[发明专利]钢筋识别系统、钢筋识别方法、以及钢筋计数验收系统

说明书

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。

技术领域

本发明属于建筑施工技术领域，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。

背景技术

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。

发明内容

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。

本发明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。

本发明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，