CN115170489A - 一种钢筋识别、测量方法及装置 - Google Patents
一种钢筋识别、测量方法及装置 Download PDFInfo
- Publication number
- CN115170489A CN115170489A CN202210732346.5A CN202210732346A CN115170489A CN 115170489 A CN115170489 A CN 115170489A CN 202210732346 A CN202210732346 A CN 202210732346A CN 115170489 A CN115170489 A CN 115170489A
- Authority
- CN
- China
- Prior art keywords
- image
- end point
- depth
- steel bar
- dimensional coordinate
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
-
- 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
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开了一种钢筋识别、测量方法及装置,一种钢筋识别方法包括:获取图像;对所述图像进行预处理,获得深度图像;构建最优多类别分割模型,所述多类别包括钢筋区域和背景区域;所述深度图像通过所述最优多类别分割模型,获得所述深度图像内的钢筋区域。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种钢筋识别、测量方法及装置。
背景技术
目前预制构件已广泛应用于建筑和基础设施的装配式结构建造中。与现浇结构相比,装配式结构具有模块化设计和生产、短周期建造和节能环保等优点。在装配式建筑中,预制构件的安装必然是重要的一环。
预制墙体安装包括钢筋校正和构件安装两大步骤,即先检查和校正钢筋位置,然后使墙体按照所设控制线下落,完成墙体安装。其中钢筋校正确保突出钢筋的位置与预制墙体的套筒位置一一对应,这是预制墙体安装的核心环节。
现阶段对钢筋的校正主要是通过使用卷尺,逐个量取钢筋距离边线的位置(该位置对应着同样位置的套筒距离构件边缘的位置),然后与图纸信息进行比对,将位置有误的钢筋进行校正。这种传统的方法非常耗时,效率不高;且工人作业具有随机性和主观性,难以避免量取失误而导致构件安装困难。
发明内容
本实施例提供一种钢筋识别、测量方法及装置,用以解决现有技术中手动测量钢筋效率较低的问题。
为了实现上述目的,本发明提供如下技术方案:
第一方面,本申请实施例提供一种钢筋识别方法,所述方法包括:
获取图像;
对所述图像进行预处理,获得深度图像;
构建最优多类别分割模型,所述多类别包括钢筋区域和背景区域;
所述深度图像通过所述最优多类别分割模型,获得所述深度图像内的钢筋区域。
第二方面,本申请实施例还提供一种钢筋测量方法,所述方法包括:
获取含有钢筋区域的有效图像;
确定有效图像内钢筋的上端点和下端点的三维坐标点;
根据上端点和下端点的三维坐标点,获得钢筋的长度。
第三方面,本申请实施例还提供一种钢筋识别装置,所述装置包括:
第一获取模块,用于获取图像;
预处理模块,用于对所述图像进行预处理,获得深度图像;
构模型构建模块,用于建最优多类别分割模型,所述多类别包括钢筋区域和背景区域;
钢筋识别模块,用于所述深度图像通过所述最优多类别分割模型,获得所述深度图像内的钢筋区域。
第四方面,本申请实施例还提供一种钢筋测量装置,包括:
第二获取模块,用于获取含有钢筋区域的有效图像;
三维坐标模块,用于确定有效图像内钢筋的上端点和下端点的三维坐标点;
计算模块,用于根据上端点和下端点的三维坐标点,获得钢筋的长度。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:采用智能辅助安装,能够有效提高工人作业效率,减少工人工程量,同时,还为预制构件智能化建造奠定了基础。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本书明书实施例提供的一种钢筋识别方法的流程示意图;
图2为本说明书实施例提供的一种钢筋测量方法的流程示意图;
