CN113888513A - 一种基于深度神经网络模型的钢筋检测计数方法 - Google Patents
一种基于深度神经网络模型的钢筋检测计数方法 Download PDFInfo
- Publication number
- CN113888513A CN113888513A CN202111168273.3A CN202111168273A CN113888513A CN 113888513 A CN113888513 A CN 113888513A CN 202111168273 A CN202111168273 A CN 202111168273A CN 113888513 A CN113888513 A CN 113888513A
- Authority
- CN
- China
- Prior art keywords
- prediction
- frame
- box
- confidence
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 229910001294 Reinforcing steel Inorganic materials 0.000 title claims abstract description 16
- 238000003062 neural network model Methods 0.000 title claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 22
- 239000010959 steel Substances 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000001629 suppression Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000011478 gradient descent method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 206010037180 Psychiatric symptoms Diseases 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000003801 milling Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度神经网络模型的钢筋检测计数方法,涉及铣床辅助工具技术领域,采用滑动窗口法和马赛克增强方法对钢筋的原始图片数据集进行扩充增强,采用聚类算法自适应确定锚框尺寸;首先将钢筋图片作为输入,通过深度神经网络提取图像特征,经过检测头输出预测框,根据预测框和真实框计算得到损失函数,通过反向传播算法对模型参数进行优化,所使用的模型训练算法为基于动量的随机梯度下降法,最后对预测框进行软性非极大值抑制处理,得到最终的钢筋数量。
Description
技术领域
本发明涉及计算机视觉目标检测领域,更具体的是涉及一种基于深度神经网络模型的钢筋检测计数方法。
背景技术
在建筑行业中,钢筋是不可缺少的建筑材料之一。在钢筋的生产、运输、销售等每个环节都必须精确计算钢筋根数施工现场的工作人员需要对采购的钢筋进行清点确认数量。
传统的钢筋清点方式采用人工清点,该方式过程繁琐、耗时耗力且人力成本较高。基于传统数字图像处理的清点方式在复杂环境中易受拍摄背景、拍摄角度、光照强度等多方面因素的干扰,易出现重检、漏检等情况。
随着人工智能的发展,深度学习技术在目标检测等众多领域中取得了重大突破,发明一种准确、快速、轻量的钢筋清点方法可以解决传统方法的局限性,提高检测效率、降低检测成本。
发明内容
本发明的目的在于:为了解决上述技术问题,本发明提供一种基于深度神经网络模型的钢筋检测计数方法。
本发明为了实现上述目的具体采用以下技术方案:
一种基于深度神经网络模型的钢筋检测计数方法,包括原始图片数据集,数据集中的原始图片数量大于100,所述原始图片为钢筋整齐叠放状态下对钢筋端面拍摄的图像;具体计数方法为以下步骤:
步骤1:使用滑动窗口法和马赛克增强法分别对原始图片进行数据增强,得到钢筋图片;
步骤2:将钢筋图片作为输入,构建目标检测网络模型输出预测目标框;
步骤3:对预测目标框,进行损失计算;
步骤4:根据步骤3中损失计算使用的损失函数,反向传播计算模型参数梯度根据基于动量的随机梯度下降法更新模型参数;
步骤5:对步骤4中更新后的模型,计算平均精度,衡量模型的检测性能;
步骤6:对模型输出的所有预测框进行软性非极大值抑制处理,过滤掉重复目标框,计算得到钢筋的数量。
优选地,所述步骤1具体为:
步骤11:通过滑动窗口法滑动裁剪图片,对数据集进行离线增强;
