CN111860131A - 一种基于图像识别技术的存梁台座识别方法及系统 - Google Patents

一种基于图像识别技术的存梁台座识别方法及系统 Download PDF

Info

Publication number
CN111860131A
CN111860131A CN202010507757.5A CN202010507757A CN111860131A CN 111860131 A CN111860131 A CN 111860131A CN 202010507757 A CN202010507757 A CN 202010507757A CN 111860131 A CN111860131 A CN 111860131A
Authority
CN
China
Prior art keywords
storage
image
section
beam storage
identified
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
CN202010507757.5A
Other languages
English (en)
Inventor
王波
阮小丽
赵训刚
吴巨峰
王熊珏
吴何
陈圆
韩子午
张文祥
毛众庆
江禹
王鑫
林杨威
孙舟
田忍
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.)
China Railway Major Bridge Engineering Group Co Ltd MBEC
China Railway Bridge Science Research Institute Ltd
Original Assignee
China Railway Major Bridge Engineering Group Co Ltd MBEC
China Railway Bridge Science Research Institute 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 China Railway Major Bridge Engineering Group Co Ltd MBEC, China Railway Bridge Science Research Institute Ltd filed Critical China Railway Major Bridge Engineering Group Co Ltd MBEC
Priority to CN202010507757.5A priority Critical patent/CN111860131A/zh
Publication of CN111860131A publication Critical patent/CN111860131A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种基于图像识别技术的存梁台座识别方法及系统，涉及梁场管理技术领域，该方法包括以下步骤：利用预设的图像采集装置采集多个存梁台座对应的存梁截面图像样本；对各存梁截面图像样本进行标注处理，并利用深度学习算法根据标注处理后的各存梁截面图像样本训练得到目标检测模型；利用图像采集装置采集待识别存梁台座对应的待识别存梁截面图像样本；基于目标检测模型对待识别存梁截面图像样本进行解析，获得与待识别存梁台座的存梁种类信息以及对应各存梁种类信息的存梁数量信息。本申请利用图像识别技术，对存梁台座存储的预制梁存储情况进行监测分析，对存梁台座的存储工作进行高效的管理，减少管理人员的工作任务。

