钢筋检测方法以及相关设备、装置制造方法及图纸

本申请公开了一种钢筋检测方法以及相关设备、装置，其中，钢筋检测方法包括：获取待测钢筋的端面图像；对端面图像进行特征提取，得到多种维度的第一特征图；将每种维度的第一特征图和对应的高维特征图进行第一融合处理，得到对应维度的第二特征图，其中，高维特征图为维度比对应的第一特征图高的第一特征图；将不同维度的第二特征图进行第二融合处理，得到第三特征图；对第三特征图进行预测处理，得到端面图像中钢筋端面的预测结果。上述方案，能够提高钢筋检测的性能，并降低钢筋检测的成本。

【技术实现步骤摘要】
钢筋检测方法以及相关设备、装置
本申请涉及人工智能领域，特别是涉及一种钢筋检测方法以及相关设备、装置。
技术介绍
随着城镇化进程的快速推进，钢筋作为房屋、桥梁等建设工程必不可少的建筑材料，堆置于建设工地、建材仓库等场所。而为了核准钢筋数量，一般需要对钢筋进行检测。一般采用传感器或其他专用设备，或者采用传统的图像处理技术进行检测。然而，采用传感器或其他专用设备检测，增加了成本；采用传统的图像处理技术进行检测又严重依赖于图像质量，一旦改变图像背景，或光照条件欠佳，极易导致检测性能下降。有鉴于此，如何提高钢筋检测的性能，并降低钢筋检测的成本成为亟待解决的问题。
技术实现思路
本申请主要解决的技术问题是提供一种钢筋检测方法以及相关设备、装置，能够提高钢筋检测的性能，并降低钢筋检测的成本。为了解决上述问题，本申请第一方面提供了一种钢筋检测方法，包括：获取待测钢筋的端面图像；对端面图像进行特征提取，得到多种维度的第一特征图；将每种维度的第一特征图和对应的高维特征图进行第一融合处理，得到对应维度的第二特征图，其中，高维特征图为维度比对应的第一特征图高的第一特征图；将不同维度的第二特征图进行第二融合处理，得到第三特征图；对第三特征图进行预测处理，得到端面图像中钢筋端面的预测结果。为了解决上述问题，本申请第二方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的钢筋检测方法。为了解决上述问题，本申请第三方面提供了一种存储装置，存储有能够被处理器运行的程序指令，程序指令用于上述第一方面中的钢筋检测方法。上述方案，通过对获取到的待测钢筋的断面图像进行特征提取，得到多种维度的第一特征图，并将将每种维度的第一特征图和对应的高维特征图进行第一融合处理，得到对应维度的第二特征图，且高维特征图为维度比对应的第一特征图高的第一特征图，故能够将高维特征图中的语义特征和低维特征图中的空间特征进行融合，从而使得得到的对应维度的第二特征图中既包含高维语义特征，又包含低维空间特征，并将不同维度的第二特征图进行第二融合处理，得到第三特征图，进而能够充分融合多维语义和空间特征，使得在对第三特征图进行预测处理时，能够提高钢筋检测性能，且由于无需采用传感器或其他专用设备，故能够降低检测成本。附图说明图1是本申请钢筋检测方法一实施例的流程示意图；图2是钢筋检测模型一实施例的框架示意图；图3是本申请钢筋检测方法另一实施例的流程示意图；图4是获取端面形状特性一实施例的框架示意图；图5是在端面图像中检测得到的目标端面区域一实施例的示意图；图6是本申请钢筋检测装置一实施例的框架示意图；图7是本申请电子设备一实施例的框架示意图；图8是本申请存储装置一实施例的框架示意图。具体实施方式下面结合说明书附图，对本申请实施例的方案进行详细说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。请参阅图1，图1是本申请钢筋检测方法一实施例的流程示意图。具体而言，可以包括如下步骤：步骤S11：获取待测钢筋的端面图像。待测钢筋可以是工厂、仓库等场所堆叠的钢筋，也可以是建筑工地现场堆叠的钢筋，在此不做限定。