 广东广物互联网科技有限公司 一种钢筋计数方法、装置、设备及存储介质
CN115546221B (zh) * 2022-12-05 2023-04-25 广东广物互联网科技有限公司 一种钢筋计数方法、装置、设备及存储介质
CN116703904A (zh) * 2023-08-04 2023-09-05 中建八局第一数字科技有限公司 一种基于图像的钢筋数量检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111127457A (zh) 钢筋数目统计模型训练方法、统计方法、装置及设备
CN107944450B (zh) 一种车牌识别方法及装置
CN113723288B (zh) 基于多模态混合模型的业务数据处理方法及装置
CN110363747B (zh) 智能化异常细胞判断方法、装置及计算机可读存储介质
WO2020253508A1 (zh) 异常细胞检测方法、装置及计算机可读存储介质
WO2020244230A1 (zh) 资源转移、红包发放方法、装置及设备
CN113344986A (zh) 点云配准结果的评估方法、装置、设备及存储介质
CN112132130B (zh) 一种面向全场景的实时性车牌检测方法及系统
CN110610431A (zh) 基于大数据的智能理赔方法及智能理赔系统
CN113515981A (zh) 识别方法、装置、设备和存储介质
CN115272691A (zh) 一种钢筋绑扎状态检测模型的训练方法、识别方法及设备
CN110689440A (zh) 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质
CN112307994A (zh) 基于扫地机的障碍物识别方法、电子装置及存储介质
CN108256520B (zh) 一种识别硬币年份的方法、终端设备及计算机可读存储介质
CN110751226A (zh) 人群计数模型的训练方法、装置和存储介质
CN117196442B (zh) 基于大数据的智慧园区的智能调度方法和系统
CN113793326A (zh) 一种基于图像的疾病识别方法和装置
CN111815594B (zh) 钢筋检测方法以及相关设备、装置
CN112966687A (zh) 图像分割模型训练方法、装置及通信设备
CN112215276A (zh) 一种对抗网络的训练方法、装置、电子设备和存储介质
CN111696682A (zh) 数据处理方法、装置、电子设备及可读存储介质
CN116137061A (zh) 数量统计模型的训练方法、装置、电子设备及存储介质
CN110705420A (zh) 电梯轿厢广告精准推送方法、装置及存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN113593297B (zh) 一种停车位状态检测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination