[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡(luò)的鋼筋數(shù)量檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010825008.7
• 申請日: 2020-08-17
• 公開（公告）號: CN112132780A
• 公開（公告）日: 2020-12-25
• 發(fā)明（設(shè)計）人: 汪凡;李翔;李偉;車志宏;李柯辰
• 申請（專利權(quán)）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(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 葉琦煒

本發(fā)明公開了一種基于深度神經(jīng)網(wǎng)絡(luò)的鋼筋數(shù)量檢測方法及系統(tǒng)，該方法包括：根據(jù)第三方物體檢測數(shù)據(jù)集，基于改進(jìn)的Faster?RCNN算法，生成預(yù)訓(xùn)練模型；輸入包括標(biāo)注信息的鋼筋數(shù)據(jù)集，對所述鋼筋數(shù)據(jù)集中的圖片進(jìn)行第一數(shù)據(jù)增強(qiáng)轉(zhuǎn)換，對所述預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)訓(xùn)練，生成鋼筋檢測模型；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(jìn)行第二數(shù)據(jù)增強(qiáng)轉(zhuǎn)換，得到若干第二增強(qiáng)圖片，通過所述鋼筋檢測模型得到第二檢測框；根據(jù)坐標(biāo)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(shù)量。本發(fā)明加快了鋼筋檢測入庫速度，節(jié)省了人力物力，并提高了檢測的精確度。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能檢測領(lǐng)域，特別涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的鋼筋數(shù)量檢測方法及系統(tǒng)。

背景技術(shù)

近年來，隨著計算機(jī)視覺技術(shù)的發(fā)展，在某些任務(wù)上機(jī)器的能力已經(jīng)超越了人類的水平，這使得利用機(jī)器替代人工完成某一任務(wù)成為可能，越來越多的傳統(tǒng)行業(yè)，開始加快數(shù)字化、智能化的進(jìn)程。而目前的工地現(xiàn)場，對于鋼筋數(shù)量清點(diǎn)入庫，主要依靠驗收人員對車上的鋼筋進(jìn)行現(xiàn)場人工點(diǎn)根，確認(rèn)數(shù)量后鋼筋車才能完成進(jìn)場卸貨，過程繁瑣、消耗人力且速度很慢。

發(fā)明內(nèi)容

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。為此，本發(fā)明提出一種基于深度神經(jīng)網(wǎng)絡(luò)的鋼筋數(shù)量檢測方法，能夠通過圖片獲取鋼筋數(shù)量，提高入庫效率。

本發(fā)明還提出一種具有上述基于深度神經(jīng)網(wǎng)絡(luò)的鋼筋數(shù)量檢測方法的基于深度神經(jīng)網(wǎng)絡(luò)的鋼筋數(shù)量檢測系統(tǒng)。

根據(jù)本發(fā)明的第一方面實施例的基于深度神經(jīng)網(wǎng)絡(luò)的鋼筋數(shù)量檢測方法，包括以下步驟：S100，根據(jù)第三方物體檢測數(shù)據(jù)集，基于以ResNeXt、FPN、RPN和RoiAlign為主干網(wǎng)絡(luò)的Faster-RCNN算法，生成預(yù)訓(xùn)練模型；S200，輸入包括標(biāo)注信息的鋼筋數(shù)據(jù)集，對所述鋼筋數(shù)據(jù)集中的圖片進(jìn)行第一數(shù)據(jù)增強(qiáng)轉(zhuǎn)換，對所述預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)訓(xùn)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(jìn)行第二數(shù)據(jù)增強(qiáng)轉(zhuǎn)換，得到若干第二增強(qiáng)圖片，通過所述鋼筋檢測模型得到第二檢測框；S400，根據(jù)坐標(biāo)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(shù)量。

根據(jù)本發(fā)明實施例的基于深度神經(jīng)網(wǎng)絡(luò)的鋼筋數(shù)量檢測方法，至少具有如下有益效果：通過基于深度學(xué)習(xí)的目標(biāo)檢測方法，只需現(xiàn)場采集包含鋼筋橫截面的圖片，上傳圖片調(diào)用模型即可返回原始圖片中包含的鋼筋數(shù)量及每根鋼筋所在的位置，能夠極大的降低人力成本，提高入庫效率；通過利用第三數(shù)據(jù)庫進(jìn)行預(yù)訓(xùn)練后進(jìn)行遷移學(xué)習(xí)訓(xùn)練，減少了前期鋼筋數(shù)據(jù)集的數(shù)量需求，從而節(jié)約了人力；通過訓(xùn)練階段及檢測階段的數(shù)據(jù)增強(qiáng)處理，提高了檢測的精度。

根據(jù)本發(fā)明的一些實施例，所述步驟S200包括：S210，將所述預(yù)訓(xùn)練模型中的分類輸出層神經(jīng)元數(shù)修改為兩個；S220，加載所述鋼筋數(shù)據(jù)集，基于預(yù)設(shè)概率對所述鋼筋數(shù)據(jù)集中的圖片進(jìn)行所述第一數(shù)據(jù)增強(qiáng)轉(zhuǎn)換，得到第一增強(qiáng)圖片；S230，根據(jù)所述第一增強(qiáng)圖片及所述標(biāo)注信息，對所述預(yù)訓(xùn)練模型進(jìn)行學(xué)習(xí)訓(xùn)練，得到所述鋼筋檢測模型。

根據(jù)本發(fā)明的一些實施例，所述第一數(shù)據(jù)增強(qiáng)轉(zhuǎn)換的方法包括：根據(jù)預(yù)設(shè)規(guī)則選擇中心裁剪、水平翻轉(zhuǎn)、按短邊縮放、隨機(jī)高斯模糊以及亮度調(diào)整的其中一項處理圖片。

根據(jù)本發(fā)明的一些實施例，所述第二數(shù)據(jù)增強(qiáng)轉(zhuǎn)換的方法包括：選擇水平翻轉(zhuǎn)、按短邊縮放圖片、低照度圖像增強(qiáng)中的其中至少一項處理圖片。

根據(jù)本發(fā)明的一些實施例，所述步驟S400包括：S410，通過所述第二增強(qiáng)圖片與所述待檢測圖片的轉(zhuǎn)換映射關(guān)系，得到所述第二檢測框的所述坐標(biāo)信息；S420，根據(jù)所述坐標(biāo)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(jù)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(zhǔn)框及非基準(zhǔn)框；S440，基于交并比計算所述基準(zhǔn)框及所述非基準(zhǔn)框的重疊度，根據(jù)重疊度舍棄所述非基準(zhǔn)框。