[发明专利]一种钢筋智能识别与计数方法及系统

权利要求书

1.一种钢筋智能识别与计数方法，其特征在于，所述方法包括：采集具有钢筋簇截面图像的图片数据集，并基于采集的图片数据集获得训练样本集；建立深度卷积神经网络模型，基于训练样本集数据对深度卷积神经网络模型进行训练；将待识别图片输入训练后的深度卷积神经网络模型，获得深度卷积神经网络模型的输出作为初步结果；利用非极大值抑制算法对输出的初步结果的得分图进行处理，把每一个区域的得分转化为一个点，并利用离群点删除算法剔除初步结果中识别错误的钢筋，获得深度卷积神经网络模型的最终输出结果；基于深度卷积神经网络模型的最终输出结果，获得待识别图片中钢筋的数目和位置信息；

利用离群点删除算法剔除初步结果中识别错误的钢筋，具体包括：步骤Ⅰ：将识别出来的所有钢筋中心点放入一个列表，并初始化一个队列；步骤Ⅱ：随机从列表中选取一个中心点进行入队列操作，遍历列表中的剩余中心点，若列表中的某中心点满足与队列头部中心点距离小于或等于预设倍数钢筋直径，则进行入队列操作，入队列操作完成后进行出队列操作，之后不断地进行迭代；步骤Ⅲ：当队列为空时，所有已出队列的中心点即为同一个钢筋簇；重复执行步骤Ⅰ和步骤Ⅱ的操作，直到列表为空；步骤Ⅳ：中心点个数小于预设要求的钢筋簇即为离群点，对其进行删除。

2.根据权利要求1所述的一种钢筋智能识别与计数方法，其特征在于，基于采集的图片数据集获得训练样本集，具体包括：裁剪采集图片中每一个钢筋截面所在区域的外接矩形作为训练集中的正样本；获取与正样本数量相当的背景区域图片数据作为负样本，利用双线性插值将正负样本缩放到相同尺寸，获得训练样本集。

3.根据权利要求1所述的一种钢筋智能识别与计数方法，其特征在于，所述深度卷积神经网络模型需满足以下三个条件：A、给定训练图片大小之后，经过前向传播后输出大小为1*1的特征向量；B、卷积操作时不能对特征向量进行填充；C、最大池化层数小于或等于3层。

4.根据权利要求1所述的一种钢筋智能识别与计数方法，其特征在于，利用非极大值抑制算法对初步结果的得分图进行处理，把每一个区域的得分转化为一个点，具体包括：步骤a：将得分图所对应的所有点根据其得分值按从大到小排序，设定一个得分阈值s，将得分小于s的点去除；步骤b：取一个得分最高的点，算出得分最高点对应窗口和得分排在其后所有窗口的交并比，设定一个交并比阈值δ，将所有与得分最高点对应窗口交并比值大于δ的窗口去除；步骤c：获取得分次高的窗口，重复上述步骤b中交并比大小比较及窗口去除操作，直到没有可选窗口为止。

5.根据权利要求1所述的一种钢筋智能识别与计数方法，其特征在于，深度卷积神经网络模型的输出结果以0.5为阈值进行二值化操作后形成一个数值为0和1的二值图，该二值图中值为1的点的数量为钢筋的数量，基于钢筋的数量实现钢筋的计数。

6.根据权利要求1所述的一种钢筋智能识别与计数方法，其特征在于，根据深度卷积神经网络模型的输出结果，每一个值为1的点所在的位置对应原图中钢筋的质心所在位置，将结果中值为1的点的坐标值乘2后映射回原图中，并以该点为中心绘制和训练图片大小一样的矩形框，从而完成钢筋的位置识别。

7.一种钢筋智能识别与计数系统，其特征在于，所述系统包括：图像采集模块，用于采集具有钢筋簇截面图像的图片数据集，并基于采集的图片数据集获得训练样本集；建立及训练模块，用于建立深度卷积神经网络模型，并基于训练样本集数据对深度卷积神经网络模型进行训练；处理模块，用于将待识别图片输入训练后的深度卷积神经网络模型，获得深度卷积神经网络模型的输出作为初步结果；利用非极大值抑制算法对输出的初步结果的得分图进行处理，把每一个区域的得分转化为一个点，并利用离群点删除算法剔除初步结果中识别错误的钢筋，获得深度卷积神经网络模型的最终输出结果；基于深度卷积神经网络模型的最终输出结果，获得待识别图片中钢筋的数目和位置信息。