钢筋识别系统、钢筋识别方法、以及钢筋计数验收系统技术方案

为了改进并解决目前采用传统人工计数方法完成钢筋进场数量验收工作存在的不足及问题，本发明专利技术提供一种钢筋识别系统、钢筋识别方法、以及钢筋计数验收系统。本发明专利技术的一种钢筋识别系统的技术方案如下：包括钢筋图像数据集、以及钢筋识别训练模型；所述钢筋图像数据集包括训练图像数据集、以及验证图像数据集；钢筋图像样本存放于训练图像数据集或验证图像数据集中；所述钢筋识别训练模型接收钢筋图像数据集。

【技术实现步骤摘要】
钢筋识别系统、钢筋识别方法、以及钢筋计数验收系统
本专利技术属于建筑施工
，特别涉及一种钢筋识别系统、其识别方法、以及钢筋计数验收系统。
技术介绍
钢筋作为建筑工程中最常使用的建筑材料之一，种类繁多，尺寸规格各异，且使用规模庞大。现阶段，在实际工程项目中，钢筋进场数量验收工作采用分批次地人工点数的方式，一次钢筋进场数量验收工作通常需要数十个工人花费五六个小时来完成，工作内容单一且重复，且消耗大量人力，工作效率低下。此外，人工点数钢筋往往存在计数误差，无法保证验收数量结果的准确性与可靠性。尤其在面对高温、低温、台风、暴雨、暴雪等恶劣天气情况时，工作环境较差，人工点数钢筋的工作难以正常开展，同时，上述计数误差也会由于人为心理因素及情绪因素更加放大。综上，需要提出一种新的基于计算机视觉与深度学习的钢筋进场数量智能验收系统，代替人工完成此项耗时耗力的重复性工作，改进并解决目前采用传统人工计数方法完成钢筋进场数量验收工作存在的不足及问题。
技术实现思路
为了改进并解决目前采用传统人工计数方法完成钢筋进场数量验收工作存在的不足及问题，本专利技术提供一种钢筋识别系统、钢筋识别方法、以及钢筋计数验收系统。本专利技术的一种钢筋识别系统的技术方案如下：包括钢筋图像数据集、以及钢筋识别训练模型；所述钢筋图像数据集包括训练图像数据集、以及验证图像数据集；钢筋图像样本存放于训练图像数据集或验证图像数据集中；所述钢筋识别训练模型接收钢筋图像数据集。本专利技术的一种钢筋识别系统，使用时，首先对钢筋图像样本中的钢筋进行标记，将钢筋图像样本输入钢筋图像数据集；然后，设置训练验证比例，将钢筋图像样本按照训练验证比例随机划分至训练图像数据集或验证图像数据集；接着，建立钢筋识别训练模型；将训练图像数据集以及验证图像数据集中的钢筋图像样本导入钢筋识别训练模型，训练图像数据集中的钢筋图像样本转换为输入张量值，验证图像数据集中的钢筋图像样本转换为目标张量值；最后，设置钢筋识别训练模型的loss值阈值、mAP值阈值、以及最大迭代次数等模型参数，并开展正式训练；训练过程中，分别实时绘制loss值及mAP值随迭代次数增加而变化的发展曲线；当满足loss值及mAP值的发展曲线在最大迭代次数达到前发生收敛、且loss值小于loss值阈值、且mAP值大于mAP值阈值，则停止训练，发布并部署训练完成的钢筋识别训练模型；当loss值及mAP值的发展曲线在最大迭代次数达到时未发生收敛、或loss值大于loss值阈值、或mAP值小于mAP值阈值，则返回S2，并调整训练验证比例、loss值阈值、mAP值阈值、最大迭代次数等模型参数，重新训练钢筋识别训练模型。本专利技术的一种钢筋识别系统，采用计算机视觉与深度学习相融合的手段进行钢筋识别，大大提高了结果的准确度。相比传统人工识别钢筋，每捆钢筋仅需单人花费几秒钟便可完成，大大提高了钢筋的识别速度。进一步的，所述的钢筋识别系统中，所述训练图像数据集、验证图像数据集中钢筋图像样本的比例为6:4至9:1。将训练图像数据集、验证图像数据集中钢筋图像样本的比例设置为6:4至9:1，能有效提高钢筋识别训练模型的鲁棒性，适用性，使钢筋识别训练模型更加容易发生收敛。进一步的，所述的钢筋识别系统中，所述钢筋识别训练模型的基本架构基于YOLOv4图像识别方法，包括多个卷积层及3个YOLO层。钢筋识别训练模型基于优化后的YOLOv4模型建立的，有如下优点：(1)采用了多种图像数据增强方法，增大了训练图像数据容量，(2)训练图像数据库范围囊括了几乎全部现场点数钢筋的环境和场景；(3)训练图像数据库分辨率覆盖了200*200的低分辨率到5000*5000高分辨率的全部范围；(4)训练模型包含多个卷积层及3个YOLO层，神经网络层数多，深度广；(5)训练模型检测框采用k-means聚类算法预先设置尺寸。基于上述特点，基于优化后的YOLOv4模型的钢筋识别训练模型，准确性经验证大于99％，在保证一定准确率的前提下节省点数钢筋的时间。本专利技术还提供一种钢筋识别方法，采用上述钢筋识别系统，技术方案如下，包括如下步骤：S1，搜集钢筋图像样本，对钢筋图像样本中的钢筋进行标记，将钢筋图像样本输入钢筋图像数据集；S2，设置训练验证比例，将钢筋图像样本按照训练验证比例随机划分至训练图像数据集或验证图像数据集；S3，建立钢筋识别训练模型；S4，将训练图像数据集以及验证图像数据集中的钢筋图像样本导入钢筋识别训练模型，训练图像数据集中的钢筋图像样本转换为输入张量值，验证图像数据集中的钢筋图像样本转换为目标张量值；S5，设置钢筋识别训练模型的loss值阈值、mAP值阈值、以及最大迭代次数，并开展正式训练；S6，分别实时绘制loss值及mAP值随迭代次数增加而变化的发展曲线；当满足loss值及mAP值的发展曲线在最大迭代次数达到前发生收敛、且loss值小于loss值阈值、且mAP值大于mAP值阈值，则停止训练，发布并部署训练完成的钢筋识别训练模型；当loss值及mAP值的发展曲线在最大迭代次数达到时未发生收敛、或loss值大于loss值阈值、或mAP值小于mAP值阈值，则返回S2，并调整训练验证比例、loss值阈值、mAP值阈值、最大迭代次数，重新训练钢筋识别训练模型。本专利技术的一种钢筋识别方法中，loss值为损失函数值，表示训练模型的预测值与实际真实值之间的差值，数值越小，表示训练模型预测结果越接近实际；mAP值为均值平均精度，表示训练模型识别钢筋的精度，范围为0至100％，数值越大，表示训练模型识别精度越高。本专利技术的一种钢筋识别方法，针对钢筋识别工作的特殊性，即待识别图像中识别物体种类单一、识别物体较小、识别数量较大这三个特点，以loss值、mAP值、及其随迭代次数增加而变化的发展曲线为判断依据，对钢筋识别训练模型进行训练，能更有效的对钢筋识别训练模型进行优化，提高钢筋识别训练模型训练效率和识别准确度。进一步的，所述的钢筋识别方法中，S1中，对钢筋图像样本进行图像调整，得到新的钢筋图像样本。为了增加训练模型识别结果的准确性，应尽可能地扩大数据集容量。可以通过施工现场照片拍摄或查找网络图像数据库搜集钢筋图像样本。之后可采用图像旋转、亮度调节、对比度调节、清晰度调节、图像随机擦除、图像随机拼接等方式对钢筋图像样本进行图像调整，得到更多的钢筋图像样本。进一步的，所述的钢筋识别方法中，钢筋识别训练模型还包括学习率，所述学习率为随训练迭代次数增加而调整的梯度函数；S5中，还包括对学习率进行动态修改，首先计算学习率梯度函数的一阶矩估计和二阶矩估计，并利用学习率梯度函数的一阶矩估计和二阶矩估计动态调整学习率。本专利技术的钢筋识别方法采用基于adam法的动态学习率控制方法，不同于以往基于经验手动调整的学习率修改策略。首先计算学习率梯度函数的一阶矩估计和二阶矩估计，并利用学习率梯度函数的一阶矩估计和二阶矩估计动态调整学习率。进一步的，本文档来自技高网...