钢筋的端面指的是垂直于钢筋轴线的截面。在一个实施场景中，可以通过待测钢筋所在场所安装的监控相机获取待测钢筋的端面图像；在另一个实施场景中，也可以通过手机、平板电脑等移动设备拍摄得到待测钢筋的端面图像，在此不做限定。步骤S12：对端面图像进行特征提取，得到多种维度的第一特征图。不同维度的第一特征图可以包含不同层次的特征信息，例如，低维度的第一特征图能够包含待测钢筋端面的空间特征信息，而随着维度的提高，第一特征图分辨率随之减小，而第一特征图通道数随之增大，从而第一特征图能够包含更加抽象的语义特征信息。在一个实施场景中，为了提高钢筋检测的效率，可以预先训练一钢筋检测模型，且钢筋检测模型中包含一特征提取子网络，从而可以利用钢筋检测模型的特征提取子网络对端面图像进行特征提取，进而得到多种维度的第一特征图。具体地，请结合参阅图2，图2是钢筋检测模型一实施例的框架示意图。如图2所示，钢筋检测模型包括输入层(INPUT)，用于输入待测钢筋的端面图像，待测钢筋的端面图像的大小可以根据实际情况进行设置，例如，可以设置为图2所示的3*512*512，即端面图像的大小为512*512，且每一像素包含3个通道(如，包含RGB三个通道)，钢筋检测模型的特征提取子网络可以采用深层聚集提取网络(DeepLayerAggregation，DLA)，例如，可以采用如图2所示的DLA34网络，通过如图2所示的DLA34网络，可以提取得到4种不同维度的第一特征图，分别为采用4倍下采样率得到的尺寸为64*128*128的第一特征图，采用8倍下采样率得到的尺寸为128*64*64的第一特征图，采用16倍下采样率得到的尺寸为256*32*32的第一特征图，采用32倍下采样率得到的尺寸为512*16*16的第一特征图，上述第一特征图中，128*128、64*64、32*32、16*16分别表示第一特征图的分辨率，而位于分辨率之前的数值分别表示第一特征图的通道数，故特征图的维度可以采用特征图的分辨率和通道数进行衡量，且维度越高，分辨率越小，通道数越大，特征图所表示的特征信息越抽象。在其他实施场景中，特征提取子网络也可以采用除图2所示的DLA34之外的其他网络，例如，残差网络(res-net)、稠密网络(dense-net)等等，在此不做限定。步骤S13：将每种维度的第一特征图和对应的高维特征图进行第一融合处理，得到对应维度的第二特征图。高维特征图为维度比对应的第一特征图高的第一特征图，请继续结合参阅图2，例如，对于64*128*128的第一特征图而言，对应的高维特征图可以包括128*64*64的第一特征、256*32*32的第一特征图、512*16*16的第一特征图中的至少一者。在一个实施场景中，可以将每种维度的第一特征图和所有比其维度更高的高维特征图进行第一融合处理，得到对应维度的第二特征图，以图2所示的第一特征图为例，可以将64*128*128的第一特征图和128*64*64的第一特征图、256*32*32的第一特征图、512*16*16的第一特征图进行第一融合处理，得到64*128*128的第二特征图，其他第一特征图可以以此类推，在此不再一一举例。在另一个实施场景中，可以将每种维度的第一本文档来自技高网...

【技术保护点】
1.一种钢筋检测方法，其特征在于，包括：/n获取待测钢筋的端面图像；/n对所述端面图像进行特征提取，得到多种维度的第一特征图；/n将每种所述维度的所述第一特征图和对应的高维特征图进行第一融合处理，得到对应所述维度的第二特征图，其中，所述高维特征图为维度比对应的所述第一特征图高的第一特征图；/n将不同所述维度的第二特征图进行第二融合处理，得到第三特征图；/n对所述第三特征图进行预测处理，得到所述端面图像中钢筋端面的预测结果。/n

