[发明专利]隧道钢筋识别模型的训练方法及隧道钢筋识别方法

权利要求书

1.一种隧道钢筋识别模型的训练方法，其特征在于，所述隧道钢筋识别模型包括特征提取模块、感兴趣区域ROI特征选择模块、钢筋位置检测模块和关键点估计模块，所述特征提取模块的输入端用以输入图像，所述特征提取模块的第一输出端与所述钢筋位置检测模块的输入端连接，所述特征提取模块的第二输出端与所述ROI特征选择模块的第一输入端连接，所述钢筋位置检测模块的输出端与所述ROI特征选择模块的第二输入端连接，所述ROI特征选择模块的输出端与所述关键点估计模块的输入端连接，所述钢筋位置检测模块的输出端用以输出预测的钢筋位置信息，所述关键点估计模块用以输出预测的钢筋关键点信息，所述方法包括：

使用训练影像集对隧道钢筋识别模型进行多次周期性的训练，其中，针对每次训练周期，执行以下操作：

获取训练影像集，其中，所述训练影像集包括钢筋雷达影像；

将所述训练影像集中的钢筋雷达影像输入至隧道钢筋识别模型，得到预测的钢筋位置信息和钢筋关键点信息；

基于所述预测的钢筋位置信息得到第一损失函数，基于所述预测的钢筋关键点信息得到第二损失函数，并根据所述第一损失函数和所述第二损失函数得到第三损失函数；

根据所述第三损失函数，调整所述隧道钢筋识别模型的参数；

其中，所述将所述训练影像集中的钢筋雷达影像输入至隧道钢筋识别模型，得到预测的钢筋位置信息和钢筋关键点信息，包括：

将所述钢筋雷达影像输入至所述特征提取模块的hourglass网络，得到第一特征图；

通过所述钢筋位置检测模块根据所述第一特征图进行钢筋位置预测，得到所述预测的钢筋位置信息，并基于所述预测的钢筋位置信息得到感兴趣区域；

通过所述ROI特征选择模块中的特征抽取子模块根据所述感兴趣区域，抽取所述第一特征图中的钢筋ROI特征，得到第二特征图；

通过所述ROI特征选择模块中的特征选择子模块对所述第二特征图进行空间自适应加权，得到第三特征图；

通过所述关键点估计模块根据所述第三特征图进行钢筋关键点估计，得到所述预测的钢筋关键点信息。

2.根据权利要求1所述的隧道钢筋识别模型的训练方法，其特征在于，所述预测的钢筋位置信息包括钢筋中心点坐标和钢筋尺寸，所述第一损失函数的表达式为：

其中，表示中心点估计损失函数，表示尺寸估计损失函数，表示偏差估计损失函数，和表示平衡钢筋位置检测与特征点估计任务权重的因子。

3.根据权利要求2所述的隧道钢筋识别模型的训练方法，其特征在于，

所述中心点估计损失函数的表达式为：

其中，xyc表示目标中心点，表示映射到中心点热图上的目标中心点的高斯分布扩展值，表示映射到中心点热图上的目标中心点的高斯分布预测值，N表示所述钢筋雷达影像中的钢筋数目，和分别表示可调节的超参数；

所述尺寸估计损失函数的表达式为：

其中，和分别表示第k个目标中心点在中心点热图上的真实坐标和预测坐标；

所述偏差估计损失函数的表达式为：

其中，和分别表示第k个目标中心点映射到中心点热图上的真实偏差和预测偏差。

4.根据权利要求1所述的隧道钢筋识别模型的训练方法，其特征在于，根据所述感兴趣区域，抽取所述第一特征图中的钢筋ROI特征，得到第二特征图，包括：

将所述感兴趣区域映射到所述第一特征图中，得到映射特征图；

对所述映射特征图进行仿射变换，得到所述第二特征图。

5.根据权利要求1所述的隧道钢筋识别模型的训练方法，其特征在于，通过下式得到所述第三特征图：

其中，表示所述第三特征图，表示所述第二特征图，，表示权重，ReLu表示Rectified Linear Units激活函数，Conv1表示核尺度为1的二维卷积，W表示所述第二特征图的宽度，H表示所述第二特征图的高度，C表示所述第二特征图的通道，RW×H×C表示所述第二特征图实数域空间。