Description

一种基于图像识别技术的存梁台座识别方法及系统
技术领域
本发明涉及梁场管理技术领域，具体涉及一种基于图像识别技术的存梁台座识别方法及系统。
背景技术
存梁台座用于存放预制梁，属于存放预制梁的重要设备。通常情况下，工作人员需要经常对存梁台座的预制梁存储情况进行监控，从而了解存梁台座的使用情况以及预制梁的存放进度，一方面方便对预制梁的制作进度进行调整，另一方面方便掌握预制梁的存储量，方便后期对于预制梁的调度工作。
现有技术手段中，通常采用人工统计的方法对存梁台座的存储情况进行监控，人工统计预制梁的种类预计数量，并向上级汇报。
然而，人工统计的方式工作量较大，工作人员在进行统计工作时也存在较大的误差概率，故而需要提供一种更高效准确的存量台座存储情况监控方案。
发明内容
本申请实施例提供一种基于图像识别技术的存梁台座识别方法及系统，利用图像识别技术，对存梁台座存储的预制梁存储情况进行监测分析，对存梁台座的存储工作进行高效的管理，减少管理人员的工作任务，降低管理成本。
第一方面，提供了一种基于图像识别技术的存梁台座识别方法，所述方法包括以下步骤：
利用预设的图像采集装置采集多个存梁台座对应的存梁截面图像样本；
对各所述存梁截面图像样本进行标注处理，并利用深度学习算法根据标注处理后的各所述存梁截面图像样本训练得到用于存梁区存梁台座状态识别的目标检测模型；
利用所述图像采集装置采集待识别存梁台座对应的待识别存梁截面图像样本；
基于所述目标检测模型对所述待识别存梁截面图像样本进行解析，获得与所述待识别存梁台座的存梁种类信息以及对应各存梁种类信息的存梁数量信息；其中，
所述存梁截面图像样本包括至少一个预制梁截面图形或背景图像；
所述待识别存梁截面图像样本包括至少一种预制梁截面图形或背景图像；
各所述存梁种类信息分别对应不同的所述预制梁截面图形。
具体的，所述对各所述存梁截面图像样本进行标注处理，并利用深度学习算法根据标注处理后的各所述存梁截面图像样本训练得到用于存梁区存梁台座状态识别的目标检测模型，具体包括以下步骤：
对各所述存梁截面图像样本内的所述预制梁截面图形进行标注；
利用深度学习算法根据标注处理后的各所述存梁截面图像样本训练得到所述目标检测模型。
具体的，利用yolo-v3深度学习模型根据标注处理后的各所述存梁截面图像样本训练得到所述目标检测模型。
具体的，所述存梁种类信息包括箱梁、预制板梁以及T梁；
所述箱梁对应的所述预制梁截面图形为上宽下窄且内部中空的梯形；
所述预制板梁对应的所述预制梁截面图形为内部实心的矩形；
所述T梁对应的所述预制梁截面图形为T形。
优选的，所述图像采集装置为摄像机或相机。
第二方面，提供了一种基于图像识别技术的存梁台座识别系统，所述系统包括：
图像采集装置，其用于采集多个存梁台座对应的存梁截面图像样本，还用于采集待识别存梁台座对应的待识别存梁截面图像样本；
样本标注单元，其用于对各所述存梁截面图像样本进行标注处理；
模型训练单元，其用于利用深度学习算法根据标注处理后的各所述存梁截面图像样本训练得到用于存梁区存梁台座状态识别的目标检测模型；
存梁台座状态识别单元，其用于基于所述目标检测模型，对所述待识别存梁截面图像样本进行解析，获得与所述待识别存梁台座的存梁种类信息以及对应各存梁种类信息的存梁数量信息；其中，
所述存梁截面图像样本包括至少一个预制梁截面图形或背景图像；
所述待识别存梁截面图像样本包括至少一种预制梁截面图形或背景图像；
各所述存梁种类信息分别对应不同的所述预制梁截面图形。
具体的，所述样本标注单元具体用于对各所述存梁截面图像样本内的所述预制梁截面图形进行标注。
具体的，所述模型训练单元利用yolo-v3深度学习模型根据标注处理后的各所述存梁截面图像样本训练得到所述目标检测模型。
具体地，所述存梁种类信息包括箱梁、预制板梁以及T梁；
所述箱梁对应的所述预制梁截面图形为上宽下窄且内部中空的梯形；
所述预制板梁对应的所述预制梁截面图形为内部实心的矩形；
所述T梁对应的所述预制梁截面图形为T形。
优选的，所述图像采集装置为摄像机或相机。
本申请提供的技术方案带来的有益效果包括：
本申请实施例提供了一种基于图像识别技术的存梁台座识别技术，利用图像识别技术，对存梁台座存储的预制梁存储情况进行监测分析，对存梁台座的存储工作进行高效的管理，减少管理人员的工作任务，降低管理成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为本申请实施例1提供的基于图像识别技术的存梁台座识别方法的步骤流程图；
图2为本申请实施例2提供的基于图像识别技术的存梁台座识别系统的结构框图；
附图标记：
1、图像采集装置；2、样本标注单元；3、模型训练单元；4、存梁台座状态识别单元。
