CN110781755A - 一种建筑钢筋智能识别计量方法及*** - Google Patents
一种建筑钢筋智能识别计量方法及*** Download PDFInfo
- Publication number
- CN110781755A CN110781755A CN201910928660.9A CN201910928660A CN110781755A CN 110781755 A CN110781755 A CN 110781755A CN 201910928660 A CN201910928660 A CN 201910928660A CN 110781755 A CN110781755 A CN 110781755A
- Authority
- CN
- China
- Prior art keywords
- data set
- convolutional neural
- neural network
- network model
- sample data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 60
- 239000010959 steel Substances 0.000 title claims abstract description 60
- 238000010276 construction Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 76
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000013519 translation Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 13
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种建筑钢筋智能识别计量方法及***，属于建筑钢筋计量技术领域，解决了建筑钢筋计量准确率较低、效率较低的问题。一种一种建筑钢筋智能识别计量方法，包括以下步骤：采集建筑钢筋端面图片，并形成原始图片数据集，对所述原始图片数据集中的各图片进行旋转、平移、灰度变换中的至少一种处理，形成最终图片数据集；根据所述最终图片数据集获得训练样本数据集，建立卷积神经网络模型，利用所述训练样本数据集对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；利用所述训练后的卷积神经网络模型对待识别的图片进行识别，得到待识别图片中的建筑钢筋的数量。实现了对建筑钢筋的准确识别量，提高了建筑钢筋的计量效率。
Description
技术领域
本发明涉及建筑钢筋计量技术领域，尤其是涉及一种建筑钢筋智能识别计量方法及***。
背景技术
在实际生产中，不规则类圆形物体普遍存在，例如管状工件、钢筋、棒材等都是类圆物体，通常对这些物体进行的识别研究称为类圆识别，类圆识别技术是数字图像处理的一项重要内容，钢铁生产中的棒材计数问题就是其中一个重要应用实例；
钢材已普遍使用到实际生活的许多环节，与人们生活关系密切；钢筋在许多行业特别是建筑行业有着广泛的用途，实际应用中常常要了解掌握的并不是钢筋的总重量，而是钢筋条数，目前工地普遍采用人工计数方法，这种方法简单，但工作强度大，同时工作效率低，成本高，因此，实现成捆钢筋的准确自动计数不但可以使工人工作相对轻松，还可以提高计量的效率，提高计数精度，大幅降低企业成本。
发明内容
本发明的目的在于至少克服上述一种技术不足，提出一种建筑钢筋智能识别计量方法。
一方面，本发明提供了种建筑钢筋智能识别计量方法，包括以下步骤：
采集建筑钢筋端面图片，并形成原始图片数据集，对所述原始图片数据集中的各图片进行旋转、平移、灰度变换中的至少一种处理，将处理后的图片增加到原始图片数据集中，形成了最终图片数据集；
根据所述最终图片数据集获得训练样本数据集，建立卷积神经网络模型，利用所述训练样本数据集对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
利用所述训练后的卷积神经网络模型对待识别的图片进行识别，得到待识别图片中的建筑钢筋的数量。
进一步地，根据所述最终图片数据集获得训练样本数据集，具体包括，随机选取最终图片数据集的三分之二图片作为训练样本数据集，被选取后的最终图片数据集作为测试样本数据集。
进一步地，所述卷积神经网络模型至少包括，一个输入层，至少一个卷积层、一个非线性激活层、一个批归一化层，一个输出层，所述输出层为回归层；构造卷积神经网络具体过程包括，在输入层输入训练样本，通过卷积层，经过批归一化层和非线性激活层处理，再通过dropout对其进行处理，经由回归层输出建筑钢筋的数量。