步骤12:使用马赛克增强法对多个训练样本进行混合排布,进行线上数据增强。
优选地,所述步骤2具体为:目标检测网络模型结构由卷积层、池化层、空间金字塔层、残差连接层、批归一化层和检测头组成;
将钢筋图片作为输入依次进入卷积层、池化层、空间金字塔层、残差连接层、批归一化层处理;再通过检测头输出N个不同尺度的特征图,每张特征图产生C种不同形状大小的锚框,N、C均为正整数,根据检测头的输出作相应的变换得到预测框最终的位置和形状信息,采用的计算公式如下:
bx=σ(tx)*2-0.5+cx,
by=σ(ty)*2-0.5+cy,
bw=(σ(tw)*2)2*pw,
bh=(σ(th)*2)2*ph,
其中,tx、ty、tw、th分别是模型对横坐标、纵坐标、宽、高的预测值,cx、cy分别是栅格左上角相对特征图原点的偏移值,pw、ph分别是锚框的宽高,bx、by、bw、bh分别是预测框最终的横坐标、纵坐标、宽、高,σ是sigmoid激活函数,其采用的计算公式如下:
其中,x是激活函数的输入值,e是自然对数的底数。
优选地,所述步骤3中损失计算包括两部分:预测框置信度的损失和预测框相对真实框的位置偏移损失。
优选地,所述步骤3中置信度的损失函数L(pt)采用的计算公式如下:
其中,p是该预测框的置信度,y为1表示该预测框为前景类,y不为1表示该预测框为背景类,a为第一权重系数;
进一步,根据交并比预测框相对真实框的位置偏移计算损失LCLOU,公式如下:
其中,IoU表示预测框和真实框相交区域面积和相并区域的面积比,ρ表示预测框中心点和真实框中心点的欧氏距离,c是同时包含预测框和真实框的最小闭包区域的对角线距离,wgt表示真实框的宽,hgt表示真实框的高,w表示预测框的宽,h表示预测框的高,β表示第二权重系数,m是对真实框和预测框宽高比例相似程度的度量。
优选地,所述步骤4具体为:
根据损失函数,反向传播计算模型参数梯度,基于带动量的随机梯度下降算法更新模型参数,采用的计算公式如下:
vt+1=μ*vt+gt+1,
paramt+1=paramt-lr*vt+1,
其中,g表示损失函数对模型参数的梯度,μ表示模型参数梯度的动量,v表示模型参数梯度速率,param表示模型参数,lr表示学习率,下标t表示当前训练的轮次。
优选地,所述步骤5中对每个预测框进行真正例和假正例分类,按照置信度降序顺序依次统计真正例和假正例的数量,并计算准确率Precision和召回率Recall,采用的计算公式如下:
其中,TP表示预测结果中真正例的数量,FP表示预测结果中假正例的数量,FN表示预测结果中假反例的数量;
根据准确率和召回率的对应关系,计算得到平均精度值,采用的计算公式如下:
优选地,所述步骤6采用软性非极大值抑制算法对新样本进行过滤预测框,得到最终预测框的数量为最终钢筋计数结果。
优选地,所述步骤6中软性非极大值抑制流程具体为:
步骤61:对所有预测框按照置信度得分降序排序,设包含所有预测框的集合为S,B初始为空集合,按照置信度降序排序,
步骤62:取S中置信度最高的预测框M,将S集合中的M删除,将M加入到集合B中;
步骤63:计算S中剩余预测框与M的交并比,并采用如下计算公式更新S中剩余预测框的置信度,
其中,si表示S中的第i个预测框的置信度,bi表示集合S中的第i个预测框,Nt是交并比阈值,当S中剩余预测框和置信度最高的预测框交并比超过阈值时,则降低这些预测框的置信度;
步骤64:重复步骤62,直至S为空集合,得到B集合中的所有预测框的数量为最终钢筋计数结果
本发明的有益效果如下:
1.相比于人工清点钢筋数量的方式,模型识别提高了计数速度;
2.模型识别准确度相比于人工方式更高;
3.模型轻量,适合部署在移动端使用。
附图说明
图1为实施例一的方法流程图;
图2为马赛克增强法效果图;
图3为钢筋检测实际效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例1
如图1到3所示,本实施例提供一种基于深度神经网络模型的钢筋检测计数方法,其特征在于:包括以下步骤:
步骤1:使用滑动窗口法和马赛克增强法进行数据增强;
所述步骤1具体为:
步骤11:使用滑动窗口法和马赛克增强法进行数据增强,滑动窗口法的滑动规则为:从原始图片左上角开始,逐行向右滑动,到达右边界时,从下一行开始滑动,滑动窗口的横向滑动步长和纵向滑动步长设置为32像素,使用滑动窗口对图片进行裁剪时,超出滑动窗口边界的钢筋目标框所对应的标签要进行边界处理,具体处理规则是将超出边界的标签框截断,保留在滑动窗口内部的部分;
步骤12:马赛克增强法具体方法为:预定义一个原图像2倍长宽的空白图像I,在I内随机选取一点(x,y)作为4张图像的分界点,以(x,y)作为原点,分别建立和水平边界、垂直边界平行的x轴、y轴,坐标系将新的图像分为四个象限,第一、二、三、四张图片分别放置于第一、二、三、四象限,图像的边角和中心点(x,y)对齐,将超出边界部分的图像裁掉;