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的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
以下结合附图对本发明的实施例作进一步详细说明。
本申请实施例提供一种基于图像识别技术的存梁台座识别方法及系统，利用图像识别技术，对存梁台座存储的预制梁存储情况进行监测分析，对存梁台座的存储工作进行高效的管理，减少管理人员的工作任务，降低管理成本。
为达到上述技术效果，本申请的总体思路如下：
一种基于图像识别技术的存梁台座识别方法，该方法包括以下步骤：
S1、利用预设的图像采集装置采集多个存梁台座对应的存梁截面图像样本；
S2、对各存梁截面图像样本进行标注处理，并利用深度学习算法根据标注处理后的各存梁截面图像样本训练得到用于存梁区存梁台座状态识别的目标检测模型；
S3、利用图像采集装置采集待识别存梁台座对应的待识别存梁截面图像样本；
S4、基于目标检测模型对待识别存梁截面图像样本进行解析，获得与待识别存梁台座的存梁种类信息以及对应各存梁种类信息的存梁数量信息；其中，
存梁截面图像样本包括至少一个预制梁截面图形或背景图像；
待识别存梁截面图像样本包括至少一种预制梁截面图形或背景图像；
各存梁种类信息分别对应不同的预制梁截面图形。
以下结合附图对本发明的实施例作进一步详细说明。
实施例1
参见图1所示，本申请实施例提供一种基于图像识别技术的存梁台座识别方法，该方法包括以下步骤：
S1、利用预设的图像采集装置采集多个存梁台座对应的存梁截面图像样本；
S2、对各存梁截面图像样本进行标注处理，并利用深度学习算法根据标注处理后的各存梁截面图像样本训练得到用于存梁区存梁台座状态识别的目标检测模型；
S3、利用图像采集装置采集待识别存梁台座对应的待识别存梁截面图像样本；
S4、基于目标检测模型对待识别存梁截面图像样本进行解析，获得与待识别存梁台座的存梁种类信息以及对应各存梁种类信息的存梁数量信息；其中，
存梁截面图像样本包括至少一个预制梁截面图形或背景图像；
待识别存梁截面图像样本包括至少一种预制梁截面图形或背景图像；
各存梁种类信息分别对应不同的预制梁截面图形。
本申请实施例中，步骤S1和步骤S2属于前期工作，首先利用预设的图像采集装置对多个存梁台座进行信息采集，采集多个存梁台座对应的存梁截面图像样本，并对各存梁截面图像样本进行标注处理，具体标注各存梁截面图像样本内的预制梁截面图形，从而得知各存梁截面图像样本内存梁种类信息以及对应各存梁种类信息的存梁数量信息，以标注处理后的存梁截面图像样本作为数据依据，利用深度学习算法根据标注处理后的多个存梁截面图像样本训练得到目标检测模型，在需要对特定的存梁台座进行识别时，再利用目标检测模型进行图像分析工作。
步骤S3至S4为具体的识别工作，当需要对某一存梁台座的存梁情况进行识别时，定义该存梁台座为待识别存梁台座，首先利用图像采集装置采集待识别存梁台座的待识别存梁截面图像样本；
进而，在利用目标检测模型对待识别存梁截面图像样本进行解析，由于待识别存梁截面图像样本包括至少一种预制梁截面图形或背景图像，当待识别存梁截面图像样本仅包括背景图像时，即待识别存梁截面图像样本显示只有存梁台座，表示对应的存梁台座上并未存储预制梁，而各存梁种类信息分别对应不同的预制梁截面图形，获得与待识别存梁台座的预制梁的存梁种类信息以及对应各存梁种类信息的存梁数量信息。
同样，当存梁截面图像样本仅包括背景图像时，即存梁截面图像样本显示只有存梁台座，表示对应的存梁台座上并未存储预制梁。
需要说明的是，由于模型训练的要求，多个存梁截面图像样本实际上是需要大量的存梁截面图像样本，标注处理后的存梁截面图像样本作为深度学习获得目标检测模型的数据依据，其具体数量是多少，则根据实际情况选择，至少满足正常的深度学习的数据要求。
具体的，存梁种类信息包括箱梁、预制板梁以及T梁；
箱梁对应的预制梁截面图形为上宽下窄且内部中空的梯形；
预制板梁对应的预制梁截面图形为内部实心的矩形；
T梁对应的预制梁截面图形为T形。
在此，给出一种具体的实施例子：
获取待识别存梁台座对应的待识别存梁截面图像样本，解析待识别存梁截面图像样本中的预制梁截面图形以及分别对应的数量；
根据各预制梁截面图形解析得知对应的存梁种类信息，进而获得各存梁种类信息对应的数量，从而能够根据标注处理后的待识别存梁截面图像样本了解待识别存梁台座具体存储哪些种类的预制梁，每种的数量是多少；
具体则是识别出待识别存梁台座存储的箱梁、预制板梁以及T梁分别是多少。
本申请实施例，利用图像识别技术，对存梁台座存储的预制梁存储情况进行监测分析，对存梁台座的存储工作进行高效的管理，减少管理人员的工作任务，降低管理成本。
需要说明的是，图像采集装置可以是摄像机或相机等具有摄像功能的设备。
