一种基于神经网络的钢筋捆扎方法
【专利摘要】本发明公开了一种基于神经网络的钢筋捆扎方法，该方法在钢筋捆扎机上安装雷达探测系统，以获取待捆扎钢筋的直径数据，然后依次对直径数据进行去直达波处理、Dewow处理、修剪数据矩阵、矩阵灰度化、矩阵灰度化处理、矩阵二值化处理后得到待识别数据，对待识别数据进行三层小波包分解，对第三层系数重构，构造特征向量，将特征向量利用BP神经网络进行训练，最终得到训练后的钢筋直径数据，再以此数据调整电机输出力矩。本发明在保证钢筋捆扎效率的基础上，克服了现有技术中存在的扎丝容易拧断、不牢靠等问题，为建筑施工提供了一种有力的辅助工具。
【专利说明】
一种基于神经网络的钢筋捆扎方法
技术领域
[0001] 本发明涉及一种施工方法，具体涉及一种基于神经网络的钢筋捆扎方法。
【背景技术】
[0002] 建筑行业中铺设钢筋后对交错的钢筋进行连接的目的是为了保证钢筋位置不变， 进而确保钢筋受力位置不发生改变。如果纵向钢筋数目较少的时候可以采用焊接，但是当 纵向钢筋数目比较多的时候大多采用捆扎的方式。横向钢筋一般也采用捆扎方式。目前，在 建筑工地捆扎钢筋时主要采用的是手工捆扎方式，手工捆扎对钢筋工的体力和熟练程度有 很高的要求，而且手工捆扎既费力又费时。现在市场上出现了一种能自动进行钢筋捆扎的 手持机器钢筋捆扎机，它是一种新型的钢筋施工智能电动工具。当使用此机器的时候，效率 比人工可提高2~3倍，能够节省大量的人力，大大降低工人的劳动强度。
[0003] 但是，现有的钢筋捆扎机捆扎时扎丝的使用量比人工捆扎用量大很多，不利于扎 丝的有效利用；另外，在使用钢筋捆扎机时，环绕钢筋的圈数不可自动调节，箍紧扎丝时无 法实时控制电机的输出力矩而容易出现扎丝拧断或者拧不牢靠的情形。
【发明内容】
[0004] 针对上述现有技术中存在的问题，本发明的目的在于，提供一种基于神经网路的 钢筋捆扎方法，该方法应用在现有的钢筋捆扎机上，以解决现有技术中出现的箍紧扎丝时 拧断扎丝或者拧不牢靠等问题，提高捆扎质量。
[0005] 为了实现上述任务，本发明采用以下技术方案：
[0006] -种基于神经网络的钢筋捆扎方法，包括以下步骤：
[0007] 步骤一，在钢筋捆扎机前端的卡口上安装雷达探测系统，并在钢筋捆扎机内部设 置控制器，将雷达探测系统与控制器连接，并将控制器与钢筋捆扎机的微处理器连接；
[0008] 步骤二，在建筑工地施工时钢筋铺设现场选取两根呈十字交叉状的钢筋，利用雷 达探测系统获取其中一根钢筋的直径数据；
[0009] 步骤三，对采集到的直径数据分别进行去除直达波处理、Dewow处理，并剔除不在 范围内的采样点，然后进行灰度化处理，得到灰度图，对灰度图进行归一化处理，最后将归 一化处理后的灰度图转化为二值图像，二值图像中的数据即为待识别数据；
[0010]步骤四，对待识别数据进行三层小波包分解，将第三层的各系数进行重构，提取各 频带范围的信号，求出各频带范围信号的能量，利用能量构造成特征向量，并对特征向量进 行归一化处理；
[0011]步骤五，将归一化后的特征向量分解成多个分块矩阵，每一个分块矩阵作为一个 样本;将分割得到的多个分块矩阵的前一半分块矩阵作为训练样本库，后一半分块矩阵作 为测试样本库；
[0012]步骤六，建立BP神经网络，将步骤五中的多个分块矩阵输入到BP神经网络中作为 输入数据，BP神经网络的输入层神经元数与所述的特征向量的个数相同，输出层神经元数 为1，隐藏层神经元数采用试凑法确定;设定训练次数，每训练完一次后记录下BP神经网络 的训练误差和测试误差，选择测试误差最小时的训练次数作为网络训练次数；
