CN115311611A - 一种用于装配式建筑预制构件生产的钢筋计数方法 - Google Patents

一种用于装配式建筑预制构件生产的钢筋计数方法 Download PDF

Info

Publication number
CN115311611A
CN115311611A CN202210954734.8A CN202210954734A CN115311611A CN 115311611 A CN115311611 A CN 115311611A CN 202210954734 A CN202210954734 A CN 202210954734A CN 115311611 A CN115311611 A CN 115311611A
Authority
CN
China
Prior art keywords
steel bar
counting
image
network
face
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
CN202210954734.8A
Other languages
English (en)
Inventor
李学俊
王恒新
周思宇
琚川徽
史快乐
叶小菁
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.)
Green Industry Innovation Research Institute of Anhui University
Original Assignee
Green Industry Innovation Research Institute of Anhui University
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 Green Industry Innovation Research Institute of Anhui University filed Critical Green Industry Innovation Research Institute of Anhui University
Priority to CN202210954734.8A priority Critical patent/CN115311611A/zh
Publication of CN115311611A publication Critical patent/CN115311611A/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
    • G06V20/50—Context or environment of the image
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • 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
    • G06V2201/06—Recognition of objects for industrial automation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明提供一种用于装配式建筑预制构件生产的钢筋计数方法。首先构建一个基于钢筋端面图像的计数网络；然后获取包含钢筋端面的图像作为计数网络的原始输入数据；再通过计数网络对图像进行特征提取和分析处理，获取每个钢筋端面在图像中的位置和钢筋数量；然后将钢筋位置标记在图像中，并对检测异常的钢筋端面进行修正。本发明基于深度学习和神经网络的独特优势，能够对装配式建筑行业内的多个场景实现高效的钢筋计数，具有多种尺度的特征图提取与检测功能，可以支持不同直径的钢筋计数，可以在不更改网络模型地基础上完成统一装配式建筑生产施工现场的多种类型的钢筋计数，且可以实时监控库存钢筋容量和钢筋参数信息，具有较强的实用性。