具体的，对各存梁截面图像样本进行标注处理，并利用深度学习算法根据标注处理后的各存梁截面图像样本训练得到用于存梁区存梁台座状态识别的目标检测模型，具体包括以下步骤：
对各存梁截面图像样本内的预制梁截面图形进行标注；
利用深度学习算法根据标注处理后的各存梁截面图像样本训练得到目标检测模型。
具体的，利用yolo-v3深度学习模型根据标注处理后的各存梁截面图像样本训练得到目标检测模型。
需要说明的是，各存梁截面图像样本包括至少一个预制梁截面图形或背景图像，具体是指存梁截面图像样本可以表示对应的存梁台座存储有预制梁，也可以没有存储任何一个种类的预制梁，当对应的存梁台座没有存储预制梁时，其对应的存梁截面图像样本则是背景图像，即仅仅显示存梁台座。
必要时，可以在前期，图像采集装置采集多个存梁台座对应的图像数据，其中的60％作为存梁截面图像样本用于进行模型训练，其中的40％作为测试图像信息用于进行模型测试。
实施例2
参见图2所示，本申请实施例提供一种基于图像识别技术的存梁台座识别系统，该系统包括：
图像采集装置1，其用于采集多个存梁台座对应的存梁截面图像样本，还用于采集待识别存梁台座对应的待识别存梁截面图像样本；
样本标注单元2，其用于对各存梁截面图像样本进行标注处理；
模型训练单元3，其用于利用深度学习算法根据标注处理后的各存梁截面图像样本训练得到用于存梁区存梁台座状态识别的目标检测模型；
存梁台座状态识别单元4，其用于基于目标检测模型，对待识别存梁截面图像样本进行解析，获得与待识别存梁台座的存梁种类信息以及对应各存梁种类信息的存梁数量信息；其中，
存梁截面图像样本包括至少一个预制梁截面图形或背景图像；
待识别存梁截面图像样本包括至少一种预制梁截面图形或背景图像；
各存梁种类信息分别对应不同的预制梁截面图形。
本申请实施例中，先开展前期准备工作，首先利用预设的图像采集装置对多个存梁台座进行信息采集，采集多个存梁台座对应的存梁截面图像样本，并对各存梁截面图像样本进行标注处理，具体标注各存梁截面图像样本内的预制梁截面图形，从而得知各存梁截面图像样本内存梁种类信息以及对应各存梁种类信息的存梁数量信息，以标注处理后的存梁截面图像样本作为数据依据，利用深度学习算法根据多个标注处理后的存梁截面图像样本训练得到目标检测模型，在需要对特定的存梁台座进行识别时，再利用目标检测模型进行图像分析工作。
而后进行具体的识别工作，当需要对某一存梁台座的存梁情况进行识别时，定义该存梁台座为待识别存梁台座，首先利用图像采集装置采集待识别存梁台座的待识别存梁截面图像样本；
在利用目标检测模型对待识别存梁截面图像样本进行解析，由于待识别存梁截面图像样本包括至少一种预制梁截面图形或背景图像，当待识别存梁截面图像样本仅包括背景图像时，即待识别存梁截面图像样本显示只有存梁台座，表示对应的存梁台座上并未存储预制梁，而各存梁种类信息分别对应不同的预制梁截面图形，获得与待识别存梁台座的预制梁的存梁种类信息以及对应各存梁种类信息的存梁数量信息。
同样，当存梁截面图像样本仅包括背景图像时，即存梁截面图像样本显示只有存梁台座，表示对应的存梁台座上并未存储预制梁。
需要说明的是，由于模型训练的要求，多个存梁截面图像样本实际上是需要大量的存梁截面图像样本，标注处理后的存梁截面图像样本作为深度学习获得目标检测模型的数据依据，而具体数量是多少，则根据实际情况选择，至少满足正常的深度学习的数据要求。
具体的，样本标注单元2具体用于对各存梁截面图像样本内的预制梁截面图形进行标注。
具体的，存梁种类信息包括箱梁、预制板梁以及T梁；
箱梁对应的预制梁截面图形为上宽下窄且内部中空的梯形；
预制板梁对应的预制梁截面图形为内部实心的矩形；
T梁对应的预制梁截面图形为T形。
在此，给出一种具体的实施例子：
获取待识别存梁台座对应的待识别存梁截面图像样本，解析待识别存梁截面图像样本中的预制梁截面图形以及分别对应的数量；
根据各预制梁截面图形解析得知对应的存梁种类信息，进而获得各存梁种类信息对应的数量，从而能够根据待识别存梁截面图像样本了解待识别存梁台座具体存储哪些种类的预制梁，每种的数量是多少；
具体则是识别出待识别存梁台座存储的箱梁、预制板梁以及T梁分别是多少。
本申请实施例，利用图像识别技术，对存梁台座存储的预制梁存储情况进行监测分析，对存梁台座的存储工作进行高效的管理，减少管理人员的工作任务，降低管理成本。
需要说明的是，图像采集装置可以是摄像机或相机等具有摄像功能的设备；
存梁截面图像样本包括至少一个预制梁截面图形或背景图像。
具体的，模型训练单元3利用yolo-v3深度学习模型根据标注处理后的各存梁截面图像样本训练得到目标检测模型。
需要说明的是，各存梁截面图像样本包括至少一个预制梁截面图形或背景图像，具体是指存梁截面图像样本可以表示对应的存梁台座存储有预制梁，也可以没有存储任何一个种类的预制梁，当对应的存梁台座没有存储预制梁时，其对应的存梁截面图像样本则是背景图像，即仅仅显示存梁台座。