所述步骤2中的目标检测网络模型结构具体为:由卷积层、池化层、空间金字塔层、残差连接层、批归一化层和检测头组成。其中,Conv组件由卷积层、批归一化处理层、ReLU激活层组成;Bottleneck组件由两个Conv组件和残差连接结构组成;BottleneckCSP组件由Conv组件和串联的Bottleneck组件构成,并由残差结构将输入和中间层输出结果进行连接;Focus组件在保证输入信息不丢失的情况下,对输入进行切片操作,并扩充通道维度为输入的4倍;空间金字塔组件由3个不同感受野大小的池化层并联构成;检测头在图像特征图上进行卷积操作输出3个不同尺度的特征图,每张特征图产生3种不同形状大小的锚框;
所述步骤3中总体损失函数的计算具体为:
总体损失函数包括两部分:预测框置信度的损失和预测框相对真实框的位置偏移损失;
置信度的损失函数采用的计算公式如下:
其中,p是该预测框的置信度,y为1表示该预测框为前景类,y不为1表示该预测框为背景类,α为第一权重系数。
进一步,根据交并比预测框相对真实框的位置偏移计算损失LCLOU,公式如下:
其中,IoU表示预测框和真实框相交区域面积和相并区域的面积比,ρ表示预测框中心点和真实框中心点的欧氏距离,c是同时包含预测框和真实框的最小闭包区域的对角线距离,wgt表示真实框的宽,hgt表示真实框的高,w表示预测框的宽,h表示预测框的高,β表示第二权重系数,m是对真实框和预测框宽高比例相似程度的度量;
所述步骤4中基于动量的随机梯度下降法具体为:根据损失函数,反向传播计算模型参数梯度,基于带动量的随机梯度下降算法更新模型参数,采用的计算公式如下:
vt+1=μ*vt+gt+1,
paramt+1=paramt-lr*vt+1,
其中,g表示损失函数对模型参数的梯度,μ表示模型参数梯度的动量,v表示模型参数梯度速率,param表示模型参数,lr表示学习率,下标t表示当前训练的轮次;
所述步骤5中计算模型平均精度具体为按照置信度降序顺序依次统计真正例和假正例的数量,并计算准确率Precision和召回率Recall,采用的计算公式如下:
其中,TP表示预测结果中真正例的数量,FP表示预测结果中假正例的数量,FN表示预测结果中假反例的数量;
根据准确率和召回率的对应关系,计算得到平均精度值,采用的计算公式如下:
所述步骤6中对模型输出的所有预测框进行软性非极大值抑制处理具体为:
步骤61:对所有预测框按照置信度得分降序排序,设包含所有预测框的集合为S,B为空集合,按照置信度降序排序,
步骤62:取S中置信度最高的预测框M,将S集合中的M删除,将M加入到集合B中;
步骤63:计算S中剩余预测框与M的交并比,并采用如下计算公式更新S中剩余预测框的置信度,
其中,si表示S中的第i个预测框的置信度,Nt是交并比阈值。当S中剩余预测框和置信度最高的预测框交并比超过阈值时,则降低这些预测框的置信度。
步骤64:重复步骤62,直至S为空集合,得到B集合中的所有预测框的数量为最终钢筋计数结果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明的保护范围,任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度神经网络模型的钢筋检测计数方法,其特征在于,包括原始图片数据集,数据集中的原始图片数量大于100,所述原始图片为钢筋整齐叠放状态下对钢筋端面拍摄的图像;具体计数方法为以下步骤:
步骤1:使用滑动窗口法和马赛克增强法分别对原始图片进行数据增强,得到钢筋图片;
步骤2:将钢筋图片作为输入,构建目标检测网络模型输出预测目标框;
步骤3:对预测目标框,进行损失计算;
步骤4:根据步骤3中损失计算使用的损失函数,反向传播计算模型参数梯度根据基于动量的随机梯度下降法更新模型参数;
步骤5:对步骤4中更新后的模型,计算平均精度,衡量模型的检测性能;
步骤6:对模型输出的所有预测框进行软性非极大值抑制处理,过滤掉重复目标框,计算得到钢筋的数量。
2.根据权利要求1所述的一种基于深度神经网络模型的钢筋检测计数方法,其特征在于,所述步骤1具体为:
步骤11:通过滑动窗口法滑动裁剪图片,对数据集进行离线增强;
步骤12:使用马赛克增强法对多个训练样本进行混合排布,进行线上数据增强。
3.根据权利要求1所述的一种基于深度神经网络模型的钢筋检测计数方法,其特征在于,所述步骤2具体为:目标检测网络模型结构由卷积层、池化层、空间金字塔层、残差连接层、批归一化层和检测头组成;
将钢筋图片作为输入依次进入卷积层、池化层、空间金字塔层、残差连接层、批归一化层处理;再通过检测头输出N个不同尺度的特征图,每张特征图产生C种不同形状大小的锚框,N、C均为正整数,根据检测头的输出作相应的变换得到预测框最终的位置和形状信息,采用的计算公式如下:
bx=σ(tx)*2-0.5+cx,
by=σ(ty)*2-0.5+cy,
bw=(σ(tw)*2)2*pw,
bh=(σ(th)*2)2*ph,
其中,tx、ty、tw、th分别是模型对横坐标、纵坐标、宽、高的预测值,cx、cy分别是栅格左上角相对特征图原点的偏移值,pw、ph分别是锚框的宽高,bx、by、bw、bh分别是预测框最终的横坐标、纵坐标、宽、高,σ是sigmoid激活函数,其采用的计算公式如下:
其中,x是激活函数的输入值,e是自然对数的底数。
4.根据权利要求1所述的一种基于深度神经网络模型的钢筋检测计数方法,其特征在于,所述步骤3中损失计算包括两部分:预测框置信度的损失和预测框相对真实框的位置偏移损失。
5.根据权利要求4所述的一种基于深度神经网络模型的钢筋检测计数方法,其特征在于,所述步骤3中置信度的损失函数L(pt)采用的计算公式如下:
其中,p是该预测框的置信度,y为1表示该预测框为前景类,y不为1表示该预测框为背景类,a为第一权重系数;
进一步,根据交并比预测框相对真实框的位置偏移计算损失LCLOU,公式如下:
其中,IoU表示预测框和真实框相交区域面积和相并区域的面积比,ρ表示预测框中心点和真实框中心点的欧氏距离,c是同时包含预测框和真实框的最小闭包区域的对角线距离,wgt表示真实框的宽,hgt表示真实框的高,w表示预测框的宽,h表示预测框的高,β表示第二权重系数,m是对真实框和预测框宽高比例相似程度的度量。
6.根据权利要求1所述的一种基于深度神经网络模型的钢筋检测计数方法,其特征在于,所述步骤4具体为:
根据损失函数,反向传播计算模型参数梯度,基于带动量的随机梯度下降算法更新模型参数,采用的计算公式如下:
vt+1=μ*vt+gt+1,
paramt+1=paramt-lr*vt+1,
其中,g表示损失函数对模型参数的梯度,μ表示模型参数梯度的动量,v表示模型参数梯度速率,param表示模型参数,lr表示学习率,下标t表示当前训练的轮次。
7.根据权利要求1所述的一种基于深度神经网络模型的钢筋检测计数方法,其特征在于,所述步骤5中对每个预测框进行真正例和假正例分类,按照置信度降序顺序依次统计真正例和假正例的数量,并计算准确率Precision和召回率Recall,采用的计算公式如下:
其中,TP表示预测结果中真正例的数量,FP表示预测结果中假正例的数量,FN表示预测结果中假反例的数量;
根据准确率和召回率的对应关系,计算得到平均精度值,采用的计算公式如下:
8.根据权利要求1所述的一种基于深度神经网络模型的钢筋检测计数方法,其特征在于,所述步骤6采用软性非极大值抑制算法对新样本进行过滤预测框,得到最终预测框的数量为最终钢筋计数结果。
9.根据权利要求8所述的一种基于深度神经网络模型的钢筋检测计数方法,其特征在于,所述步骤6中软性非极大值抑制流程具体为:
步骤61:对所有预测框按照置信度得分降序排序,设包含所有预测框的集合为S,B初始为空集合,按照置信度降序排序,
步骤62:取S中置信度最高的预测框M,将S集合中的M删除,将M加入到集合B中;
步骤63:计算S中剩余预测框与M的交并比,并采用如下计算公式更新S中剩余预测框的置信度,
其中,si表示S中的第i个预测框的置信度,bi表示集合S中的第i个预测框,Nt是交并比阈值,当S中剩余预测框和置信度最高的预测框交并比超过阈值时,则降低这些预测框的置信度;
步骤64:重复步骤62,直至S为空集合,得到B集合中的所有预测框的数量为最终钢筋计数结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111168273.3A CN113888513A (zh) | 2021-09-30 | 2021-09-30 | 一种基于深度神经网络模型的钢筋检测计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111168273.3A CN113888513A (zh) | 2021-09-30 | 2021-09-30 | 一种基于深度神经网络模型的钢筋检测计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888513A true CN113888513A (zh) | 2022-01-04 |
Family