Description

一种用于装配式建筑预制构件生产的钢筋计数方法
技术领域
本发明涉及装配式建筑工业技术领域，具体涉及一种用于装配式建筑预制 构件生产的钢筋计数方法。
背景技术
装配式建筑是在工厂内预先对各类型的建筑构件进行加工，然后运输到建 设工地现场通过可靠的连接拼装装配而成的新型建筑方式。相对现有的现浇结 构建筑而言，具有可规模化生产，建设速度快、建造成本低的优点，是未来建筑 行业发展的一个重要方向。
在装配式建筑预制构件的实际生产中，钢筋作为主要的建筑材料在预制构 件生产过程的多个环节中均有应用。一般而言，在钢筋的完整生命周期，包括生 产、运输、出售等环节中，扎捆计数都是计算利润和衡量产量的关键步骤。无论 是出库还是入库，无论是对钢筋制造企业、钢筋销售商还是购买方而言，为了保 障每个环节的精确可控，必须获取精确根数来避免计量异议，这样可以将大大降 低交接环节可能产生的经济风险和纠纷。在钢筋企业将钢筋通过运输车辆运送 到工地上之后，一般需要供货方、劳务队材料员、项目部材料员三方工地人员对 钢筋数量进行清点以完成货物验收。目前工地普遍采用人工计数方法，使用不同 颜色的颜料或者点支电子自动计数笔对将要清点的钢筋进行区分标记。
人工计数虽然简单，但工作强度大，清点过程繁琐枯燥，工作人员会长时间 处于高度紧张的状态，容易导致计数误差。此外整个过程常常需要进行反复校对， 工人数完一车钢筋一般需要花费半小时左右，如果一次进场多辆车则需要花费 好几个小时，其效率已经无法满足现代化钢铁企业快速生产的需求。另外，对于 扎捆钢筋，也有人尝试利用重量传感器来计数，由于同类型钢筋都满足相应的国 家标准，理论上应满足重量与数量的换算等式：扎捆钢筋数量＝扎捆钢筋质量/对 应长度钢筋的单根平均质量。该方法看似可行，但钢材制造加工业一般会为了追 求利润最大化而采用负公差生产，这容易导致产品品质的不可控。
发明内容
本发明的目的提供一种用于装配式建筑预制构件生产的钢筋计数方法，以 解决上述背景技术中提出的问题。
为实现上述目的，本发明采用如下技术方案：
一种用于装配式建筑预制构件生产的钢筋计数方法，具体包括以下步骤：
S1、构建一个基于钢筋端面图像的计数网络；
S2、获取包含钢筋端面的图像作为计数网络的原始输入数据；
S3、通过计数网络对图像进行特征提取和分析处理，获取每个钢筋端面在图 像中的位置和钢筋数量；
S4、将钢筋位置标记在图像中，并对检测异常的钢筋端面进行修正。
进一步地，所述计数网络采用基于YOLOv5的网络模型，所述计数网络采 用包含钢筋端面、拍摄角度相同、分布相同的图像作为原始输入数据，依次完成 网络模型的训练、测试和验证过程，具体通过以下方法实现：
选取符合拍摄角度要求图像作为图像并对原始图像进行预处理，进行数据 集扩充；
对数据集中的原始图像进行人工标注，标注对象为图像中的钢筋端面，标注 的标记信息包括钢筋端面的数量信息和位置信息；
保存图像及其对应的标记信息得到新的数据集，并按照8:1:1的数据比例将 新的数据集随机分为训练集、验证集和测试集；
利用训练集计数网络进行多轮次训练，并在每一轮次训练结束后，通过验证 集进行验证，分别得到所述计数网络在训练阶段和验证阶段的损失值，当各轮次 中训练集得出的损失值降低且验证集得出的损失值升高后，停止训练并保存训 练阶段得出的损失值前五的网络模型；
利用测试集对保存的五个网络模型进行测试，然后将测试结果中AP值最高 的网络模型作为最终的计数网络。
进一步地，所述计数网络采用anchor boxes先验框获取钢筋数量结果，并在 处理图像前使用遗传算法来生成一组最优的anchor boxes的数量、尺寸、长宽比 的参数，具体通过以下方法实现：
随机生成的M组anchor boxes参数作为M个个体作为初始群体P(0)；
分别计算群体P(t)中各个个体的适应度，根据交并比最高的优先级选择个体， 交并比IOU根据以下公式计算：
IOU＝(A∩B)/(A∪B)
式中：A、B分别表示两个集合，交并比IOU越大认为该组参数越适合该训 练数据集；
在群体中个体的适应度评估基础上，把优化的个体直接遗传到下一代或通 过配对交叉产生新的个体再遗传到下一代；
将交叉算子作用于群体，将选择出的个体互相交叉，使子代有概率获得交叉 双方的优秀表现；
将变异算子作用于群体，对群体中的个体串的某些基因座上的基因值作变 动，使群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)；
若达到最大进化代数,则以进化过程中所得到的具有最大适应度个体作为最 优解输出，终止计算。
进一步地，每个钢筋端面在图像中的位置和钢筋数量的获取具体通过以下 方法实现：
