一种基于密集目标检测的钢筋计数处理方法与流程

1.本发明属于密集目标检测技术领域，具体涉及一种基于密集目标检测的钢筋计数处理方法。


背景技术：

2.在建筑行业中，钢筋是不可缺少的建筑材料之一。在钢筋的生产、运输、销售等每个环节都必须精确计算钢筋根数，以及施工现场的工作人员需要对采购的钢筋进行清点和数量确认。传统的钢筋清点方式采用人工清点，该方式过程繁琐、耗时耗力且人力成本较高。
3.基于传统数字图像处理的清点方式在复杂环境中易受拍摄背景、拍摄角度、光照强度等多方面因素的干扰，出现重检、漏检等情况。随着人工智能的发展，深度学习技术在目标检测等众多领域中取得了重大突破，但钢筋作为分辨率低、体积小、数量多的物体，而很难被全部检测到。一般的目标检测技术密集检测性能差，主要是由于目标之间往往具有非常相似的特征，这就使得检测器无法有效区分两个检测框，另外非极大值抑制等后处理对重叠目标的检测结果也有较大影响。
4.因此，本发明提供了一种基于密集目标检测的钢筋计数处理方法，解决现有人力清点钢筋计数不准确的技术问题。


技术实现要素：

5.本发明要解决的技术问题是：提供一种基于密集目标检测的钢筋计数处理方法，解决现有人力清点钢筋计数不准确的技术问题。
6.为实现上述目的，本发明采用的技术方案如下：一种基于密集目标检测的钢筋计数处理方法，包括以下步骤：步骤s1、采集钢筋切面图片，确定先验框；步骤s2、输入钢筋切面图片，构建rpn网络模型生成包含预测框的候选区域；步骤s3、构建分支网路，预测候选区域中预测框的类别得分和相对坐标；步骤s4、构建损失函数，基于带动量的随机梯度下降法更新rpn网络模型参数；步骤s5、将更新的rpn网络模型迭代反馈，得到钢筋检测计数模型；步骤s6、对钢筋检测计数模型输出的预测框进行软性非极大值抑制处理，过滤掉重复预测框，计算得到钢筋切面图片中钢筋的数量。
7.进一步地，rpn网络模型函数为：，其中为一组真实框，bi为rpn网络模型的预测框的分类和相对坐标值，iou为预测框和真实框相交区域面积和相并区域面积的之比，θ为设定的iou阈值，gi为第i个真实框的分类和相对坐标值。
8.进一步地，每一个候选区域构建一个分支网路。
9.进一步地，分支网路函数为：，其中k 为1到k之间的整数，ck为类标签的置信度，lk为分支网络预测的第i个预测框相对坐标值，k
为超参数、即候选区域保留最大的预测框数，bi为rpn网络模型的第i个预测框的分类和相对坐标值。
10.进一步地，损失函数为：，其中，α和β分别是分类误差和定位误差的调节系数，g
il
为第i个真实框的相对坐标值，g
ic
为第i个真实框的分类，x
ki
表示是否将第k个预测框分配给候选区域i，lk表示分支网络预测的预测框相对坐标值，ck代表类标签的置信度，bce
loss
表示二分类交叉熵损失，bi为rpn网络模型的第i个预测框的分类和相对坐标值。
11.进一步地，钢筋切面图片中钢筋数量为10-500。
12.进一步地，钢筋切面图片为钢筋整齐叠放状态下的端面图片。
13.进一步地，利用k-means算法类聚生成先验框参数。
14.进一步地，候选区域的预测框为一个或者多个。
15.进一步地，采用f1分数计算钢筋检测计数模型中钢筋数量的召回率和准确率。
16.与现有技术相比，本发明具有以下有益效果：本发明设计科学合理，使用方便，解决了现有建筑工地中人力清点钢筋计数不准确的技术问题，为智慧工地建设发展助力。本发明提供了一种基于密集目标检测的钢筋计数处理方法，可由一种候选区域预测多个目标，有效适用于目标物体的密集检测；并基于动量的随机梯度下降法进行了模型更新，可优化与真实框匹配程度较高的预测框；再对更新模型输出的预测框，软性非极大值抑制处理，过滤掉重复预测框，最终得到图像中钢筋的数量。本发明提高了高检索率情况下的准确率，相较于现有其他主流模型，具有更好的平均精度、召回率和准确率。
附图说明
17.图1为本发明方法流程图。
具体实施方式
18.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进一步详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.如图1所示，本发明提供的一种基于密集目标检测的钢筋计数处理方法，解决现有人力清点钢筋计数不准确的技术问题，设计科学合理，使用方便，解决了现有建筑工地中人力清点钢筋计数不准确的技术问题，为智慧工地建设发展助力。本发明不仅可用于钢筋计数，还可应用于人群检测、车辆检测等密集场景。