[0013] 确定网络训练次数后，进行测试，得到训练结果和测试结果，将正确概率在90%以 上的数据作为钢筋的待捆扎直径；
[0014] 步骤七，利用雷达探测系统获取步骤二中所述的另一根钢筋的直径数据，然后按 照步骤三至步骤六相同的方法进行处理，得到针对于该钢筋的待捆扎直径;控制器将两根 钢筋的待捆扎直径反馈给微处理器，微处理器根据待捆扎直径调节电机的输出力矩，输出 力矩调节后后对钢筋进行捆扎。
[0015] 进一步地，步骤六中所述的试凑法采用的公式为：
[0017] 上式中，m是隐藏神经元数，η是输入层神经元数，1是输出层神经元数，a是小于10 的正整数。
[0018] 进一步地，步骤六中设定的训练次数为10~1000次。
[0019] 本发明与现有技术相比具有以下技术特点：
[0020] 1.本发明在保证钢筋捆扎效率的基础上，克服了现有技术中存在的扎丝容易拧 断、不牢靠等问题，为建筑施工提供了一种有力的辅助工具。
[0021] 2.本发明提出的基于神经网络的捆扎方法可以实时控制通过钢筋捆扎机内电机 的电流进而控制电机的输出力矩，从而自动调节钢筋的捆扎松紧度，从而使得钢筋捆扎过 程能始终保持较好的质量。
[0022] 3.本发明对现有的钢筋捆扎机结构改动小，能安装在各种类型的钢筋捆扎机上， 具有很好的可移植性。
【附图说明】
[0023]图1为本发明方法的整体流程图；
[0024]图2为步骤三的数据预处理流程图；
[0025]图3为小波包分解的树结构；
[0026]图4为本发明中BP神经网络结构简图；
[0027] 图5为雷达探测系统安装在钢筋捆扎机上后的示意图；
[0028] 图6为利用本发明方法进行钢筋捆扎的效果图；
[0029] 图中标号代表：1 一雷达探测系统，2-卡口，3-钢筋拥扎机，4 一充电电池，5-通 电开关。
【具体实施方式】
[0030] 遵从上述技术方案，如图所示，本发明提供了一种基于神经网络的钢筋捆扎方法， 包括以下步骤：
[0031 ]步骤一，在钢筋捆扎机前端的卡口上安装雷达探测系统，并在钢筋捆扎机内部设 置控制器，用于解析处理雷达探测系统采集的数据;将雷达探测系统与控制器连接，并将控 制器与钢筋捆扎机的微处理器连接；
[0032]现有的钢筋捆扎机的结构如图所示，其形状类似于手枪，尾部安装有线盒，线盒内 为扎丝线圈，为钢筋捆扎过程供应扎丝;其内部结构主要包括送丝与剪断机构、缠绕机构、 绞紧机构、微控制器、传动旋转装置、配电机构、电机等，枪柄下端可以安装充电电池，在枪 柄处扳机就是通电开关，用于控制电路的通断和钢筋捆扎机的工作状态。钢筋捆扎机前端 有卡口，卡口的运动由电机控制，因此通过微控制器控制电机，即可调整卡口在绑扎丝时的 松紧程度。
[0033] 步骤二，选取模型，根据建筑工地施工时钢筋铺设的实际情况，在建筑工地施工时 钢筋铺设现场选取两根呈十字交叉状的钢筋，利用雷达探测系统获取其中一根钢筋的直径 数据;这里读出的直径数据受到距离、信号强弱等因素的影响，是一个大概数据，具有一定 误差，因此需要通过后续的网络训练来精确获取直径数据，以便于扎丝的绑扎过程。
[0034]步骤三，数据预处理:对采集到的直径数据分别进行去除直达波处理，方法为利用 采集到的每一个数据减去采集到全部数据的算数平均值，这样做可以有效降低空气直达波 和天线耦合波的影响;然后进行Dewow处理，主要通过对信号施加一个零相位高通滤波来实 现，这样做可以降低信号偏离均值的振颤;接下来对得到的数据矩阵进行修剪，剔除不在范 围内的采样点，以减少运算量;然后进行灰度化处理，得到灰度图，对灰度图进行归一化处 理，将数据的取值范围设定在[0，1]内；最后将归一化处理后的灰度图转化为二值图像，使 整个数据矩阵的取值只有〇和1;此时二值图像中的数据即为待识别数据；