S301：采用基于CSPDarknet网络额外增加160*160尺寸特征图的网络作为 主干网络结合focus网络结构和SiLU激活函数Silu(x)＝x·sigmoid(x)对钢筋图像 的特征提取；
S302：将预测框中是否存在钢筋端面的置信度作为分类头的一个主要参数 基于先验框进行预测，确定钢筋端面在图像中的精确位置；
S303：通过非极大抑制筛选预测结果；
S304：对制筛选后的结果进行去重，得到预测框的数量即为该次计数网络得 到的钢筋数量信息。
进一步地，对检测异常的钢筋端面进行修正具体通过以下方法实现：
人工查看计数网络输出的钢筋端面在图像中的位置信息和钢筋数量信息， 对于少量误检的钢筋端面通过点击误检处进行更正修改，对于少量漏检的钢筋 端面通过点击漏检处添加位置，同时同步更新钢筋端面的总数量信息；若漏检、 误检过多，将图像重新回传到计数网络，对图像进行归一化处理后重新计算。
由以上技术方案可知，本发明用于装配式建筑预制构件生产的钢筋计数方 法，具有如下有益效果：
(1)本发明基于深度学习的独特优势，能够对装配式建筑行业内的多个场 景实现高效的钢筋计数；并采用神经网络建立的模型具有大量的网络参数，因此 可以拟合一些复杂的问题参数，并且随着问题复杂程度的增大，深度学习的优势 更加明显；且钢筋计数网络模型具有较高的鲁棒性，性能表现非常稳定，并且随 着训练样本的增加，计数网络的表现往往会更好；
(2)本发明具有多种尺度的特征图提取与检测，可以支持不同直径的钢筋 计数，可以在不更改网络模型地基础上完成统一装配式建筑生产施工现场的多 种类型的钢筋计数，并且将图像划分为多个网格，基于anchor的先验框策略， 相比于传统的网络模型具有更快的速度，可以在短时间内完成大量的钢筋清点 任务；
(3)本发明轻便易于部署，对设备要求极低，可以极大的控制钢筋检测任 务的时间与空间成本；
(4)本发明的实时性较强，可以应用于装配式建筑预制构件生产工厂的物 料管理车间，用于实时监控库存钢筋容量和钢筋参数信息，并且可辅助生产部门 快速精准钢筋领用，清点出精准的钢筋数量用于预制构件生产作业，在精准的监 控库存钢筋数量的情况下，工厂可以根据库存以及未来订单制定详尽的钢筋物 资采购计划。
附图说明
图1为本发明钢筋计数方法的步骤流程示意图；
图2为本发明基于YOLOv5改进的的钢筋计数网络结构图；
图3为本发明计数网络所采用的基于anchor boxes先验框的示意图；
图4为本发明对钢筋数据集进行分析回归生成最优anchor boxes先验框参 数的进化算法流程图；
图5为本发明计数网络模型运行的逻辑流程图。
具体实施方式
下面结合附图对本发明的一种优选实施方式做详细的说明。
如图1所示的用于装配式建筑预制构件生产的钢筋计数方法，具体包括以 下步骤：
S1、构建一个基于钢筋端面图像的计数网络；
S2、获取包含钢筋端面的图像作为计数网络的原始输入数据；
S3、通过计数网络对图像进行特征提取和分析处理，获取每个钢筋端面在图 像中的位置和钢筋数量；
S4、将钢筋位置标记在图像中，并对检测异常的钢筋端面进行修正。
如图2所示，本优选实施例所述的计数网络采用基于YOLOv5的网络模型， 所述计数网络采用包含钢筋端面、拍摄角度相同、分布相同的图像作为原始输入 数据，依次完成网络模型的训练、测试和验证过程，具体通过以下方法实现：
选取符合拍摄角度要求图像作为图像并对原始图像进行预处理，进行数据 集扩充；
对数据集中的原始图像进行人工标注，标注对象为图像中的钢筋端面，标注 的标记信息包括钢筋端面的数量信息和位置信息；
保存图像及其对应的标记信息得到新的数据集，并按照8:1:1的数据比例将 新的数据集随机分为训练集、验证集和测试集；
利用训练集计数网络进行多轮次训练，并在每一轮次训练结束后，通过验证 集进行验证，分别得到所述计数网络在训练阶段和验证阶段的损失值，当各轮次 中训练集得出的损失值降低且验证集得出的损失值升高后，停止训练并保存训 练阶段得出的损失值前五的网络模型；
利用测试集对保存的五个网络模型进行测试，然后将测试结果中AP值最高 的网络模型作为最终的计数网络。
在具体的使用中，由于传入网络的钢筋图片往往是独立的，因此可以在预测 的同时进行并行训练，从而帮助网络模型获得更好的模型参数。
如图3所示，本优选实施例所述计数网络采用anchor boxes先验框获取钢筋 数量结果，并在处理图像前使用遗传算法来生成一组最优的anchor boxes的数 量、尺寸、长宽比的参数，如图4所示，具体通过以下方法实现：
随机生成的M组anchor boxes参数作为M个个体作为初始群体P(0)；
分别计算群体P(t)中各个个体的适应度，根据交并比最高的优先级选择个体， 交并比IOU根据以下公式计算：
IOU＝(A∩B)/(A∪B)