20.本发明提供了一种基于密集目标检测的钢筋计数处理方法，可由一种候选区域预测多个目标，有效适用于目标物体的密集检测；并基于动量的随机梯度下降法进行了模型更新，可优化与真实框匹配程度较高的预测框；再对更新模型输出的预测框，软性非极大值
抑制处理，过滤掉重复预测框，最终得到图像中钢筋的数量。本发明提高了高检索率情况下的准确率，相较于现有其他主流模型，具有更好的平均精度、召回率和准确率。
21.本发明包括以下步骤：步骤s1、采集钢筋切面图片，确定先验框；步骤s2、输入钢筋切面图片，构建rpn网络模型生成包含预测框的候选区域；步骤s3、构建分支网路，预测候选区域中预测框的类别得分和相对坐标；步骤s4、构建损失函数，基于带动量的随机梯度下降法更新rpn网络模型参数；步骤s5、将更新的rpn网络模型迭代反馈，得到钢筋检测计数模型；步骤s6、对钢筋检测计数模型输出的预测框进行软性非极大值抑制处理，过滤掉重复预测框，计算得到钢筋切面图片中钢筋的数量。
22.在步骤s1的钢筋切面图片采集操作中，钢筋切面图片的钢筋数量为10-500，钢筋切面图片为钢筋整齐叠放状态下的端面图片。
23.在步骤s1的先验框操作中，利用k-means算法类聚生成先验框参数。先验框代表最有可能的目标物体的宽度和高度。
24.在步骤s2的rpn网络模型生成操作中，rpn网络模型函数为：，其中为一组真实框，bi为rpn网络模型的第i个预测框的分类和相对坐标值，iou为预测框和真实框相交区域面积和相并区域面积的之比，θ为设定的iou阈值，gi为第i个真实框的分类和相对坐标值。在传统的目标检测框架中，对于密集重叠的区域通过非极大值抑制后可能仅输出一个预测框，而本发明是一种候选区域预测多个目标的检测方法，可有效适用于目标物体的密集检测，特别是密集程度较高且体积较小的钢筋检测计数。
25.在步骤s2生成的候选区域存在若干个可能预测框，对于每个预测框，本发明额外引入一个分支网路预测每个预测框的类别得分和相对坐标。其中分支网路函数为：，其中k 为1到k之间的整数，ck为类标签的置信度，lk为分支网络预测的预测框相对坐标值，k为超参数、即候选区域保留最大的预测框数，bi为rpn网络模型的第i个预测框的分类和相对坐标值。特别的，每一个候选区域构建一个分支网路用于预测框类别得分和相对坐标的预测。
26.本发明候选区域的预测框为为一个或者多个，预测框数量往往大于真实框数量，因此需要对与真实框匹配程度较高的预测框进行优化。本发明构造了一个分配损失函数，反向传播计算模型参数梯度，根据带基于动量的随机梯度下降法更新模型参数。损失函数为：，其中，α和β分别是分类误差和定位误差的调节系数，g
il
为第i个真实框的相对坐标值，g
ic
为第i个真实框的分类，x
ki
表示是否将第k个预测框分配给候选区域i，lk表示分支网络预测的预测框相对坐标值，ck代表类标签的置信度，bce
loss
表示二分类交叉熵损失，bi为rpn网络模型的第i个预测框的分类和相对坐标值。直观上，上述损失函数会搜寻所有的一对一组合，然后通过最小化损失函数值找到最佳的匹配。特殊的，如果k=1，上述函数即为普通的(非集合)损失函数。
27.经上述更新后得到的rpn网络模型，迭代反馈后，得到基于目标检测的钢筋检测计
数模型。而后计算钢筋检测计数模型的平均精度，并且为了客观评估密集钢筋数量的评分算法，采用f1分数具体计算图片集中拍摄钢筋数量的召回率（recall）和准确率（precision），并与当前若干主流模型对比，结果如表1所示：表1结果显示，上述recall、precision和f1值，本发明均优于yolo-v3和ssd模型，为此本发明具有较好的应用优势。
28.更新优化得到的钢筋检测计数模型，对其输出的所有预测框进行软性非极大值抑制处理，过滤掉重复预测框，计算得到图像中钢筋的数量。由于传统的极大值抑制对所有重叠区域的预测框检测分数均置零，可能会错过了很多待识别物体。而软性非极大值抑制处理对相邻区域内的预测框的分数进行衰减而非彻底抑制，从而有效提高了高检索率情况下的准确率。
29.最后应说明的是：以上各实施例仅仅为本发明的较优实施例用以说明本发明的技术方案，而非对其限制，当然更不是限制本发明的专利范围；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围；也就是说，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内；另外，将本发明的技术方案直接或间接的运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。