ID=79005461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111168273.3A Pending CN113888513A (zh) | 2021-09-30 | 2021-09-30 | 一种基于深度神经网络模型的钢筋检测计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888513A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638830A (zh) * | 2022-05-18 | 2022-06-17 | 安徽数智建造研究院有限公司 | 隧道钢筋识别模型的训练方法及隧道钢筋识别方法 |
CN114694032A (zh) * | 2022-06-02 | 2022-07-01 | 中建电子商务有限责任公司 | 一种基于密集目标检测的钢筋计数处理方法 |
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 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018173676A (ja) * | 2017-03-31 | 2018-11-08 | オリンパス株式会社 | 鉄筋計数装置、計数方法、プログラム |
CN109145854A (zh) * | 2018-08-31 | 2019-01-04 | 东南大学 | 一种基于级联卷积神经网络结构的人脸检测方法 |
CN109934121A (zh) * | 2019-02-21 | 2019-06-25 | 江苏大学 | 一种基于YOLOv3算法的果园行人检测方法 |
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 |
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 |
CN111639740A (zh) * | 2020-05-09 | 2020-09-08 | 武汉工程大学 | 一种基于多尺度卷积神经网络的钢筋计数方法 |
CN112287788A (zh) * | 2020-10-20 | 2021-01-29 | 杭州电子科技大学 | 基于改进YOLOv3和改进NMS的行人检测方法 |
CN112580542A (zh) * | 2020-12-24 | 2021-03-30 | 杭州电子科技大学 | 一种基于目标检测的钢筋计数方法 |
CN112766188A (zh) * | 2021-01-25 | 2021-05-07 | 浙江科技学院 | 一种基于改进yolo算法的小目标行人检测方法 |
CN112819804A (zh) * | 2021-02-23 | 2021-05-18 | 西北工业大学 | 一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法 |
-
2021
- 2021-09-30 CN CN202111168273.3A patent/CN113888513A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018173676A (ja) * | 2017-03-31 | 2018-11-08 | オリンパス株式会社 | 鉄筋計数装置、計数方法、プログラム |
CN109145854A (zh) * | 2018-08-31 | 2019-01-04 | 东南大学 | 一种基于级联卷积神经网络结构的人脸检测方法 |
CN109934121A (zh) * | 2019-02-21 | 2019-06-25 | 江苏大学 | 一种基于YOLOv3算法的果园行人检测方法 |
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 |
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 |
CN111639740A (zh) * | 2020-05-09 | 2020-09-08 | 武汉工程大学 | 一种基于多尺度卷积神经网络的钢筋计数方法 |
CN112287788A (zh) * | 2020-10-20 | 2021-01-29 | 杭州电子科技大学 | 基于改进YOLOv3和改进NMS的行人检测方法 |
CN112580542A (zh) * | 2020-12-24 | 2021-03-30 | 杭州电子科技大学 | 一种基于目标检测的钢筋计数方法 |
CN112766188A (zh) * | 2021-01-25 | 2021-05-07 | 浙江科技学院 | 一种基于改进yolo算法的小目标行人检测方法 |
CN112819804A (zh) * | 2021-02-23 | 2021-05-18 | 西北工业大学 | 一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法 |
