基于AI机器学习的钢筋点数识别软件系统技术方案

本发明专利技术公开了基于AI机器学习的钢筋点数识别软件系统，包括算法、训练学习、数据集及拍摄识别，利用机器学习、计算机视觉等算法对大量的数据集进行多次训练学习，训练完成后，对现场情况进行拍照识别，其中，所述算法采用YOLOv3单阶段检测器，所述YOLOv3骨架网络采用ResNet50‑VD，所述YOLOv3单阶段检测器采用Deformable Convolution v2卷积操作，本发明专利技术运用人工智能、机器学习等AI技术，通过软件快速识别钢筋数量，保证钢筋验收或盘库点数效率，降低建筑施工人员人力成本，提高钢筋点数准确率，减少了材料损失。

【技术实现步骤摘要】
基于AI机器学习的钢筋点数识别软件系统
本专利技术涉及应用程序软件
，具体是基于AI机器学习的钢筋点数识别软件系统。
技术介绍
钢筋(Rebar)是指钢筋混凝土用和预应力钢筋混凝土用钢材，其横截面为圆形，有时为带有圆角的方形。包括光圆钢筋、带肋钢筋、扭转钢筋。建筑工地建设中需要大量的钢筋使用，工作人员每天要统计钢筋的使用情况和进货情况，这无疑给工作人员增加了困难，很容易造成数量不正确，在天气炎热或寒冷时，工作人员采用传统方式点数钢筋，极大地影响了工作效率和准确性。
技术实现思路
本专利技术的目的在于提供基于AI机器学习的钢筋点数识别软件系统，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：基于AI机器学习的钢筋点数识别软件系统，包括算法、训练学习、数据集及拍摄识别，利用机器学习、计算机视觉等算法对大量的数据集进行多次训练学习，训练完成后，对现场情况进行拍照识别，其中，所述算法采用YOLOv3单阶段检测器，所述YOLOv3骨架网络采用ResNet50-VD，从而提高了算法的速度及精度，提高了扩展性。作为本专利技术进一步的方案：所述YOLOv3单阶段检测器采用DeformableConvolutionv2卷积操作，通过采用DeformableConvolutionv2卷积操作，使得速度与精度相互平衡。作为本专利技术再进一步的方案：所述YOLOv3单阶段检测器包括FPN，所述FPN中设置有DropBlock模块，通过设置的DropBlock模块，提高了模型泛化能力，更适应于在检测任务中提高网络泛化能力。作为本专利技术再进一步的方案：所述YOLOv3单阶段检测器中设置有IoULoss分支，用以提高BBox定位精度，缩小一阶段和两阶段检测网络的差距。作为本专利技术再进一步的方案：所述数据集包括Object365数据集和coco数据集，所述Object365数据集包含60万张图片以及365种类别。作为本专利技术再进一步的方案：所述Object365数据集训练得到的模型作为coco数据集上的预训练模型，相比coco数据集进行预训练可以进一步提高YOLOv3单阶段检测器的精度。作为本专利技术再进一步的方案：所述训练学习通过拍摄大量钢筋样本数据，人工标注后，通过算法提取出网络特征，识别钢筋特征，保存训练后的权重。作为本专利技术再进一步的方案：所述拍摄识别通过拍照钢筋，发送到服务器进行识别钢筋，计算数量。其中，钢筋点数方法为：1)打开软件系统，正面拍摄钢筋堆；2)手动圈出识别区域，自动识别、标注钢筋，并显示结果；3)放大照片，查看是否漏检、错检；4)如无漏检、错检情况，保存图片，完成下一堆钢筋点数；5)保存的图片显示验收时间、验收人员、验收钢筋数量；6)如有漏检、错检情况，重新拍摄，或手动更改。与现有技术相比，本专利技术的有益效果是：本专利技术运用人工智能、机器学习等AI技术，通过软件快速识别钢筋数量，保证钢筋验收或盘库点数效率，降低建筑施工人员人力成本，提高钢筋点数准确率，减少了材料损失。附图说明图1为基于AI机器学习的钢筋点数识别软件系统的结构示意图。