需要说明的是，在本申请中，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。
以上仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于图像识别技术的存梁台座识别方法，其特征在于，所述方法包括以下步骤：
利用预设的图像采集装置采集多个存梁台座对应的存梁截面图像样本；
对各所述存梁截面图像样本进行标注处理，并利用深度学习算法根据标注处理后的各所述存梁截面图像样本训练得到用于存梁区存梁台座状态识别的目标检测模型；
利用所述图像采集装置采集待识别存梁台座对应的待识别存梁截面图像样本；
基于所述目标检测模型对所述待识别存梁截面图像样本进行解析，获得与所述待识别存梁台座的存梁种类信息以及对应各存梁种类信息的存梁数量信息；其中，
所述存梁截面图像样本包括至少一个预制梁截面图形或背景图像；
所述待识别存梁截面图像样本包括至少一种预制梁截面图形或背景图像；
各所述存梁种类信息分别对应不同的所述预制梁截面图形。
2.如权利要求1所述的基于图像识别技术的存梁台座识别方法，其特征在于，所述对各所述存梁截面图像样本进行标注处理，并利用深度学习算法根据标注处理后的各所述存梁截面图像样本训练得到用于存梁区存梁台座状态识别的目标检测模型，具体包括以下步骤：
对各所述存梁截面图像样本内的所述预制梁截面图形进行标注；
利用深度学习算法根据标注处理后的各所述存梁截面图像样本训练得到所述目标检测模型。
3.如权利要求2所述的基于图像识别技术的存梁台座识别方法，其特征在于：
利用yolo-v3深度学习模型根据标注处理后的各所述存梁截面图像样本训练得到所述目标检测模型。
4.如权利要求1所述的基于图像识别技术的存梁台座识别方法，其特征在于：
所述存梁种类信息包括箱梁、预制板梁以及T梁；
所述箱梁对应的所述预制梁截面图形为上宽下窄且内部中空的梯形；
所述预制板梁对应的所述预制梁截面图形为内部实心的矩形；
所述T梁对应的所述预制梁截面图形为T形。
5.如权利要求1所述的基于图像识别技术的存梁台座识别方法，其特征在于：
所述图像采集装置为摄像机或相机。
6.一种基于图像识别技术的存梁台座识别系统，其特征在于，所述系统包括：
图像采集装置(1)，其用于采集多个存梁台座对应的存梁截面图像样本，还用于采集待识别存梁台座对应的待识别存梁截面图像样本；
样本标注单元(2)，其用于对各所述存梁截面图像样本进行标注处理；
模型训练单元(3)，其用于利用深度学习算法根据标注处理后的各所述存梁截面图像样本训练得到用于存梁区存梁台座状态识别的目标检测模型；
存梁台座状态识别单元(4)，其用于基于所述目标检测模型，对所述待识别存梁截面图像样本进行解析，获得与所述待识别存梁台座的存梁种类信息以及对应各存梁种类信息的存梁数量信息；其中，
所述存梁截面图像样本包括至少一个预制梁截面图形或背景图像；
所述待识别存梁截面图像样本包括至少一种预制梁截面图形或背景图像；
各所述存梁种类信息分别对应不同的所述预制梁截面图形。
7.如权利要求6所述的基于图像识别技术的存梁台座识别系统，其特征在于：
所述样本标注单元(2)具体用于对各所述存梁截面图像样本内的所述预制梁截面图形进行标注。
8.如权利要求7所述的基于图像识别技术的存梁台座识别系统，其特征在于：
所述模型训练单元(3)利用yolo-v3深度学习模型根据标注处理后的各所述存梁截面图像样本训练得到所述目标检测模型。
9.如权利要求6所述的基于图像识别技术的存梁台座识别系统，其特征在于：
所述存梁种类信息包括箱梁、预制板梁以及T梁；
所述箱梁对应的所述预制梁截面图形为上宽下窄且内部中空的梯形；
所述预制板梁对应的所述预制梁截面图形为内部实心的矩形；
所述T梁对应的所述预制梁截面图形为T形。
10.如权利要求6所述的基于图像识别技术的存梁台座识别系统，其特征在于：
所述图像采集装置为摄像机或相机。
CN202010507757.5A 2020-06-05 2020-06-05 一种基于图像识别技术的存梁台座识别方法及系统 Pending CN111860131A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010507757.5A CN111860131A (zh) 2020-06-05 2020-06-05 一种基于图像识别技术的存梁台座识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010507757.5A CN111860131A (zh) 2020-06-05 2020-06-05 一种基于图像识别技术的存梁台座识别方法及系统

