一种基于目标检测的钢筋计数方法技术

本发明专利技术公开了一种基于目标检测的钢筋计数方法，包括：获取钢筋样本图像，进行图像预处理，作为样本数据集；构建特征金字塔；构造预测圆形框，计算位置损失函数；通过多种阈值的非极大值抑制法筛选预测圆形框，训练网络模型。本发明专利技术的有益效果为：1.克服人工计数容易出错的缺点，提高计数的准确性；2.通过采用圆形预测框，能更好地针对钢筋进行计数；3.经过多次网络训练从而实现快速准确预测，具有很强的适应性和鲁棒性。

【技术实现步骤摘要】
一种基于目标检测的钢筋计数方法
本专利技术涉及计算机图像处理的
，尤其涉及到一种基于目标检测的钢筋计数方法。
技术介绍
在工地现场，对于进场的钢筋车，验收人员需要对车上的钢筋进行现场人工点根，确认数量后钢筋车才能完成进场卸货。目前现场采用人工计数的方式。过程繁琐、消耗人力且速度很慢。而且难以保证数目的准确性，较难避免漏数的情况，从而给带来企业一定的经济损失。如中国专利公开号为CN111126415A的一种基于雷达探测图像的隧道钢筋检测计数系统、方法，包括图像预处理模块、钢筋关键点检测模块、钢筋层关键曲线拟合模块、钢筋层关键曲线波峰位置识别模块以及钢筋计数模块，可对地质雷达波原始图像进行钢筋自动识别并计数，提高了钢筋识别检测的效率和准确率。然而，该专利较为复杂，且实施过程冗长。
技术实现思路
本专利技术要解决的技术问题是：目前无法解决钢筋计数漏检和误检问题，提供了一种基于目标检测的钢筋计数方法，实现快速准确计数。为解决上述技术问题，本专利技术所采取的技术方案如下：一种基于目标检测的钢筋计数方法，包括：获取钢筋样本图像，进行图像预处理，作为样本数据集；构建特征金字塔；构造预测圆形框，计算位置损失函数；通过多种阈值的非极大值抑制法筛选预测圆形框，训练网络模型。非极大值抑制法为3个阈值，阈值为上下限以及上下限的平均值，通过构造圆形预测框，能更好地针对钢筋进行计数；经过多次训练网络模型从而实现快速准确预测，具有很强的适应性和鲁棒性。>作为优选，所述图像预处理包括图像裁剪、尺度缩放和亮度对比度调整。这一系列图像预处理能够突出检测目标，并且扩大数据集。作为优选，所述构建特征金字塔包括对图像进行多次卷积处理，缩减图像大小得到卷积层；将卷积层上采样后得到特征图，与其它经过卷积的特征图相加，改变特征图的通道数。通过对输入图片进行不断的池化、上采样、卷积等操作得到各个大小的特征图，用于训练网络模型。作为优选，所述构造预测圆形框包括由矩形框构造圆形锚框；记录网格与锚框左上角的偏移量、锚框半径以及锚框圆心坐标；计算预测圆形框的圆心坐标以及半径。对于检测目标来说，圆形框的两圆交并比要远好于矩形框的交并比，与目标适配性更好，保证了对圆形外形的识别率，使得网络模型具备对钢筋精确识别的功能。作为优选，所述预测圆形框圆心横坐标的计算式为其中，tx为锚框圆心横坐标，cx为网格与锚框左上角的横坐标偏移量；所述预测圆形框圆心纵坐标的计算式为其中，ty为锚框圆心纵坐标，cy为网格与锚框左上角的纵坐标偏移量；所述预测圆形框半径的计算式为其中，tr为锚框圆心半径，pr为锚框的半径。作为优选，所述计算位置损失函数包括构造真实框，记录真实框半径以及真实框圆心坐标；记录网格单元个数以及每个网格产生锚框个数；设置平衡参数；计算位置损失函数。平衡参数是为了平衡正负样本而设置的参数。作为优选，所述构造真实框包括选定样本数据集目标；构造包围目标的最小圆形框。作为优选，所述位置损失函数的计算式为其中，xi为真实框的圆心横坐标，yi为真实框的圆心纵坐标，ri为真实框的圆心半径，S2为网络单元个数，B为每个网格所能产生的锚框个数，Iobj：若第i个网格的第j个锚框负责这个目标，Iobj为1；若不负责，Iobj为0。损失函数是根据圆形预测框以及真实框的变化而变化，用于训练网络模型。作为优选，所述非极大值抑制法包括设置阈值上下限范围；对预测框进行具体类别的分类输出，预测位置偏移量，输出精确的目标检测框。由于边界框在选择的时候很多被遮挡的钢筋边界框无法被正确识别而受到抑制，非极大值抑制法用两个一大一小的阈值一起对预测框进行选择。作为优选，所述训练网络模型包括设定迭代次数学习率参数；输入位置损失函数；输入样本数据集进行训练；迭代到迭代次数的80％时，输出一次验证准确率，若准确率未达标准，则对参数进行微调，在迭代到迭代次数的90％时再输出一次验证准确率并进行微调，当迭代次数达到设定值时训练完成。本专利技术的有益效果为：1.克服人工计数容易出错的缺点，提高计数的准确性；2.通过采用圆形预测框，能更好地针对钢筋进行计数；3.经过多次训练网络模型从而实现快速准确预测，具有很强的适应性和鲁棒性。附图说明图1为实施例一的方法流程图。具体实施方式下面通过具体实施例，并结合附图，对本专利技术的具体实施方式作进一步的说明。实施例一：一种基于目标检测的钢筋计数方法，包括：获取钢筋样本图像，进行图像预处理，作为样本数据集；构建特征金字塔；构造预测圆形框，计算位置损失函数；通过多种阈值的非极大值抑制法筛选预测圆形框，训练网络模型。通过构造圆形预测框，能更好地针对钢筋进行计数；经过多次训练网络模型从而实现快速准确预测，具有很强的适应性和鲁棒性。图像预处理包括图像裁剪、尺度缩放和亮度对比度调整。这一系列图像预处理能够突出检测目标，并且扩大数据集。图片裁剪：训练集中存在部分图片目标钢筋所占区域小、非钢筋所占区域大的问题，这将导致输入网络后有效区域小，从而影响模型训练效果；针对这种情况，对钢筋图片进行裁剪，裁减掉大部分非目标区域，使训练效果有效提升；尺度缩放：由于拍摄者在拍摄时，距离角度不是完全一样的导致钢筋直径变化较大，针对这种情况，对钢筋图片进行多尺度缩放，有助于提高模型多尺度钢筋检测精度；亮度对比度调整：由于采集钢筋图片的环境复杂，光线条件不完全相同，存在明亮阴影变化较大的情况，针对这种情况，对钢筋图片进行亮度对比度调整，使其检测时能够适应多种情况下的亮度对比度变化。构建特征金字塔包括对图像进行多次卷积处理，缩减图像大小得到卷积层；将卷积层上采样后得到特征图，与其它经过卷积的特征图相加，改变特征图的通道数。通过对输入图片进行不断的池化、上采样、卷积等操作得到各个大小的特征图，用于训练网络模型。由于要检测的钢筋大都属于小目标范围，所以这里设计了针对小目标的特征金字塔模块，只把高分辨率的特征进行融合，因为浅层的网络更关注于细节信息，高层的网络更关注于语义信息也就是下采样倍数小的特征感受也小，适合小目标，大尺度分辨率信息足适合小目标。对多目标单类别的检测，作为仅有的一个类别钢筋并不具有很强的语义信息，所以并不需要很深层的特征金字塔结构，本专利技术使用了一个浅层的特征融合，效果会更好，计算量也减少了。构造预测圆形框包括由矩形框构造圆形锚框；记录网格与锚框左上角的偏移量、锚框半径以及锚框圆心坐标；计算预测圆形框的圆心坐标以及半径。本文档来自技高网...

