一种基于深度学习算法的钢筋分层方法及系统技术方案

本公开提供了一种基于深度学习算法的钢筋分层方法及系统，获取无人机与钢筋间的不同高度、不同时段的采集图像，采集到的图像中的双层钢筋进行人工标注并划分为训练集与测试集；对图片进行镜像翻转、旋转、放大裁剪或者对图片亮度进行调整来扩展数据集的量；利用MobileNet神经网络替换YOLOv3深度学习检测算法中的特征提取网络，构建改进后的深度学习网络模型，进行权值的训练和验证，利用达标后的深度学习网络模型对实时采集的图像进行提取，得到钢筋分层结果。

A layered reinforcement method and system based on deep learning algorithm

【技术实现步骤摘要】
一种基于深度学习算法的钢筋分层方法及系统
本公开属于计算机
，涉及一种基于深度学习算法的钢筋分层方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。当前现有的图像识别技术仅能在单层钢筋摆放情况下准确地测量出钢筋间距，当钢筋双层摆放时会出现计算出错层钢筋之间的间距而得出错误数据。目前由于计算机无法对双层钢筋进行分层识别，故无法应用相关间距测量算法对钢筋间距进行测量，所以施工现场更多采用人工测量钢筋间距的手段，人工成本远远高于计算机测量的成本且耗时长，并且存在人为测量计算错误或漏查错查的情况。
技术实现思路
本公开为了解决上述问题，提出了一种基于深度学习算法的钢筋分层方法及系统，本公开预先采用深度学习神经网络对双层钢筋进行分层识别，划分出不同层后再运用间距测量算法测算钢筋间距，可用于施工地全局的检测或者对施工场所进行抽样检测。根据一些实施例，本公开采用如下技术方案：一种基于深度学习算法的钢筋分层方法，包括以下步骤：获取无人机与钢筋间的不同高度、不同时段的采集图像，采集到的图像中的双层钢筋进行人工标注并划分为训练集与测试集；对图片进行镜像翻转、旋转、放大裁剪或者对图片亮度进行调整来扩展数据集的量；利用MobileNet神经网络替换YOLOv3深度学习检测算法中的特征提取网络，构建改进后的深度学习网络模型；使用训练集对搭建好的深度学习网络模型进行权值的训练；使用测试集对训练好的深度学习网络模型进行验证，判断其准确度是否已经达标，如果不达标进行继续训练，直到达标；利用达标后的深度学习网络模型对实时采集的图像进行提取，得到钢筋分层结果。作为可选择的实施方式，运用无人机为载体对施工现场顶层的钢筋摆放进行正射图像采集，图像人工标注时，用命名为upperlayer的框框选出想要识别出的3×3格子大小的上层钢筋的外框，再用另一种命名为underlayer的框框选出upperlayer框下的3×3格子大小的下层钢筋的外框。作为可选择的实施方式，扩展数据集数量的具体步骤包括：a.镜像翻转：将标注好的图片按照水平翻转或者垂直翻转，扩大数据集量；b.旋转：将标注好的图片按照90°、180°或270°旋转，扩大数据集量；c.放大裁剪：在保留标注区域的情况下对图片进行随机裁剪或对标注区域进行放大；d.图片亮度调整：对整张图片进行亮度的调高或降低。作为可选择的实施方式，构建改进后的深度学习网络模型的具体过程包括：将特征提取网络替换为MobileNet神经网络，MobileNet网络结构使用深度级可分离卷积代替了传统卷积，先进行相位上相乘计算再进行卷积核计算，卷积计算完成后通过BN层与RELU激活层增强模型的泛化能力。作为可选择的实施方式，构建改进后的深度学习网络模型的具体过程包括：增加Squeeze-and-Excitation步骤，为特征提取后不同的通道赋予不同的权值，具体包括：假设经过特征提取的结果是2×2维张量组其特征通道是4，Squeeze操作就是将每维通道里的张量组变为实数，用以代表全局视野的特征，得到A张量组；Excitation操作：通过一个包含权值参数的映射和张量组A生成权值张量组B，以代表着该通道中提取的特征对正确识别分层的积极影响因素；逐个通道相乘：特征提取结果张量组与权值张量组B逐个通道相乘得到结果。作为可选择的实施方式，使用训练集对搭建好的深度学习网络模型进行权值的训练，首先对网络模型参数进行初始化，之后将标注好的训练集图片输入初始化后的网络模型，得到输出结果与人工标注结果进行对比作差，再将得到的误差反向传播来调整网络结构中的权值信息来减少网络输出值与标注信息之间的误差，经过多批次图片集的反复训练得到权值最为合适的网络。作为可选择的实施方式，将达标后的深度学习网络模型部署于远程服务器或者无人机机载端。一种基于深度学习算法的钢筋分层系统，包括：数据集获取模块，被配置为获取无人机与钢筋间的不同高度、不同时段的采集图像，并接收标注信息，将数据划分为训练集与测试集；数据集扩充模块，被配置为对图片进行镜像翻转、旋转、放大裁剪或者对图片亮度进行调整来扩展数据集的量；模型构建模块，被配置为利用MobileNet神经网络替换YOLOv3深度学习检测算法中的特征提取网络，构建改进后的深度学习网络模型；使用训练集对搭建好的深度学习网络模型进行权值的训练；使用测试集对训练好的深度学习网络模型进行验证，判断其准确度是否已经达标，如果不达标进行继续训练，直到达标；分层模块，被配置为利用达标后的深度学习网络模型对实时采集的图像进行提取，得到钢筋分层结果。一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于深度学习算法的钢筋分层方法。一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于深度学习算法的钢筋分层方法。与现有技术相比，本公开的有益效果为：本公开解决了目前钢筋间距测量算法无法普及的问题：容易计算出错层钢筋的间距而得出错误结果。通过深度学习网络的识别将双层钢筋分层进而再运用单层钢筋的间距测量算法得到正确的钢筋间距。实现钢筋间距测量的全自动化，整个采集、计算、记录过程全部交给计算机来做可以节省大量的人力财力。同时整个流程的自动化可以减少人为的失误，比如钢筋的漏查或者计算错误等等。无人机作业比较人工作业更加地安全也具有更快地测量速度活动范围也更加广泛灵活，能够及时地把测量数据发送给施工方地监理人员，随时可以抽样检测钢筋的摆放是否合格，时效性好。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1是本公开的流程示意图；图2是深度可分离卷积流程图；图3是Squeeze-and-Excitation模块流程图；图4是训练信息流程图；图5是网络部署在远程服务器工作流程图；图6是网络部署在机载端工作流程图；图7是标注结果图。具体实施方式：下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。...