式中：A、B分别表示两个集合，交并比IOU越大认为该组参数越适合该训 练数据集；
在群体中个体的适应度评估基础上，把优化的个体直接遗传到下一代或通 过配对交叉产生新的个体再遗传到下一代；
将交叉算子作用于群体，将选择出的个体互相交叉，使子代有概率获得交叉 双方的优秀表现；
将变异算子作用于群体，对群体中的个体串的某些基因座上的基因值作变 动，使群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)；
若达到最大进化代数,则以进化过程中所得到的具有最大适应度个体作为最 优解输出，终止计算；且最终的一组anchor boxes的数量、尺寸、长宽比参数使 得该组anchorboxes参数与钢筋数据集的交并比最大。
对于上述初始群体中的参数具体采用如下训练策略：
首先计算损失值所需内容，损失值计算实际上是网络的预测结果和网络的 真实结果的对比，计数网络的损失包括标记出的钢筋端面位置损失和是否包含 钢筋端面的损失，分别是Reg部分、Obj部分，其中Reg部分是特征点的回归参 数判断，Obj部分是特征点是否包含钢筋端面判断；具体的，对于Obj部分采用 二值交叉熵损失函数BCE，公式如下：
Figure BDA0003790833050000071
其中p(yi)为预测框中含有钢筋的概率，1-p(yi)为预测框中不含有钢筋的 概率，yi和1-yi均为此预测框是否含有钢筋的标签。
对于Reg部分采用CIOU损失函数，此损失函数考虑了重叠面积、中心点 距离、长宽比三项损失参数，具体的公式如下：
Figure BDA0003790833050000072
Figure BDA0003790833050000081
Figure BDA0003790833050000082
式中：ω、h和ωgt、hgt分别代表预测框的高宽和真实框的高宽，可以看到该 损失函数充分考虑了模型预测框的位置参数和IOU，因此使模型可以训练出更 好的效果；
其次进行正样本的匹配过程，包括先验框匹配和特征点匹配，对于先验框匹 配，本优选实施例在计数网络中，一共设计了12个不同大小的先验框。每个输 出的特征层对应3个先验框，对于任何一个真实框groundtruth，计数网络使用 采用长宽比进行匹配，即使用真实框和12个不同大小的先验框计算宽高比。如 果真实框与某个先验框的长宽比例大于设定阈值，则说明该真实框和该先验框 匹配度不够，将该先验框认为是负样本；真实框与先验框的比例认定为两者差距 的最大倍数，计算该真实框和12个先验框的宽高比例时。需要考虑存在的两个 情况，一个是真实框的宽高比先验框大，一个是先验框的宽高比真实框大。因此 我们需要同时计算：真实框的宽高/先验框的宽高；先验框的宽高/真实框的宽高， 然后在这其中选取最大值。对于特征点匹配，本优选实施例在钢筋计算网络中， 每个真实框由其中心点所在的网格内的左上角特征点来负责预测该处钢筋端面。 一般来说每个特征点对应多个先验框，从中选取与真实框最接近的用于回归最 终的预测结果；
然后由计算损失值所需的部分可知，计数网络的损失由两个部分组成：Reg 部分，每个真实框对应的先验框，获取到每个框对应的先验框后，取出该先验框 对应的预测框，利用真实框和预测框计算交并比损失，作为Reg部分的损失值 组成。Obj部分，每个真实框对应的先验框，所有真实框对应的先验框都是正样 本，剩余的先验框均为负样本，根据正负样本和特征点的是否包含物体的预测结 果计算交叉熵损失，作为Obj部分的损失值组成。
在具体的使用中，如图5所示，每个钢筋端面在图像中的位置和钢筋数量 的获取具体通过以下方法实现：
S301：采用基于CSPDarknet网络额外增加160*160尺寸特征图的网络作为 主干网络结合focus网络结构和SiLU激活函数Silu(x)＝x·sigmoid(x)对钢筋图像 的特征提取；加深的CSPDarknet网络的主干部分为包括若干个1*1和3*3卷积， 残差边部分不作任何处理，直接将主干的输入与输出结合；通过focus网络结构 将一个图像的宽高变成原来的二分之一、通道数扩充四倍；SiLU激活函数在本 优选实施例中效果优于其他函数，该网络使用了SPP结构，通过不同池化核大 小的最大池化进行特征提取，提高网络的感受野，能够提取多尺度的图像特征；
由于钢筋计数问题的特殊性，钢筋端面图像中的钢筋端面通常有重叠现象 且存在大量聚集，针对此种密集小目标的检测，传统的特征金字塔三种尺度无法 满足钢筋计数任务的精度需求；因此，本方法将YOLOv5的主干特征提取网络 CSPDarknet进一步改进，增加提取160*160尺寸的特征图，并且对其进行特征 加强使之可以胜任更小尺度的钢筋端面检测任务，并且减少大尺度特征的anhor 锚定框的数量，以提高钢筋清点任务的准确率和速度；