图3为本书明书实施例提供的一种钢筋识别装置的结构示意图;
图4为本书明书实施例提供的一种钢筋测量装置的结构示意图;
图5为本说明书实施例提供的钢筋识别结果示意图;
图6为本说明书实施例提供的钢筋三维坐标系示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,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。
现阶段对钢筋的校正主要是通过使用卷尺,逐个量取钢筋距离边线的位置(该位置对应着同样位置的套筒距离构件边缘的位置),然后与图纸信息进行比对,将位置有误的钢筋进行校正。这种传统的方法非常耗时,效率不高;且工人作业具有随机性和主观性,难以避免量取失误而导致构件安装困难。
基于此,本发明基于视觉和卷积神经网络,提出一种钢筋识别、测量方法及装置,对钢筋进行识别并定位,通过钢筋之间的相对位置关系,来辅助套筒安装。这种方法不仅提高施工效率,节约人力成本,还在一定程度上推动了装配式建造的智能化发展,是装配式建造自动化的重要基石。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本公开实施例提供一种钢筋识别方法,用于准确识别图像中的钢筋区域,为获得钢筋的准确位置做基础。所述方法可以但不限于应用于建筑市场中。
请参见图1和图5,图1为本公开实施例提供的一种钢筋识别方法的流程示意图;图5为本公开实施例提供的钢筋识别结果示意图。如图1所示,所述方法包括以下步骤:
S101、获取图像。
在具体实施中,获取图像的方式包括但不限于基于深度相机或深度相机组的采集装置。而且,基于深度相机或深度相机组的采集装置图像采集,可用来创建一个具有多场景的钢筋数据集。本实施例选用深度相机进行图像采集,通过深度相机拍摄得到RGB图像和对应的depth图像。在具体应用中,根据使用情况选择图像获取方式,此处不做限定。
进一步说明的,深度相机可选择但不限于双目相机或者基于ToF的单目深度相机,以及其他可满足精度需求的深度相机。
应当理解的,上述列举的具体相关内容,仅仅用于示例性说明,不应当对本申请造成任何的限定。
S103、对所述图像进行预处理,获得深度图像;
在具体实施中,对所述图像进行预处理的方式包括但不限于对所述图像进行校正、图像对齐和图像滤波,获得深度图像。
其中,图像校正旨在减弱或消除由摄像头带来的图像畸变情况。以双目深度相机为例,可采用张世标定法,分别对双目视觉系统左右摄像头进行标定,分别得到两组相机的内外参数矩阵cam,进一步地,通过内外参数矩阵cam对其所对应的摄像头所拍摄的图像进行校正,以排除畸变的影响。取左目相机为最终RGB图像,经图像校正得到彩色图像,记为RGB_image。
图像对齐指通过深度相机得到的depth图像与RGB_image的像素点对齐操作,根据不同的深度相机原理有对应的校正方法。以双目相机为例,RGB_image为左目图像,而depth图像的有效区域为左目图像和右目图像重叠区域。因此,首先使depth图像的尺寸扩充至左目图像尺寸,超出重叠区域的深度值用0填充,使depth图像的像素坐标与左目RGB图像的像素坐标一一对应,最终得到RGB图像中每一像素点的深度值信息,即depth图像。
图像滤波处理主要去除depth图像的噪点,剔除depth图像的异常值,提高三维信息准确度。图像滤波算法一般为均值滤波、中值滤波和高斯滤波。可根据具体实施例的深度图像情况针对性的选择图像滤波算法。
应当理解的,上述列举的具体相关内容,仅仅用于示例性说明,不应当对本申请造成任何的伤害。
S105、构建最优多类别分割模型,所述多类别包括钢筋区域和背景区域;
在具体实施中,构建最优多类别分割模型当时包括但不限于:基于图像分割方法构建多类别分割模型。其中,多类别包括钢筋区域和背景区域。
构建深度学习数据集,对所述深度学习数据集进行筛选,获得含有钢筋区域的图像数据。其中,筛选方式包括但不限于使用人工筛选。
将所述含有钢筋区域的图像数据分成训练集和验证集。
利用训练集对多类别分割模型进行训练,并通过验证集对训练后的多类别分割模型进行验证,以便获得最优多类别分割模型。
进一步的,对输入多类别分割模型的数据进行数据增强,包括但不限于图像色度调整,图像旋转、图像缩放、图像平移、图像模糊;考虑具体实施例的数据情况采用特定给的增强策略,例如,调整不同的色度以适应不同的日照环境,如晴朗的自然光和光线昏暗的傍晚;调整不同的高斯模糊以丰富拍摄时不同运动模糊的场景;采用图像缩放来适应不同尺寸的识别物形态,以适应复杂的工地环境。
