[發明專利]基于深度神經網絡的鋼筋數量檢測方法及系統

在審

• 申請號: 202010825008.7
• 申請日: 2020-08-17
• 公開（公告）號: CN112132780A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 汪凡;李翔;李偉;車志宏;李柯辰
• 申請（專利權）人: 珠海市卓軒科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 葉琦煒

1.一種基于深度神經網絡的鋼筋數量檢測方法，其特征在于，包括以下步驟：

S100，根據第三方物體檢測數據集，基于以ResNeXt、FPN、RPN和RoiAlign為主干網絡的Faster-RCNN算法，生成預訓練模型；

S200，輸入包括標注信息的鋼筋數據集，對所述鋼筋數據集中的圖片進行第一數據增強轉換，對所述預訓練模型進行遷移學習訓練，生成鋼筋檢測模型；

S300，獲取包括鋼筋橫截面的待檢測圖片，通過所述鋼筋檢測模型得到第一檢測框，以及，對所述待檢測圖片進行第二數據增強轉換，得到若干第二增強圖片，通過所述鋼筋檢測模型得到第二檢測框；

S400，根據坐標信息匹配所述第一檢測框及所述第二檢測框，基于鋼筋置信度及檢測框重疊度，得到鋼筋檢測數量。

2.根據權利要求1所述的基于深度神經網絡的鋼筋數量檢測方法，其特征在于，所述步驟S200包括：

S210，將所述預訓練模型中的分類輸出層神經元數修改為兩個；

S220，加載所述鋼筋數據集，基于預設概率對所述鋼筋數據集中的圖片進行所述第一數據增強轉換，得到第一增強圖片；

S230，根據所述第一增強圖片及所述標注信息，對所述預訓練模型進行學習訓練，得到所述鋼筋檢測模型。

3.根據權利要求1所述的基于深度神經網絡的鋼筋數量檢測方法，其特征在于，所述第一數據增強轉換的方法包括：根據預設規則選擇中心裁剪、水平翻轉、按短邊縮放、隨機高斯模糊及亮度調整的其中一項處理圖片。

4.根據權利要求1所述的基于深度神經網絡的鋼筋數量檢測方法，其特征在于，所述第二數據增強轉換的方法包括：選擇水平翻轉、按短邊縮放圖片及低照度圖像增強中的其中至少一項處理圖片。

5.根據權利要求1所述的基于深度神經網絡的鋼筋數量檢測方法，其特征在于，所述步驟S400包括：

S410，通過所述第二增強圖片與所述待檢測圖片的轉換映射關系，得到所述第二檢測框的所述坐標信息；

S420，根據所述坐標信息，從所述第二檢測框中獲取所述第一檢測框的候選匹配檢測框；

S430，根據鋼筋置信度，從所述第一檢測框及所述候選匹配檢測框中選出基準框及非基準框；

S440，基于交并比計算所述基準框及所述非基準框的重疊度，根據重疊度舍棄所述非基準框。

6.根據權利要求5所述的基于深度神經網絡的鋼筋數量檢測方法，其特征在于，所述步驟S430包括：

S431，從所述第一檢測框及所述候選匹配檢測框中，篩選出所述鋼筋置信度大于第一閾值的檢測框，得到若干第三檢測框；

S432，從所述第三檢測框中選取所述鋼筋置信度最高的檢測框為所述基準框，剩余的所述第三檢測框則為非基準框。

7.根據權利要求5所述的基于深度神經網絡的鋼筋數量檢測方法，其特征在于，所述步驟S440包括：基于交并比計算所述基準框與所述非基準框的重疊度，若所述重疊度大于第二閾值，則舍棄所述非基準框；否則，保留所述基準框及所述非基準框。

8.一種基于深度神經網絡的鋼筋數量檢測系統，使用權利要求1至7中任一項的方法，其特征在于，包括：

預訓練模型生成模塊，用于根據第三方物體檢測數據集，基于以ResNeXt、FPN、RPN和RoiAlign為主干網絡的Faster-RCNN算法，生成預訓練模型；

檢測模型生成模塊，用于輸入包括標注信息的鋼筋數據集，對所述鋼筋數據集中的圖片進行第一數據增強轉換，對所述預訓練模型進行遷移學習訓練，生成鋼筋檢測模型；

檢測處理模塊，用于獲取包括鋼筋橫截面的待檢測圖片，通過所述鋼筋檢測模型得到第一檢測框，以及，對所述待檢測圖片進行第二數據增強轉換，得到若干第二增強圖片，通過所述鋼筋檢測模型得到第二檢測框；

數量計算模塊，用于根據坐標信息匹配所述第一檢測框及所述第二檢測框，基于鋼筋置信度及檢測框重疊度，得到鋼筋檢測數量。