【技术保护点】
1.一种钢筋识别系统(1)，其特征在于，包括钢筋图像数据集(11)、以及钢筋识别训练模型(12)；所述钢筋图像数据集(11)包括训练图像数据集(111)、以及验证图像数据集(112)；钢筋图像样本存放于训练图像数据集(111)或验证图像数据集(112)中；所述钢筋识别训练模型(12)接收钢筋图像数据集(11)。/n

【技术特征摘要】
1.一种钢筋识别系统(1)，其特征在于，包括钢筋图像数据集(11)、以及钢筋识别训练模型(12)；所述钢筋图像数据集(11)包括训练图像数据集(111)、以及验证图像数据集(112)；钢筋图像样本存放于训练图像数据集(111)或验证图像数据集(112)中；所述钢筋识别训练模型(12)接收钢筋图像数据集(11)。


2.如权利要求1所述的钢筋识别系统(1)，其特征在于，所述训练图像数据集(111)、验证图像数据集(112)中钢筋图像样本的比例为6:4至9:1。


3.如权利要求1所述的钢筋识别系统(1)，其特征在于，所述钢筋识别训练模型(12)的基本架构基于YOLOv4图像识别方法，包括多个卷积层及3个YOLO层。


4.一种钢筋识别方法，其特征在于，采用如权利要求1所述的钢筋识别系统(1)，包括如下步骤：
S1，搜集钢筋图像样本，对钢筋图像样本中的钢筋进行标记，将钢筋图像样本输入钢筋图像数据集(11)；
S2，设置训练验证比例，将钢筋图像样本按照训练验证比例随机划分至训练图像数据集(111)或验证图像数据集(112)；
S3，建立钢筋识别训练模型(12)；
S4，将训练图像数据集(111)以及验证图像数据集(112)中的钢筋图像样本导入钢筋识别训练模型(12)，训练图像数据集(111)中的钢筋图像样本转换为输入张量值，验证图像数据集(112)中的钢筋图像样本转换为目标张量值；
S5，设置钢筋识别训练模型(12)的loss值阈值、mAP值阈值、以及最大迭代次数，并开展正式训练；
S6，分别实时绘制loss值及mAP值随迭代次数增加而变化的发展曲线；当满足loss值及mAP值的发展曲线在最大迭代次数达到前发生收敛、且loss值小于loss值阈值、且mAP值大于mAP值阈值，则停止训练，发布并部署训练完成的钢筋识别训练模型(12)；当loss值及mAP值的发展曲线在最大迭代次数达到时未发生收敛、或loss值大于loss值阈值、或mAP值小于mAP值阈值，则返回S2，并调整训练验证比例、loss值阈值、mAP值阈值、...

【专利技术属性】
技术研发人员：张英楠，谷志旺，张铭，黄轶，辛佩康，周红兵，朱勇，陈泽，
申请(专利权)人：上海建工四建集团有限公司，
类型：发明
国别省市：上海;31