[0035]步骤四，提取特征参数:对待识别数据进行三层小波包分解，将第三层的各系数进 行重构，提取各频带范围的信号，求出各频带范围信号的能量，利用能量构造成特征向量， 并对特征向量进行归一化处理；
[0036] 本实施例中，具体提取第三层从低频到高频的8个频率成分信号作为能量参数。小 波包分级结构如图3所示，其中（0,0)代表的是原始数据，（3,0)代表的是第三层第0个节点 的系数X 3Q，（3，1)代表的是第三层第1个节点的系数X31，其他以此类推。
[0037] 对小波包分解得到的第三层的各系数进行重构，提取各频带(低频带和高频带)范 围的信号，以&〇表示X3Q的重构信号，以S 31表示X31的重构信号，其他以此类推。
[0038]求各频带(低频带和高频带)范围信号的能量，为的是求取特征向量Ρ，从而求出归 一化后的向量 Τ。设 S3j(j=0，l，2,3,4,5,6,7)对应的能量为E3j(j = 0，l，2,3,4,5,6,7)，则 有：
[0040] 上式中，1』1<(」=0，1，2，~，7々=1，2，~，11)表示重构信号的53」的离散点的幅值，11 表示重构信号S 3j离散点的个数。
[0041] 构造特征向量:钢筋会对雷达回波的各频带内信号的能量有很大影响，因此以能 量元素可以构造一个特征向量。特征向量P构造如下：
[0042 ] P = [ E30，E31，E32，E33，E34，E35，E36，E37 ]
[0043] 其中，E3j(j = 0，l，2,3,4,5,6,7)为各频带范围信号的能量。
[0044] 另外，由于神经网络传递函数的特性，需要对P进行归一化处理。令
[0047]向量T就是归一化后的特征向量。
[0048] 步骤五，将步骤四得到的归一化后的特征向量分解成多个分块矩阵，每一个分块 矩阵作为一个样本;将分割得到的多个分块矩阵的前一半分块矩阵作为训练样本库，后一 半分块矩阵作为测试样本库。
[0049] 本实施例中，将归一化后的特征向量分解成多个8x8阶方阵;将分割得到的前一半 列数所在分块矩阵作为训练样本库，后一半列数所在分块矩阵作为测试样本库。
[0050] 步骤六，建立ΒΡ神经网络，ΒΡ神经网络的结构为：输入层神经元数-隐藏层神经元 数-输出层神经元数，本发明的ΒΡ网络的结构简图如图4所示。
[0051] 为简化数据处理过程，提供可操作性，将步骤五中的多个分块矩阵输入到ΒΡ神经 网络中作为输入数据。
[0052] ΒΡ神经网络的输入层神经元数与所述的特征向量的个数相同，本实施例中，特征 向量Ρ中元素个数为8,因此输入层神经元数为8;输出层神经元数为1，在图中，Υ即为经过网 络训练后最终测得的钢筋直径大小；隐藏层神经元数采用试凑法确定，在试凑时可用以下 公式进行估计，即：
[0054] 上式中，m是隐藏神经元数，η是输入层神经元数，1是输出层神经元数，a是小于10 的正整数；
[0055] 在确定隐藏层神经元数后，为得到比较好的泛化效果，应选择一个最佳的训练次 数s，在此之前停止训练则网络训练不足，在此之后停止训练则训练过度。
[0056] 本实施例中，设定训练次数s= 10~1000,以500位单位递增，每训练完一次后记录 下BP神经网络的训练误差和测试误差，选择测试误差最小时的训练次数(此时的泛化效果 最好)作为网络训练次数；