应当理解的,上述列举的具体相关内容,仅仅用于示例性说明,不应当对本申请造成任何的伤害。
S107、所述深度图像通过所述最优多类别分割模型,获得所述深度图像内的钢筋区域。
在具体实施中,如图5所示,通过最优类别分割模型,获得所述深度图像内的钢筋区域以及黑色背景区域。
本实施例能够通过对所述图像进行预处理,获得深度图像,并使所述深度图像通过所述最优多类别分割模型,获得所述深度图像内的钢筋区域,达到获取准确识别图像中的钢筋区域目的,为获得钢筋的准确位置做基础;以及在多类别分割模型训练过程加入特定的数据增强策略,如用高斯模糊模拟图像模糊问题,用不同亮度模拟不同的光照环境,达到降低环境影响的目的。同时,本实施例使用深度相机作为主要采集设备,具有成本小便携度高的优点,且可部署在移动端,更加贴近装配式建造的应用场景。
进一步说明的,本公开实施例提供一种钢筋测量方法,所述方法可以但不限于应用于建筑市场中。
参见图2和图5,图2为本公开实施例提供的一种钢筋测量方法的流程示意图;图5为本公开实施例提供的钢筋三维坐标系示意图。请参阅图2所示,本公开实施例提供一种钢筋测量方法,方法包括以下步骤:
S201、获取含有钢筋区域的有效图像;
在具体实施中,获取含有钢筋区域的有效图像的方式可以但不限于参考一种钢筋识别方法的内容,此处不做重复描述。
S203、确定有效图像内钢筋的上端点和下端点的三维坐标点;
在具体实施中,请参阅图6所示,获取有效图像内每根钢筋的中位线,延长中位线至钢筋区域的两端,获得钢筋的上端点和下端点;
根据表达式(1)获得所述上端点和下端点深度值,所述深度值是指坐标系下的Z值;
根据表达式(2)获得上端点和下端点的三维坐标点;
其中,所述表达式(1)为:
p_depth=median(depth[(x-r):(x+r),(y-r):(y+r)]) (1)
其中,depth代表深度图像;
x,y代表该点在图像中的二维坐标;
r代表取二维坐标r邻域,为防止深度相机的深度值飘移问题;
median()代表取所有领域内深度值的中位数作为该点的深度值;
p_depth代表该点的深度值;
其中,x,y代表该点在图像中的二维坐标;
X,Y,Z代表相机坐标系下的坐标值;
ppx,ppy为相机内参,代表光心的偏移量;
fx,fy为相机内参,代表相机的焦距。
S205、根据上端点和下端点的三维坐标点,获得钢筋的长度。
在具体实施中,钢筋的长度由表达式(3)获得;
所述表达式(3)为
其中,X,Y,Z代表相机坐标系下的坐标值;
L代表钢筋的长度。
本实施,能够通过获取含有钢筋区域的有效图像;确定有效图像内钢筋的上端点和下端点的三维坐标点;根据上端点和下端点的三维坐标点,获得钢筋的长度。实现对钢筋的智能定位,降低工人工程量,提高工作效率。
进一步的,根据上端点和下端点的三维坐标点,获得钢筋之间的相对实际距离,以便更好的安装套筒。
在具体实施中,根据相邻钢筋之间的上端点和下端点的三维坐标点的差值计算,能够获得相邻钢筋之间的距离,以便提高套筒的安装效率。
进一步的,根据上端点和下端点的三维坐标点,基于BIM对钢筋的实际分布情况进行三维重建。
进一步说明,本公开实施例还提供了一种钢筋识别装置,请参阅图3所示,图3为本公开实施例提供的一种钢筋识别装置的结构示意图。所述装置包括:
第一获取模块301,用于获取图像;
预处理模块302,用于对所述图像进行预处理,获得深度图像;
构模型构建模块303,用于建最优多类别分割模型,所述多类别包括钢筋区域和背景区域;
钢筋识别模块304,用于所述深度图像通过所述最优多类别分割模型,获得所述深度图像内的钢筋区域。
筛选模块,用于构建深度学习数据集,对所述深度学习数据集进行筛选,获得含有钢筋区域的图像数据。
数据划分模块,用于将所述含有钢筋区域的图像数据分成训练集和验证集。
训练模块,用于利用训练集对多类别分割模型进行训练,并通过验证集对训练后的多类别分割模型进行验证,以便获得最优多类别分割模型。
进一步说明的,本公开实施例该提供一种钢筋测量装置,请参阅图4所示,图4为本公开实施例提供的一种钢筋测量装置的结构示意图,装置包括:
第二获取模块401,用于获取含有钢筋区域的有效图像;
三维坐标模块402,用于确定有效图像内钢筋的上端点和下端点的三维坐标点;