S302：将预测框中是否存在钢筋端面的置信度作为分类头的一个主要参数 基于先验框进行预测，确定钢筋端面在图像中的精确位置；具体的，基于YOLOv5 的yolohead分类头与回归头，所述回归头主要包含四个参数，分别是钢筋端面 预测框的中心坐标x、y和预测框的宽高w、h，该组参数可确定钢筋端面在图像 中的精确位置；分类头主要有一个参数，为该预测框中是否存在钢筋端面的置信 度，取值范围为0到1，采用sigmoid函数对其回归，该参数的准确与否直接影 响计数网络模型的钢筋数量结果；sigmoid函数的图像为一条平滑的曲线，因此 处处可导便于模型训练，所述sigmoid函数的数学表达式为：
Figure BDA0003790833050000101
S303：通过非极大抑制筛选预测结果；在具体的使用中，步骤S302得到的 预测结果包含了部分重复预测的部分，因此需要通过排序与非极大抑制筛选得 到最终结果；非极大抑制就是筛选出一定区域内属于同一种类最接近真实框的 最大预测先验框。首先找出该图像中置信度大于门限函数的预测框。在进行重合 框筛选前就进行置信度的筛选可以大幅度减少预测框框的数量；然后根据置信 度对钢筋端面预测框进行从大到小排序；并每次取出置信度最高的预测框，计算 其与其它所有预测框的重合程度，重合程度过大的则剔除，这样最终保留的预测 框即为最终得到的结果；
S304：对制筛选后的结果进行去重，得到预测框的数量即为该次计数网络得 到的钢筋数量信息。
在具体的使用中，为了保证技术的正确性，需要对计数网络输出的钢筋端面 在图像中的位置信息和钢筋数量信息通过人工进行修正，通过人工直接查看，对 于少量误检的钢筋端面通过点击误检处进行更正修改，对于少量漏检的钢筋端 面通过点击漏检处添加位置，同时同步更新钢筋端面的总数量信息；若漏检、误 检过多，将图像重新回传到计数网络，对图像进行归一化处理后重新计算。
在具体的使用中，可与自动化巡逻设备相结合以达到无需人工计数的自动 计数设备。
下面通过一具体的实施例对本发明所述计数方法进行进一步地阐述：
某次钢筋样本采用人工拍摄的方式采集到共332张原始图像，图像的分辨 率为1512*2016，以上数据构成本实施例中的原始数据集；将原始数据集划分为 训练集、验证集和测试集，训练集包含266张图像，验证集包含33张图像，测 试集包含33张图像；原始图像的分辨率超高，其所占数据空间过大，且包含的 噪音过多，不利于模型的训练，因此对原始图像进行压缩，压缩后的图像分辨率 为640*640；对处理好的数据集中的图像进行人工标注，标注对象为图像中出现 钢筋端面，在本实施例的数据集中，这钢筋端面的个数共有34125个。
本实施例中搭建了基于改进的YOLOv5的钢筋计数网络模型，使用基于 VOC数据集的预训练模型，加速训练过程，同时载入事先准备好的训练集进行 训练，训练过程中的轮次数epoch设置为1000。
具体的，本实施例中设置了五个测试样本进行测试，其中，测试样本一的图 像分辨率为612*386，该图像包含66个钢筋端面；测试样本二的图像分辨率为 612*340，该图像包含140个钢筋端面；测试样本三的图像分辨率为612*402， 该图像包含149个钢筋端面；测试样本四的图像分辨率为590*460，该图像包含 163个钢筋端面；测试样本五的图像分辨率为570*380，该图像包含22个钢筋 端面，其中，测试样本五为测试样本四的局部图像。
各个测试样本经本实施例中的网络模型识别后的结果，分析上述试验结果 发现：
(1)测试样本一和二的检测效果较好，其中包含的所有钢筋端面均被完整 识别出来。可见本实施例中的钢筋计数网络模型的性能较好。
(2)测试样本三中存在漏检，其中，两个重叠度很高的钢筋端面只检测出 一个。该结果反映本实施例中提供的网络模型对于重叠度较高的目标的检测效 果仍有待提升。在本实施例中或其它实施例中，可以通过改变相机的采集图像位 置，使得获取的图像中各个钢筋端面之间尽量不发生较为严重的重叠现象。
(3)测试样本四中存在漏检，而将其中的部分区域即测试样本五截取出来， 却有着较好的检测效果。出现这一现象的原因在于：图像的分辨率较大，导致一 张图像中的不同钢筋端面的尺寸相差过大，模型会对测试图像进行网格划分导 致多个尺寸极小的钢筋端面在同一个网格中出现造成漏检。即本实施例提供的 目标检测模型对高分辨率的图像的泛化效果较差。同时，这也说明本实施例提供 的方法中设置深层次、多尺度的体征特区网络的必要性；是一个非常正确的选择， 该方法无需对图像进行裁剪，图像裁剪和处理会进一步提高网络模型处理的数 据量，降低网络模型的实时性，而且通过这种处理方法除了能够提高计数方法的 处理速率和实时性之外，还可以在一定程度提高该方法的检测精度。

