一种基于深度学习的钢筋计数方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的钢筋计数方法及装置，其中方法包括以下步骤：接收钢筋图像集；利用训练钢筋图像训练圆识别网络；利用训练好的圆识别网络处理待测钢筋图像，得到数量结果；在预训练过程中，遍历每个钢筋轮廓的所有像素点，取其与其他像素点的连线的最大值为半径，当该半径符合要求，则累加器计数；当累加器的结果值大于设定值，判定对应的钢筋轮廓为圆形，统计圆形的个数。其通过基于深度学习的图像处理技术，识别图像中的圆形进行统计出钢筋的数量，兼具准确度高和投入成本低的优点。

A reinforcement counting method and device based on deep learning

【技术实现步骤摘要】
一种基于深度学习的钢筋计数方法及装置
本专利技术涉及图像处理领域，特别是一种基于深度学习的钢筋计数方法及装置。
技术介绍
在工业生产中，会将钢筋捆成一扎，而且需要对钢筋扎包含的钢筋进行计数，通过人工计数，由于工人精神疲劳或眼力疲劳，容易产生误差；另外，也可以通过机电一体化的钢筋自动计数系统，准确率高，但是电力消耗大，机械成本和维护成本都较高。
技术实现思路
本专利技术的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于深度学习的钢筋计数方法及装置，兼具投入成本低和准确率高的优点。本专利技术解决其问题所采用的技术方案是：本专利技术的第一方面，一种基于深度学习的钢筋计数方法，包括以下步骤：接收输入的钢筋图像集并将所述钢筋图像集分为训练钢筋图像和待测钢筋图像，所述钢筋图像集为钢筋整齐叠放状态下对钢筋端面拍摄的多张图像的集合；利用所述训练钢筋图像训练基于深度学习的圆识别网络；利用训练好的圆识别网络处理所述待测钢筋图像，得到钢筋数量结果；所述利用训练钢筋图像训练基于深度学习的圆识本文档来自技高网...

【技术保护点】
1.一种基于深度学习的钢筋计数方法，其特征在于，包括以下步骤：接收输入的钢筋图像集并将所述钢筋图像集分为训练钢筋图像和待测钢筋图像，所述钢筋图像集为钢筋整齐叠放状态下对钢筋端面拍摄的多张图像的集合；/n利用所述训练钢筋图像训练基于深度学习的圆识别网络；/n利用训练好的圆识别网络处理所述待测钢筋图像，得到钢筋数量结果；/n所述利用训练钢筋图像训练基于深度学习的圆识别网络包括以下步骤：/n将所述训练钢筋图像输入至所述圆识别网络；/n通过内边界追踪算法对所述训练钢筋图像进行边缘检测，定位钢筋轮廓；/n计算每个所述钢筋轮廓的面积，并由圆形面积反推出钢筋的半径范围；/n对每个所述钢筋轮廓，取其上的一个像...

【技术特征摘要】
1.一种基于深度学习的钢筋计数方法，其特征在于，包括以下步骤：接收输入的钢筋图像集并将所述钢筋图像集分为训练钢筋图像和待测钢筋图像，所述钢筋图像集为钢筋整齐叠放状态下对钢筋端面拍摄的多张图像的集合；
利用所述训练钢筋图像训练基于深度学习的圆识别网络；
利用训练好的圆识别网络处理所述待测钢筋图像，得到钢筋数量结果；
所述利用训练钢筋图像训练基于深度学习的圆识别网络包括以下步骤：
将所述训练钢筋图像输入至所述圆识别网络；
通过内边界追踪算法对所述训练钢筋图像进行边缘检测，定位钢筋轮廓；
计算每个所述钢筋轮廓的面积，并由圆形面积反推出钢筋的半径范围；
对每个所述钢筋轮廓，取其上的一个像素点，计算该像素点与其他所有像素点的连线的长度，长度最大值为半径，当该长度最大值在半径范围内，则累加器计数，直至遍历完一个所述钢筋轮廓的所有像素点；
对每个所述钢筋轮廓，当累加器的结果值大于设定值，判定对应的所述钢筋轮廓为圆形，统计圆形的个数。


2.根据权利要求1所述的一种基于深度学习的钢筋计数方法，其特征在于，在接收输入的钢筋图像集后，进行图像预处理；其中，所述图像预处理包括以下步骤：
对所述钢筋图像集的每个图像灰度化处理；
对每个图像中值滤波去噪处理；
对每个图像通过直方图均衡化方法处理；
对每个图像二值化处理，使钢筋轮廓的包围区域为白，其余部分为黑。


3.根据权利要求2所述的一种基于深度学习的钢筋计数方法，其特征在于，在边缘检测前，对所述钢筋图像集的每个图像中钢筋轮廓的包围区域的边缘细化，形成闭合的曲线。


4.根据权利要求1至3任一项所述的一种基于深度学习的钢筋计数方法，其特征在于，所述钢筋图像集是将多张钢筋原图旋转不同的角度并添加整数噪声而扩展得到。


5.根据权利要求1所述的一种基于深度学习的钢筋计数方法，其特征在于，所述圆识别网络的网络结构为AlexNet结构。


6.一种基于深度学习的钢筋计数装置，其特征在于，包括：
图像接收模块，用...

【专利技术属性】
技术研发人员：王宏民，王克成，叶浩槐，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44