计算模块403,用于根据上端点和下端点的三维坐标点,获得钢筋的长度。
其中,所述计算模块还用于根据上端点和下端点的三维坐标点,获得钢筋之间的相对实际距离,以便更好的安装套筒。
三维建模模块,用于根据上端点和下端点的三维坐标点,基于BIM对钢筋的实际分布情况进行三维重建。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
因此,本申请还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请中任一实施例所述的方法。
进一步地,本申请还提出一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请任一实施例所述的方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商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实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (10)
1.一种钢筋识别方法,其特征在于,所述方法包括:
获取图像;
对所述图像进行预处理,获得深度图像;
构建最优多类别分割模型,所述多类别包括钢筋区域和背景区域;
所述深度图像通过所述最优多类别分割模型,获得所述深度图像内的钢筋区域。
2.根据权利要求1所述的一种钢筋识别方法,其特征在于,所述对所述图像进行预处理,获得深度图像,包括:
对所述图像进行校正、图像对齐和图像滤波,获得深度图像。
3.根据权利要求1所述的一种钢筋识别方法,其特征在于,所述构建最优多类别分割模型,包括:
基于图像分割方法构建多类别分割模型;
构建深度学习数据集,对所述深度学习数据集进行筛选,获得含有钢筋区域的图像数据;
将所述含有钢筋区域的图像数据分成训练集和验证集;
利用训练集对多类别分割模型进行训练,并通过验证集对训练后的多类别分割模型进行验证,以便获得最优多类别分割模型。
4.一种钢筋测量方法,其特征在于,所述方法包括:
获取含有钢筋区域的有效图像;
确定有效图像内钢筋的上端点和下端点的三维坐标点;
根据上端点和下端点的三维坐标点,获得钢筋的长度。
5.根据权利要求4所述的一种钢筋测量方法,其特征在于,所述确定有效图像内钢筋的上端点和下端点的三维坐标点,包括:
获取有效图像内每根钢筋的中位线,延长中位线至钢筋区域的两端,获得钢筋的上端点和下端点;
根据表达式(1)获得所述上端点和下端点深度值,所述深度值是指坐标系下的Z值;
根据表达式(2)获得上端点和下端点的三维坐标点;
其中,所述表达式(1)为:
p_depth=median(depth[(x-r):(x+r),(y-r):(y+r)]) (1)
其中,depth代表深度图像;
x,y代表该点在图像中的二维坐标;
r代表取二维坐标r邻域,为防止深度相机的深度值飘移问题;
median()代表取所有领域内深度值的中位数作为该点的深度值;
p_depth代表该点的深度值;
表达式(2)为:
其中,x,y代表该点在图像中的二维坐标;
X,Y,Z代表相机坐标系下的坐标值;
ppx,ppy为相机内参,代表光心的偏移量;
fx,fy为相机内参,代表相机的焦距。
7.根据权利要求4所述的一种钢筋测量方法,其特征在于,所述确定有效图像内钢筋的上端点和下端点的三维坐标点,之后还包括:
根据上端点和下端点的三维坐标点,获得钢筋之间的相对实际距离,以便更好的安装套筒。
8.根据权利要求4所述的一种钢筋测量方法,其特征在于,所述确定有效图像内钢筋的上端点和下端点的三维坐标点,之后还包括:
根据上端点和下端点的三维坐标点,基于BIM对钢筋的实际分布情况进行三维重建。
9.一种钢筋识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取图像;
预处理模块,用于对所述图像进行预处理,获得深度图像;
构模型构建模块,用于建最优多类别分割模型,所述多类别包括钢筋区域和背景区域;
钢筋识别模块,用于所述深度图像通过所述最优多类别分割模型,获得所述深度图像内的钢筋区域。
10.一种钢筋测量装置,其特征在于,包括:
第二获取模块,用于获取含有钢筋区域的有效图像;
三维坐标模块,用于确定有效图像内钢筋的上端点和下端点的三维坐标点;