Non-Patent Citations (7)
Title |
---|
BODLA NAVANEETH 等: "Soft-NMS--improving object detection with one line of code" * |
KWANG-JU KIM 等: "Performance Enhancement of YOLOv3 by Adding Prediction Layers with Spatial Pyramid Pooling for Vehicle Detection" * |
ZHAOHUI ZHENG 等: "Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression" * |
王嘉琳: "基于YOLOv5和DeepSORT的多目标跟踪算法研究与应用" * |
石京磊: "基于卷积神经网络的钢筋计数算法研究" * |
蔡舒平 等: "基于改进型YOLOv4的果园障碍物实时检测方法" * |
赵辉 等: "基于改进YOLOv3的果园复杂环境下苹果果实识别" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638830A (zh) * | 2022-05-18 | 2022-06-17 | 安徽数智建造研究院有限公司 | 隧道钢筋识别模型的训练方法及隧道钢筋识别方法 |
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 |
CN114694032A (zh) * | 2022-06-02 | 2022-07-01 | 中建电子商务有限责任公司 | 一种基于密集目标检测的钢筋计数处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113888513A (zh) | 一种基于深度神经网络模型的钢筋检测计数方法 | |
CN110032954B (zh) | 一种钢筋智能识别与计数方法及系统 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
CN112347882B (zh) | 一种智能分拣控制方法和智能分拣控制系统 | |
CN110222769B (zh) | 一种基于YOLOV3-tiny的改进目标检测方法 | |
CN109800735A (zh) | 一种船目标精确检测与分割方法 | |
CN110991444B (zh) | 面向复杂场景的车牌识别方法及装置 | |
CN110991435A (zh) | 一种基于深度学习的快递运单关键信息定位方法和装置 | |
CN111738258A (zh) | 一种基于机器人巡检的指针式仪表读数识别方法 | |
CN111178206A (zh) | 一种基于改进yolo的建筑预埋件检测方法及系统 | |
CN109829476B (zh) | 基于yolo的端到端三维物体检测方法 | |
CN111639740A (zh) | 一种基于多尺度卷积神经网络的钢筋计数方法 | |
CN110796048A (zh) | 一种基于深度神经网络的船舰目标实时检测方法 | |
CN113947766B (zh) | 一种基于卷积神经网络的实时车牌检测方法 | |
CN110796141A (zh) | 目标检测方法及相关设备 | |
CN110188780B (zh) | 用于定位多目标特征点的深度学习模型的构建方法及装置 | |
CN104915678A (zh) | 一种输电线路中目标对象的检测方法及装置 | |
CN113052834A (zh) | 一种基于卷积神经网络多尺度特征的管道缺陷检测方法 | |
CN110728307A (zh) | 自生成数据集与标签实现x光影像图小样本字符识别方法 | |
CN111241994A (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
CN111680681A (zh) | 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 | |
CN114565842A (zh) | 基于Nvidia Jetson嵌入式硬件的无人机实时目标检测方法及系统 | |
CN112580542A (zh) | 一种基于目标检测的钢筋计数方法 | |
CN113516053A (zh) | 一种具有旋转不变性的舰船目标精细化检测方法 | |
CN116503760A (zh) | 基于自适应边缘特征语义分割的无人机巡航检测方法 |
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 |