【技术实现步骤摘要】
一种基于目标检测的钢筋检测方法
[0001]本专利技术属于密集目标检测
,涉及一种基于目标检测的钢筋检测方法。
技术介绍
[0002]近年来,随着人工智能技术的不断发展,将目标检测、神经网络等人工智能技术与其他传统行业结合起来,不仅能够提高效率和降低成本,还提高各行各业生产的产能。目前,钢筋计数通常是人工手动标记,依次计数。但是对于数量较多、堆积密集的一捆钢筋来说,这种人工计数方法费力费时且容易出错。因此,利用目标检测技术对成捆的密集钢筋进行准确检测具有重要的研究意义。相比人工计数,利用目标检测技术的优点不仅在于准确率高这一方面,更加能够促进工业生产的自动化和高效率发展,早日向智能化生产方向靠拢。
[0003]现有技术的钢筋检测方法主要存在以下两个问题
[0004]1、在钢筋检测的实际场景中,钢筋在图像中所占像素相对较小,相关特征的提取比较困难,并且在经过网络之后,小目标的特征信息会丢失导致检测结果的漏检率和误检率较高。
[0005]2、多捆钢筋堆积在一起会造成它们的边界难以区分,如果直接将所有钢筋一次性检测,会导致图片边缘的钢筋因相邻钢筋的遮挡而漏检。
[0006]故针对现有技术的缺陷,实有必要提出一种技术方案以解决现有技术存在的技术问题。
技术实现思路
[0007]为解决上述问题,本专利技术提供一种基于目标检测的钢筋检测方法,包括以下步骤:
[0008]S1,对钢筋图像数据进行预处理,并对模型进行预训练;
[0009]S2,将图像输入到特征提取
【技术保护点】
【技术特征摘要】
1.一种基于目标检测的钢筋检测方法,其特征在于,包括以下步骤:S1,对钢筋图像数据进行预处理,并对模型进行预训练;S2,将图像输入到特征提取网络,输出特征图F
″
;S3,将S2得到的特征图F
″
进行特征融合;S4,对提取到的特征处理进行分类和回归,回归时通过非极大值抑制法抑制掉多余的预测框,保留一个最接近的作为最终输出的预测框;S5,统计S4最终输出的预测框数量,将其作为钢筋数量以实现钢筋计数的功能。2.根据权利要求1所述的一种基于目标检测的钢筋检测方法,其特征在于,所述S1,对钢筋图像数据进行预处理,并对模型进行预训练,具体包括以下步骤:S11,通过数据增强来丰富钢筋数据集;S12,使用公开数据集PASCAL VOC2007在yolo
‑
v4网络上进行预训练,加载yolo
‑
v4中DarkNet53和PANet部分的权重;S13,修改预训练模型中的Anchor尺寸,使用K
‑
means聚类算法对钢筋数据集进行聚类,得到钢筋数据集的Anchor尺寸。3.根据权利要求2所述的一种基于目标检测的钢筋检测方法,其特征在于,所述S11,通过数据增强来丰富钢筋数据集,具体包括以下步骤:S111,保持图像的尺寸大小不变,随机调节对比度与亮度,同时采用噪声和图片模糊方法加强网络对图片的鲁棒性;S112,改变图片的尺寸,即将图片随机进行任意角度的旋转和翻转,同时将图片进行拉伸和压缩来扩大不同尺寸图片的数量。4.根据权利要求2所述的一种基于目标检测的钢筋检测方法,其特征在于,所述S13,修改预训练模型中的Anchor尺寸,具体包括以下步骤:S131,随机选取K个聚类中心,将标注框划分到距离最近的聚类中心所在的类,所有的标注框都进行归类;S132,计算所有框宽和高的平均值,更新聚类中心;S133,重复S131和S132,直到聚类中心不变,得到Anchor尺寸。5.根据权利要求1所述的一种基于目标检测的钢筋检测方法,其特征在于,所述S2,将图像输入到特征提取网络,输出特征图F
″
,具体为特征提取网络基于CSPDarknet53网络上进行改进,将CSPx模块尾部的CBM模块替换成CBAM模块,CBM模块由卷积层Conv、批量归一化BN、Mish激活函数组成,CSPx模块包括卷积模块,多个残差网络结构,合并模块Concat和CBAM模块。6.根据权利要求1所述的一种基于目标检测的钢筋检测方法,其特征在于,所述S2,将图像输入到特征提取网络,输出特征图F
″
,具体包括以下步骤:S21,将特征图F输入到通道注意力模块,输出通道注意力特征图M
c
(F),与原特征图F按对应元素相乘得到S22,将特征图F
′
输入到空间注意力模块,得到最终的特征图F
″
。7.根据权利要求6所述的一种基于目标检测的钢筋检测方法,其特征在于,所述S21具体包括以下步骤:
S211,将输入特征图F分别进行最大池化和平均池化得到S211,将输入特征图F分别进行最大池化和平均池化得到和最大池化由特征图F每个局部的最大值得到输出特征图平均池化由特征图F每个局部的平均值得到输出特征图S212,特征图和经过多层感知器,对两个特征图和进行逐像素相加,经过Sigmoid激活函数运算生成通道注意力特征图M
...
【专利技术属性】
技术研发人员:葛铭,李志鹏,洪炜杰,魏江,郑小青,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。