图2为基于AI机器学习的钢筋点数识别软件系统中点钢筋的流程示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1～2，本专利技术实施例中，基于AI机器学习的钢筋点数识别软件系统，包括算法、训练学习、数据集及拍摄识别，利用机器学习、计算机视觉等算法对大量的数据集进行多次训练学习，训练完成后，对现场情况进行拍照识别，其中，所述算法采用YOLOv3单阶段检测器，所述YOLOv3骨架网络采用ResNet50-VD，从而提高了算法的速度及精度，提高了扩展性。所述YOLOv3单阶段检测器采用DeformableConvolutionv2卷积操作。通过采用DeformableConvolutionv2卷积操作，使得速度与精度相互平衡。所述YOLOv3单阶段检测器包括FPN，所述FPN中设置有DropBlock模块。通过设置的DropBlock模块，提高了模型泛化能力，更适应于在检测任务中提高网络泛化能力。所述YOLOv3单阶段检测器中设置有IoULoss分支，用以提高BBox定位精度，缩小一阶段和两阶段检测网络的差距。所述数据集包括Object365数据集和coco数据集，所述Object365数据集包含60万张图片以及365种类别。所述Object365数据集训练得到的模型作为coco数据集上的预训练模型，相比coco数据集进行预训练可以进一步提高YOLOv3单阶段检测器的精度。所述训练学习通过拍摄大量钢筋样本数据，人工标注后，通过算法提取出网络特征，识别钢筋特征，保存训练后的权重。所述拍摄识别通过拍照钢筋，发送到服务器进行识别钢筋，计算数量。其中，钢筋点数方法为：1)打开软件系统，正面拍摄钢筋堆；2)手动圈出识别区域，自动识别、标注钢筋，并显示结果；3)放大照片，查看是否漏检、错检；4)如无漏检、错检情况，保存图片，完成下一堆钢筋点数；5)保存的图片显示验收时间、验收人员、验收钢筋数量；6)如有漏检、错检情况，重新拍摄，或手动更改。本专利技术的工作原理是：采用高新技术，运用人工智能、机器学习、深度学习等技术，对采集的含有施工现场钢筋照片进行大量训练学习，以提高识别精确度，通过手机软件快速自动识别钢筋数量，且不受网络状态影响，通过AI算法自动识别钢筋数量并标注结果，可将识别后的结果照片存储到手机相册，照片中显示验收人、钢筋数量、验收时间等信息。以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.基于AI机器学习的钢筋点数识别软件系统，其特征在于，包括算法、训练学习、数据集及拍摄识别，利用机器学习、计算机视觉等算法对大量的数据集进行多次训练学习，训练完成后，对现场情况进行拍照识别；/n其中，所述算法采用YOLOv3单阶段检测器，所述YOLOv3骨架网络采用ResNet50-VD。/n

【技术特征摘要】
1.基于AI机器学习的钢筋点数识别软件系统，其特征在于，包括算法、训练学习、数据集及拍摄识别，利用机器学习、计算机视觉等算法对大量的数据集进行多次训练学习，训练完成后，对现场情况进行拍照识别；
其中，所述算法采用YOLOv3单阶段检测器，所述YOLOv3骨架网络采用ResNet50-VD。


2.根据权利要求1所述的基于AI机器学习的钢筋点数识别软件系统，其特征在于，所述YOLOv3单阶段检测器采用DeformableConvolutionv2卷积操作。


3.根据权利要求1所述的基于AI机器学习的钢筋点数识别软件系统，其特征在于，所述YOLOv3单阶段检测器包括FPN，所述FPN中设置有DropBlock模块。


4.根据权利要求1所述的基于AI机器学习的钢筋点数识别软件系统，其特征在于，所述YOLOv3单阶段检测器中设置有IoULoss分支，...

【专利技术属性】
技术研发人员：王立海，
申请(专利权)人：南京煜耀智能科技有限公司，
类型：发明
国别省市：江苏;32