Claims (5)

1.一种用于装配式建筑预制构件生产的钢筋计数方法，其特征在于，具体包括以下步骤：
S1、构建一个基于钢筋端面图像的计数网络；
S2、获取包含钢筋端面的图像作为计数网络的原始输入数据；
S3、通过计数网络对图像进行特征提取和分析处理，获取每个钢筋端面在图像中的位置和钢筋数量；
S4、将钢筋位置标记在图像中，并对检测异常的钢筋端面进行修正。
2.根据权利要求1所述的用于装配式建筑预制构件生产的钢筋计数方法，其特征在于，所述计数网络采用基于YOLOv5的网络模型，所述计数网络采用包含钢筋端面、拍摄角度相同、分布相同的图像作为原始输入数据，依次完成网络模型的训练、测试和验证过程，具体通过以下方法实现：
选取符合拍摄角度要求图像作为图像并对原始图像进行预处理，进行数据集扩充；
对数据集中的原始图像进行人工标注，标注对象为图像中的钢筋端面，标注的标记信息包括钢筋端面的数量信息和位置信息；
保存图像及其对应的标记信息得到新的数据集，并按照8:1:1的数据比例将新的数据集随机分为训练集、验证集和测试集；
利用训练集计数网络进行多轮次训练，并在每一轮次训练结束后，通过验证集进行验证，分别得到所述计数网络在训练阶段和验证阶段的损失值，当各轮次中训练集得出的损失值降低且验证集得出的损失值升高后，停止训练并保存训练阶段得出的损失值前五的网络模型；
利用测试集对保存的五个网络模型进行测试，然后将测试结果中AP值最高的网络模型作为最终的计数网络。
3.根据权利要求1所述的用于装配式建筑预制构件生产的钢筋计数方法，其特征在于，所述计数网络采用anchor boxes先验框获取钢筋数量结果，并在处理图像前使用遗传算法来生成一组最优的anchor boxes的数量、尺寸、长宽比的参数，具体通过以下方法实现：
随机生成的M组anchor boxes参数作为M个个体作为初始群体P(0)；
分别计算群体P(t)中各个个体的适应度，根据交并比最高的优先级选择个体，交并比IOU根据以下公式计算：
IOU＝(A∩B)/(A∪B)
式中：A、B分别表示两个集合，交并比IOU越大认为该组参数越适合该训练数据集；
在群体中个体的适应度评估基础上，把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；
将交叉算子作用于群体，将选择出的个体互相交叉，使子代有概率获得交叉双方的优秀表现；
将变异算子作用于群体，对群体中的个体串的某些基因座上的基因值作变动，使群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)；
若达到最大进化代数,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
4.根据权利要求3所述的用于装配式建筑预制构件生产的钢筋计数方法，其特征在于，每个钢筋端面在图像中的位置和钢筋数量的获取具体通过以下方法实现：
S301：采用基于CSPDarknet网络额外增加160*160尺寸特征图的网络作为主干网络结合focus网络结构和SiLU激活函数Silu(x)＝x·sigmoid(x)对钢筋图像的特征提取；
S302：将预测框中是否存在钢筋端面的置信度作为分类头的一个主要参数基于先验框进行预测，确定钢筋端面在图像中的精确位置；
S303：通过非极大抑制筛选预测结果；
S304：对制筛选后的结果进行去重，得到预测框的数量即为该次计数网络得到的钢筋数量信息。
5.根据权利要求1所述的用于装配式建筑预制构件生产的钢筋计数方法，其特征在于，对检测异常的钢筋端面进行修正具体通过以下方法实现：
人工查看计数网络输出的钢筋端面在图像中的位置信息和钢筋数量信息；
对于少量误检的钢筋端面通过点击误检处进行更正修改，对于少量漏检的钢筋端面通过点击漏检处添加位置，同时同步更新钢筋端面的总数量信息；
若漏检、误检过多，将图像重新回传到计数网络，对图像进行归一化处理后重新计算。
CN202210954734.8A 2022-08-10 2022-08-10 一种用于装配式建筑预制构件生产的钢筋计数方法 Pending CN115311611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210954734.8A CN115311611A (zh) 2022-08-10 2022-08-10 一种用于装配式建筑预制构件生产的钢筋计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210954734.8A CN115311611A (zh) 2022-08-10 2022-08-10 一种用于装配式建筑预制构件生产的钢筋计数方法