计算模块,用于根据上端点和下端点的三维坐标点,获得钢筋的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210732346.5A CN115170489A (zh) | 2022-06-24 | 2022-06-24 | 一种钢筋识别、测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210732346.5A CN115170489A (zh) | 2022-06-24 | 2022-06-24 | 一种钢筋识别、测量方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170489A true CN115170489A (zh) | 2022-10-11 |
Family
ID=83487430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210732346.5A Pending CN115170489A (zh) | 2022-06-24 | 2022-06-24 | 一种钢筋识别、测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170489A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-06-24 CN CN202210732346.5A patent/CN115170489A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331872B (zh) | 图像拼接方法 | |
CN104517110A (zh) | 一种二维码图像的二值化方法及系统 | |
CN111311632B (zh) | 一种物体位姿跟踪方法、装置及设备 | |
CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
CN111105452B (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN107993263A (zh) | 环视系统自动标定方法、汽车、标定装置及存储介质 | |
CN102867295B (zh) | 一种彩色图像颜色校正方法 | |
CN109242811B (zh) | 一种图像对齐方法及其装置、计算机可读存储介质和计算机设备 | |
CN109035170B (zh) | 基于单网格图分段映射的自适应广角图像校正方法及装置 | |
CN104252700A (zh) | 一种红外图像的直方图均衡化方法 | |
CN103530852A (zh) | 一种镜头畸变校正方法 | |
CN105719250A (zh) | 基于简单背景的图像修复方法、系统及拍摄终端 | |
CN113724379B (zh) | 融合图像与激光点云的三维重建方法及装置 | |
CN107749986A (zh) | 教学视频生成方法、装置、存储介质和计算机设备 | |
CN115170489A (zh) | 一种钢筋识别、测量方法及装置 | |
CN115082450A (zh) | 基于深度学习网络的路面裂缝检测方法和系统 | |
CN111161140B (zh) | 一种畸变图像的矫正方法及装置 | |
CN109712197B (zh) | 一种机场跑道网格化标定方法及系统 | |
CN107798694A (zh) | 一种像素点视差值计算方法、装置及终端 | |
CN114494013A (zh) | 一种图像拼接方法、装置、设备及介质 | |
CN105335959A (zh) | 成像装置快速对焦方法及其设备 | |
CN113592739A (zh) | 一种镜头阴影校正的方法、装置及存储介质 | |
CN104180794A (zh) | 数字正射影像拉花区域的处理方法 | |
CN105427299A (zh) | 一种基于畸变校正的像机焦距求解方法 | |
CN115661258A (zh) | 标定方法及装置、畸变校正方法及装置、存储介质、终端 |
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 |