【技术保护点】
1.一种基于目标检测的钢筋计数方法，其特征在于，包括：/n获取钢筋样本图像，进行图像预处理，作为样本数据集；/n构建特征金字塔；/n构造预测圆形框，计算位置损失函数；/n通过多种阈值的非极大值抑制法筛选预测圆形框，训练网络模型。/n

【技术特征摘要】
1.一种基于目标检测的钢筋计数方法，其特征在于，包括：
获取钢筋样本图像，进行图像预处理，作为样本数据集；
构建特征金字塔；
构造预测圆形框，计算位置损失函数；
通过多种阈值的非极大值抑制法筛选预测圆形框，训练网络模型。


2.根据权利要求1所述的基于目标检测的钢筋计数方法，其特征在于，所述图像预处理包括图像裁剪、尺度缩放和亮度对比度调整。


3.根据权利要求1或2所述的基于目标检测的钢筋计数方法，其特征在于，所述构建特征金字塔包括
对图像进行多次卷积处理，缩减图像大小得到卷积层；
将卷积层上采样后得到特征图，与其它经过卷积的特征图相加，改变特征图的通道数。


4.根据权利要求1所述的基于目标检测的钢筋计数方法，其特征在于，所述构造预测圆形框包括
由矩形框构造圆形锚框；
记录网格与锚框左上角的偏移量、锚框半径以及锚框圆心坐标；
计算预测圆形框的圆心坐标以及半径。


5.根据权利要求4所述的基于目标检测的钢筋计数方法，其特征在于，所述预测圆形框圆心横坐标的计算式为



其中，tx为锚框圆心横坐标，cx为网格与锚框左上角的横坐标偏移量；
所述预测圆形框圆心纵坐标的计算式为



其中，ty为锚框圆心纵坐标，cy为网格与锚框左上角的纵坐标偏移量；
所述预测圆形框半径的计算式为



其中，tr为锚框圆心半径，pr为锚框的半径。

...

【专利技术属性】
技术研发人员：李志鹏，郑小青，郑松，孔亚广，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33