Publications (1)

Publication Number Publication Date
CN115311611A true CN115311611A (zh) 2022-11-08

Family

ID=83860616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210954734.8A Pending CN115311611A (zh) 2022-08-10 2022-08-10 一种用于装配式建筑预制构件生产的钢筋计数方法

Country Status (1)

Country Link
CN (1) CN115311611A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
CN110310261B (zh) 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法
CN110660052B (zh) 一种基于深度学习的热轧带钢表面缺陷检测方法
CN108257114A (zh) 一种基于深度学习的输电设备缺陷自动识别方法
CN111178206B (zh) 一种基于改进yolo的建筑预埋件检测方法及系统
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN115673596B (zh) 一种基于Actor-Critic强化学习模型的焊接异常实时诊断方法
CN111127465A (zh) 一种桥梁检测报告自动生成方法及系统
CN115311611A (zh) 一种用于装配式建筑预制构件生产的钢筋计数方法
CN114970926A (zh) 一种模型训练方法、企业经营风险预测方法和装置
CN116029979A (zh) 一种基于改进Yolov4的布料瑕疵视觉检测方法
CN117541534A (zh) 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法
CN116384837A (zh) 用于工程质量检测的信息处理方法、系统和检测员终端
CN115907639A (zh) 一种基于cim的区块链工程协同监管系统及方法
CN111078565A (zh) 基于hog特征提取和svm多分类器的软件测试结果的分析方法
CN115170988A (zh) 基于深度学习的电网线路故障识别方法及系统
CN114387261A (zh) 一种适用于铁路钢桥螺栓病害的自动检测方法
CN105224941A (zh) 对象辨识与定位方法
Mosalam et al. NEW DIRECTIONS IN STRUCTURAL HEALTH MONITORING.
CN109636194B (zh) 一种输变电项目重大变动多源协同检测方法与系统
CN111931425A (zh) 一种基于rf算法的热轧q355b钢种的性能预测系统
CN116994130A (zh) 一种基于知识蒸馏的高精度轻量化桥梁裂缝识别方法
CN111062827A (zh) 一种基于人工智能模式的工程监理方法
CN111428861A (zh) 一种基于多尺度多维邻近性的制造业企业境外投资选址决策方法
CN115808690A (zh) 一种气象预报的智能修订方法及系统
CN116433218A (zh) 基于自组织映射聚类的矿井机械设备在线健康评估方法

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