[发明专利]基于深度神经网络的钢筋数量检测方法及系统

说明书

本发明公开了一种基于深度神经网络的钢筋数量检测方法及系统，该方法包括：根据第三方物体检测数据集，基于改进的Faster‑RCNN算法，生成预训练模型；输入包括标注信息的钢筋数据集，对所述钢筋数据集中的图片进行第一数据增强转换，对所述预训练模型进行迁移学习训练，生成钢筋检测模型；获取包括钢筋横截面的待检测图片，通过所述钢筋检测模型得到第一检测框，以及，对所述待检测图片进行第二数据增强转换，得到若干第二增强图片，通过所述钢筋检测模型得到第二检测框；根据坐标信息匹配所述第一检测框及所述第二检测框，基于钢筋置信度及检测框重叠度，得到钢筋检测数量。本发明加快了钢筋检测入库速度，节省了人力物力，并提高了检测的精确度。

技术领域

本发明涉及人工智能检测领域，特别涉及一种基于深度神经网络的钢筋数量检测方法及系统。

背景技术

近年来，随着计算机视觉技术的发展，在某些任务上机器的能力已经超越了人类的水平，这使得利用机器替代人工完成某一任务成为可能，越来越多的传统行业，开始加快数字化、智能化的进程。而目前的工地现场，对于钢筋数量清点入库，主要依靠验收人员对车上的钢筋进行现场人工点根，确认数量后钢筋车才能完成进场卸货，过程繁琐、消耗人力且速度很慢。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度神经网络的钢筋数量检测方法，能够通过图片获取钢筋数量，提高入库效率。

本发明还提出一种具有上述基于深度神经网络的钢筋数量检测方法的基于深度神经网络的钢筋数量检测系统。

根据本发明的第一方面实施例的基于深度神经网络的钢筋数量检测方法，包括以下步骤：S100，根据第三方物体检测数据集，基于以ResNeXt、FPN、RPN和RoiAlign为主干网络的Faster-RCNN算法，生成预训练模型；S200，输入包括标注信息的钢筋数据集，对所述钢筋数据集中的图片进行第一数据增强转换，对所述预训练模型进行迁移学习训练，生成钢筋检测模型；S300，获取包括钢筋横截面的待检测图片，通过所述钢筋检测模型得到第一检测框，以及，对所述待检测图片进行第二数据增强转换，得到若干第二增强图片，通过所述钢筋检测模型得到第二检测框；S400，根据坐标信息匹配所述第一检测框及所述第二检测框，基于钢筋置信度及检测框重叠度，得到钢筋检测数量。

根据本发明实施例的基于深度神经网络的钢筋数量检测方法，至少具有如下有益效果：通过基于深度学习的目标检测方法，只需现场采集包含钢筋横截面的图片，上传图片调用模型即可返回原始图片中包含的钢筋数量及每根钢筋所在的位置，能够极大的降低人力成本，提高入库效率；通过利用第三数据库进行预训练后进行迁移学习训练，减少了前期钢筋数据集的数量需求，从而节约了人力；通过训练阶段及检测阶段的数据增强处理，提高了检测的精度。

根据本发明的一些实施例，所述步骤S200包括：S210，将所述预训练模型中的分类输出层神经元数修改为两个；S220，加载所述钢筋数据集，基于预设概率对所述钢筋数据集中的图片进行所述第一数据增强转换，得到第一增强图片；S230，根据所述第一增强图片及所述标注信息，对所述预训练模型进行学习训练，得到所述钢筋检测模型。

根据本发明的一些实施例，所述第一数据增强转换的方法包括：根据预设规则选择中心裁剪、水平翻转、按短边缩放、随机高斯模糊以及亮度调整的其中一项处理图片。

根据本发明的一些实施例，所述第二数据增强转换的方法包括：选择水平翻转、按短边缩放图片、低照度图像增强中的其中至少一项处理图片。

根据本发明的一些实施例，所述步骤S400包括：S410，通过所述第二增强图片与所述待检测图片的转换映射关系，得到所述第二检测框的所述坐标信息；S420，根据所述坐标信息，从所述第二检测框中获取所述第一检测框的候选匹配检测框；S430，根据钢筋置信度，从所述第一检测框及所述候选匹配检测框中选出基准框及非基准框；S440，基于交并比计算所述基准框及所述非基准框的重叠度，根据重叠度舍弃所述非基准框。