Publications (1)

Publication Number Publication Date
CN111860131A true CN111860131A (zh) 2020-10-30

Family

ID=72986095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010507757.5A Pending CN111860131A (zh) 2020-06-05 2020-06-05 一种基于图像识别技术的存梁台座识别方法及系统

Country Status (1)

Country Link
CN (1) CN111860131A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019200769A (ja) * 2018-05-14 2019-11-21 パナソニックＩｐマネジメント株式会社 学習装置、学習方法及びプログラム
CN110866476A (zh) * 2019-11-06 2020-03-06 南京信息职业技术学院 一种基于自动标注和迁移学习的密集堆垛目标检测方法
WO2020064877A1 (de) * 2018-09-29 2020-04-02 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Schachteln von werkstücken für schneidprozesse einer flachbettwerkzeugmaschine
CN111127457A (zh) * 2019-12-25 2020-05-08 上海找钢网信息科技股份有限公司 钢筋数目统计模型训练方法、统计方法、装置及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019200769A (ja) * 2018-05-14 2019-11-21 パナソニックＩｐマネジメント株式会社 学習装置、学習方法及びプログラム
WO2020064877A1 (de) * 2018-09-29 2020-04-02 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Schachteln von werkstücken für schneidprozesse einer flachbettwerkzeugmaschine
CN110866476A (zh) * 2019-11-06 2020-03-06 南京信息职业技术学院 一种基于自动标注和迁移学习的密集堆垛目标检测方法
CN111127457A (zh) * 2019-12-25 2020-05-08 上海找钢网信息科技股份有限公司 钢筋数目统计模型训练方法、统计方法、装置及设备

Similar Documents

Publication Publication Date Title
CN109858367B (zh) 工人通过支撑不安全行为的视觉自动化检测方法及系统
CN111563530B (zh) 一种智能化桥梁病害巡检方法和系统
CN111260325A (zh) 基于bim的桥梁施工进度管理系统
CN111950470A (zh) 一种智能监控方法、装置、计算机设备及存储介质
CN109064449B (zh) 一种桥梁表面病害的检测方法
CN116363125B (zh) 基于深度学习的电池模组外观缺陷检测方法及系统
CN113688965B (zh) 一种自动仓储扫码检测的方法和货物管理系统
CN108629310B (zh) 一种工程管理监督方法及装置
CN111144749A (zh) 电网图像智能标注众包平台及工作方法
CN116664001B (zh) 一种基于人工智能的学员技能评估方法及系统
CN106447157A (zh) 产品测试监管方法及其监管系统
CN107333101B (zh) 一种基于开庭公告的庭审人员行为巡查方法和系统
CN114792024A (zh) 一种基于bim模型的建筑物安全巡查系统及方法
CN111860131A (zh) 一种基于图像识别技术的存梁台座识别方法及系统
CN114092382A (zh) 产品瑕疵标记装置和方法
CN115861895A (zh) 一种磷酸铁锂生产现场的物料追踪方法及系统
CN113450324B (zh) 一种钢轨内部缺陷长度分析方法及系统
KR20160141508A (ko) 공사 유형에 따른 소요 자원 예측 방법 및 시스템
CN113850534A (zh) 计划管理方法、系统、可读存储介质及计算机设备
Kanis et al. Automatic detection of track length defects
CN114298063B (zh) 安全工器具的信息更新处理方法、装置、存储介质及设备
CN117075556B (zh) 一种基于物联网的智能仪表装配方法及系统
CN113627130B (zh) 一种确定钢-混凝土结构构件编码的方法及系统
CN117151397B (zh) 一种现场检查方案任务智能匹配管理方法
CN113928947B (zh) 电梯维保过程检测方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030

RJ01 Rejection of invention patent application after publication