[0057] 确定网络训练次数后，进行测试，得到训练结果和测试结果，训练误差和测试误差 大部分不能超过〇. 2mm，以此确定待捆扎直径的正确概率;将正确概率在90%以上的数据作 为钢筋的待捆扎直径;即步骤二中选取的钢筋的待捆扎直径；
[0058] 步骤七，利用雷达探测系统获取步骤二中所述的十字交叉状排列的钢筋中另一根 钢筋的直径数据，然后按照步骤三至步骤六相同的方法进行处理，得到针对于该钢筋的待 捆扎直径;控制器将两根钢筋的待捆扎直径反馈给微处理器，以两根钢筋的待捆扎直径作 为钢筋的精确直径;在钢筋捆扎机的微处理器中存储有钢筋直径与电机输出力矩的对应关 系表，这个对应关系表即为在不同钢筋直径时捆扎力度达到最佳时电机力矩与钢筋直径的 对应关系。微处理器调节电机的输出力矩，从而控制扎丝的捆扎松紧程度，调节输出力矩 后，将卡口卡在十字交叉状钢筋上，按下钢筋捆扎机的通电开关，利用扎丝对钢筋进行捆 扎。
[0059] 上述的步骤二至步骤七完成了对一个呈十字交错状布设钢筋的绑扎，需要绑扎下 一个十字交错钢筋时，只需要将钢筋捆扎机移动到下一个十字交错钢筋的上方，重复步骤 二至步骤七即可。
【主权项】
1. 一种基于神经网络的钢筋捆扎方法，其特征在于，包括W下步骤： 步骤一，在钢筋捆扎机前端的卡口上安装雷达探测系统，并在钢筋捆扎机内部设置控 制器，将雷达探测系统与控制器连接，并将控制器与钢筋捆扎机的微处理器连接； 步骤二，在建筑工地施工时钢筋铺设现场选取两根呈十字交叉状的钢筋，利用雷达探 测系统获取其中一根钢筋的直径数据； 步骤Ξ，对采集到的直径数据分别进行去除直达波处理、Dewow处理，并剔除不在范围 内的采样点，然后进行灰度化处理，得到灰度图，对灰度图进行归一化处理，最后将归一化 处理后的灰度图转化为二值图像，二值图像中的数据即为待识别数据； 步骤四，对待识别数据进行Ξ层小波包分解，将第Ξ层的各系数进行重构，提取各频带 范围的信号，求出各频带范围信号的能量，利用能量构造成特征向量，并对特征向量进行归 一化处理； 步骤五，将归一化后的特征向量分解成多个分块矩阵，每一个分块矩阵作为一个样本； 将分割得到的多个分块矩阵的前一半分块矩阵作为训练样本库，后一半分块矩阵作为测试 样本库； 步骤六，建立BP神经网络，将步骤五中的多个分块矩阵输入到BP神经网络中作为输入 数据，B巧申经网络的输入层神经元数与所述的特征向量的个数相同，输出层神经元数为1， 隐藏层神经元数采用试凑法确定;设定训练次数，每训练完一次后记录下BP神经网络的训 练误差和测试误差，选择测试误差最小时的训练次数作为网络训练次数； 确定网络训练次数后，进行测试，得到训练结果和测试结果，将正确概率在90% W上的 数据作为钢筋的待捆扎直径； 步骤屯，利用雷达探测系统获取步骤二中所述的另一根钢筋的直径数据，然后按照步 骤Ξ至步骤六相同的方法进行处理，得到针对于该钢筋的待捆扎直径;控制器将两根钢筋 的待捆扎直径反馈给微处理器，微处理器根据待捆扎直径调节电机的输出力矩，输出力矩 调节后后对钢筋进行捆扎。2. 如权利要求1所述的所述的基于神经网络的钢筋捆扎方法，其特征在于，步骤六中所 述的试凑法采用的公式为：上式中，m是隐藏神经元数，η是输入层神经元数，1是输出层神经元数，a是小于10的正 整数。3. 如权利要求1所述的所述的基于神经网络的钢筋捆扎方法，其特征在于，步骤六中设 定的训练次数为10~1000次。
【文档编号】G06K9/00GK106096558SQ201610428597
【公开日】2016年11月9日
【申请日】2016年6月16日
【发明人】韩毅, 涂市委
【申请人】长安大学