【技术特征摘要】
1.一种钢筋检测方法，其特征在于，包括：
获取待测钢筋的端面图像；
对所述端面图像进行特征提取，得到多种维度的第一特征图；
将每种所述维度的所述第一特征图和对应的高维特征图进行第一融合处理，得到对应所述维度的第二特征图，其中，所述高维特征图为维度比对应的所述第一特征图高的第一特征图；
将不同所述维度的第二特征图进行第二融合处理，得到第三特征图；
对所述第三特征图进行预测处理，得到所述端面图像中钢筋端面的预测结果。


2.根据权利要求1所述的方法，其特征在于，所述对所述端面图像进行特征提取，得到多种维度的第一特征图包括：
利用钢筋检测模型的特征提取子网络对所述端面图像进行特征提取，得到所述多种维度的所述第一特征图；
所述将每种所述维度的所述第一特征图和所述维度更高的所述第一特征图进行第一融合处理，得到对应所述维度的第二特征图包括：
利用所述钢筋检测模型的第一融合子网络将每种所述维度的所述第一特征图和对应的高维特征图进行第一融合处理，得到对应所述维度的第二特征图；
所述将不同所述维度的第二特征图进行第二融合处理，得到第三特征图包括：
利用所述钢筋检测模型的第二融合子网络将不同所述维度的第二特征图进行第二融合处理，得到所述第三特征图；
所述对所述第三特征图进行预测处理，得到所述端面图像中钢筋端面的预测结果包括：
利用所述钢筋检测模型的预测处理子网络对所述第三特征图进行预测处理，得到所述端面图像中所述钢筋端面的预测结果。


3.根据权利要求2所述的方法，其特征在于，所述特征提取子网络包括深层聚集提取网络，所述第一融合子网络包括深层聚集上采样网络，所述第二融合子网络包括特征图金字塔网络；
和/或，所述钢筋检测模型是利用样本图像训练得到的，且所述样本图像中标注有包含所述钢筋端面的真实区域。


4.根据权利要求1所述的方法，其特征在于，所述预测结果包括：在所述端面图像中预测得到的候选端面区域；所述对所述第三特征图进行预测处理，得到所述端面图像中钢筋端面的预测结果之后，所述方法还包括：
对所述候选端面区域进行分析，得到所述待测钢筋的端面特性信息；
利用所述端面特性信息处理所述候选端面区域，得到所述端面图像中包含所述钢筋端面的目标端面区域；
其中，所述端面特性信息包括端面尺寸特性、端面形状特性、端面布局特性、端面颜色特性中的至少一者。


5.根据权利要求4所述的方法，其特征在于，所述利用所述端面特性信息处理所述候选端面区域，得到所述端面图像中包含所述钢筋端面的目标端面区域包括：
利用所述端面尺寸特性、所述端面形状特性、所述端面布局特性、所述端面颜色特性中的至少一者对所述候选端面区域进行过滤，得到第一端面区域；
利用所述端面尺寸特性、所述端面形状特性、所述端面布局特性和所述端面颜色特性在所述端面图像中添加第二端面区域；
将所述第一端面区域和所述第二端面区域作为所述目标端面区域。


6.根据权利要求5所述的方法，其特征在于，在利用所述端面尺寸特性对所述候选端面区域进行过滤时，所述对所述候选端面区域进行分析，得到所述待测钢筋的端面特性信息包括：
统计所述候选端面区域的平均面积和/或平均长宽比，作为所述端面尺寸特性；
所述对所述候选端面区域进行过滤，得到第一端面区域包括：
若所述候选端面区域的区域面积与所述平均面积不满足第一预设条件，或者，若所述候选端面区域的区域长宽比与所述平均长宽比不满足第二预设条件，则将所述候选端面区域剔除，将剩余的所述候选端面区域作为所述第一端面区域。


7.根据权利要求5所述的方法，其特征在于，在利用所述端面形状特性对所述候选端面区域进行过滤时，所述对所述候选端面区域...

【专利技术属性】
技术研发人员：黄积晟，任宇鹏，卢维，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33