【技术保护点】
1.一种基于深度学习算法的钢筋分层方法，其特征是：包括以下步骤：/n获取无人机与钢筋间的不同高度、不同时段的采集图像，采集到的图像中的双层钢筋进行人工标注并划分为训练集与测试集；/n对图片进行镜像翻转、旋转、放大裁剪或者对图片亮度进行调整来扩展数据集的量；/n利用MobileNet神经网络替换YOLOv3深度学习检测算法中的特征提取网络，构建改进后的深度学习网络模型；/n使用训练集对搭建好的深度学习网络模型进行权值的训练；/n使用测试集对训练好的深度学习网络模型进行验证，判断其准确度是否已经达标，如果不达标进行继续训练，直到达标；/n利用达标后的深度学习网络模型对实时采集的图像进行提取，得到钢筋分层结果。/n

【技术特征摘要】
1.一种基于深度学习算法的钢筋分层方法，其特征是：包括以下步骤：
获取无人机与钢筋间的不同高度、不同时段的采集图像，采集到的图像中的双层钢筋进行人工标注并划分为训练集与测试集；
对图片进行镜像翻转、旋转、放大裁剪或者对图片亮度进行调整来扩展数据集的量；
利用MobileNet神经网络替换YOLOv3深度学习检测算法中的特征提取网络，构建改进后的深度学习网络模型；
使用训练集对搭建好的深度学习网络模型进行权值的训练；
使用测试集对训练好的深度学习网络模型进行验证，判断其准确度是否已经达标，如果不达标进行继续训练，直到达标；
利用达标后的深度学习网络模型对实时采集的图像进行提取，得到钢筋分层结果。


2.如权利要求1所述的一种基于深度学习算法的钢筋分层方法，其特征是：运用无人机为载体对施工现场顶层的钢筋摆放进行正射图像采集，图像人工标注时，用命名为upperlayer的框框选出想要识别出的3×3格子大小的上层钢筋的外框，再用另一种命名为underlayer的框框选出upperlayer框下的3×3格子大小的下层钢筋的外框。


3.如权利要求1所述的一种基于深度学习算法的钢筋分层方法，其特征是：扩展数据集数量的具体步骤包括：
a.镜像翻转：将标注好的图片按照水平翻转或者垂直翻转，扩大数据集量；
b.旋转：将标注好的图片按照90°、180°或270°旋转，扩大数据集量；
c.放大裁剪：在保留标注区域的情况下对图片进行随机裁剪或对标注区域进行放大；
d.图片亮度调整：对整张图片进行亮度的调高或降低。


4.如权利要求1所述的一种基于深度学习算法的钢筋分层方法，其特征是：构建改进后的深度学习网络模型的具体过程包括：将特征提取网络替换为MobileNet神经网络，MobileNet网络结构使用深度级可分离卷积代替了传统卷积，先进行相位上相乘计算再进行卷积核计算，卷积计算完成后通过BN层与RELU激活层增强模型的泛化能力。


5.如权利要求1所述的一种基于深度学习算法的钢筋分层方法，其特征是：构建改进后的深度学习网络模型的具体过程包括：增加Squeeze-and-Excitation步骤，为特征提取后不同的通道赋予不同的权值，具体包括：
假设经过特征提取的结果是...

【专利技术属性】
技术研发人员：马思乐，霍江航，李为琦，饶颖露，邢金昊，贾磊，马晓静，陈纪旸，栾义忠，姜向远，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37