[发明专利]基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质

权利要求书

1.一种基于深度学习的钢材尺寸和数量的识别方法，其特征在于，所述识别方法包括如下步骤：

步骤S1，通过相机摄取多幅钢材堆端面图像，利用多幅所述钢材堆端面图像以及对应每一幅所述钢材堆端面图像的相机的光圈值和焦距值来训练钢材数目检测和尺寸识别神经网络模型；

步骤S2，利用相机摄取待识别钢材堆的端面图像，并将所述待识别钢材堆的端面图像和对应的相机的光圈值和焦距值输入到所述钢材数目检测和尺寸识别神经网络模型，所述钢材数目检测和尺寸识别神经网络模型输 出所述待识别钢材堆的端面图像中的钢材数目、各钢材位置和各钢材的尺寸信息。

2.根据权利要求1所述的基于深度学习的钢材尺寸和数量的识别方法，其特征在于，所述步骤S1包括：

步骤S11，收集训练数据样本，其中，所述训练数据样本包括：相机在不同的拍摄角度、天气、光照条件下对钢材堆进行拍摄所得到的钢材堆端面图像和背景图像；相机拍摄每张图像时的光圈值和焦距值；

步骤S13，对每一个所述训练数据样本进行归一化映射处理，将钢材堆端面图像的像素值、所述光圈值和所述焦距值均映射到区间[0，1]中；

步骤S14，对所述钢材堆端面图像进行人工标注，即对每幅所述钢材堆端面图像中的钢材数目、每个钢材的位置坐标、每根钢材的尺寸进行标注，以此作为钢材数目检测和尺寸识别神经网络模型的训练基础。

3.根据权利要求2所述的基于深度学习的钢材尺寸和数量的识别方法，其特征在于，所述步骤S1还包括：

步骤S12，利用基本图像变换、钢材动态随机Dropout法和动态背景困难样本增强法中的一种或多种方式对所述训练数据样本进行数据集扩展。

4.根据权利要求3所述的基于深度学习的钢材尺寸和数量的识别方法，其特征在于，所述基本图像变换包括：将采集到的所述钢材堆端面图像进行图像模糊、图像各通道像素变换、图像随机噪声剔除、图像仿射变换、图像的轻微旋转中的一种或多种操作，以此得到第一类扩展图，并将操作后得到的所述第一类扩展图及相应的钢材堆端面图像对应的光圈值和焦距值添加到所述训练数据样本中，以进行数据集的基本扩展。

5.根据权利要求3所述的基于深度学习的钢材尺寸和数量的识别方法，其特征在于，所述钢材动态随机Dropout法包括：在一张所述钢材堆端面图像中，随机选择一部分钢材进行像素抹零操作，即丢弃此部分钢材，以此得到第二类扩展图，并将所述第二类扩展图及相应的钢材堆端面图像对应的光圈值和焦距值添加到所述训练数据样本中，以进行数据集的二次扩展。

6.根据权利要求3所述的基于深度学习的钢材尺寸和数量的识别方法，其特征在于，所述动态背景困难样本增强法包括：采集多个环境不同的工地背景图，将一副所述钢材堆端面图像中的钢材堆裁切出来随机粘贴到所述工地背景图中，以此得到第三类扩展图，并将所述第三类扩展图及相应的钢材堆端面图像对应的光圈值和焦距值添加到所述训练数据样本中，以进行数据集的三次扩展。

7.根据权利要求2所述的基于深度学习的钢材尺寸和数量的识别方法，其特征在于，在所述步骤S14中，依据钢材的规格大小对钢材的尺寸进行级别分类，在对钢材的尺寸进行标注时，在对应的钢材上标注尺寸的级别。