进一步地，利用所述训练样本数据集对所述卷积神经网络模型进行训练，具体包括，对所述训练样本数据集进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，利用测试样本数据集判断卷积神经网络输出层输出结果的正确率是否符合预设要求，若是，则完成卷积神经网络模型训练，若不是，则使用随机梯度下降法进行调参，直至卷积神经网络输出层输出结果的正确率符合预设要求。
另一方面，本发明还提供了一种建筑钢筋智能识别计量***，包括图片数据集形成模块、卷积神经模型构建模块和建筑钢筋数量识别模块；
所述图片数据集形成模块，用于采集建筑钢筋端面图片，并形成原始图片数据集，对所述原始图片数据集中的各图片进行旋转、平移、灰度变换中的至少一种处理，将处理后的图片增加到原始图片数据集中，形成了最终图片数据集；
所述卷积神经模型构建模块，用于根据所述最终图片数据集获得训练样本数据集，建立卷积神经网络模型，利用所述训练样本数据集对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
所述建筑钢筋数量识别模块，用于利用所述训练后的卷积神经网络模型对待识别的图片进行识别，得到待识别图片中的建筑钢筋的数量。
进一步地，所述卷积神经模型构建模块包括样本数据集获取单元，所述样本数据集获取单元用于，根据所述最终图片数据集获得训练样本数据集，具体包括，随机选取最终图片数据集的三分之二图片作为训练样本数据集，被选取后的最终图片数据集作为测试样本数据集。
进一步地，所述卷积神经模型构建模块还包括卷积神经网络模型训练单元，所述卷积神经网络模型训练单元，用于利用所述训练样本数据集对所述卷积神经网络模型进行训练，具体包括，对所述训练样本数据集进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，利用测试样本数据集判断卷积神经网络输出层输出结果的正确率是否符合预设要求，若是，则完成卷积神经网络模型训练，若不是，则使用随机梯度下降法进行调参，直至卷积神经网络输出层输出结果的正确率符合预设要求。
与现有技术相比，本发明的有益效果包括：通过采集建筑钢筋端面图片，并形成原始图片数据集，对所述原始图片数据集中的各图片进行旋转、平移、灰度变换中的至少一种处理，将处理后的图片增加到原始图片数据集中，形成了最终图片数据集；根据所述最终图片数据集获得训练样本数据集，建立卷积神经网络模型，利用所述训练样本数据集对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；利用所述训练后的卷积神经网络模型对待识别的图片进行识别，得到待识别图片中的建筑钢筋的数量；实现了对建筑钢筋的准确识别量，提高了建筑钢筋的计量效率。
附图说明
图1是本发明实施例1所述的建筑钢筋智能识别计量方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的实施例提供了一种建筑钢筋智能识别计量方法，包括以下步骤：
采集建筑钢筋端面图片，并形成原始图片数据集，对所述原始图片数据集中的各图片进行旋转、平移、灰度变换中的至少一种处理，将处理后的图片增加到原始图片数据集中，形成了最终图片数据集；
根据所述最终图片数据集获得训练样本数据集，建立卷积神经网络模型，利用所述训练样本数据集对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
利用所述训练后的卷积神经网络模型对待识别的图片进行识别，得到待识别图片中的建筑钢筋的数量。
具体实施时，所述建筑钢筋端面图片的采集是在真是的工地上拍摄采集的，这种采集方式使得最终的训练的卷积神经网络模型的识别精度更高，更能适应现实的工作场景，为降低形成最终图片数据集的时间，对所述原始图片数据集中的各图片进行旋转、平移、灰度变换中的至少一种处理，以增强原始数据集中图片多样性，增加最终的识别精度，同时可以减少寻找拍摄工地以及拍摄图片的时间，降低拍摄图片的难度；为确保识别准确率，在数据采集时尽量采集高分辨率、高像素的图片，同时保证拍摄的图片中的钢筋端面可以清楚的显示；而在应用训练后的卷积神经网络模型对待识别的图片进行识别时，所述待识别图片的端面也需清楚的显示。
优选的，根据所述最终图片数据集获得训练样本数据集，具体包括，随机选取最终图片数据集的三分之二图片作为训练样本数据集，被选取后的最终图片数据集作为测试样本数据集。
需要说明的是，训练样本集用于进行训练模型，测试样本集(验证集)用来做模型选择即做模型的最终优化及确定的；
优选的，所述卷积神经网络模型至少包括，一个输入层，至少一个卷积层、一个非线性激活层、一个批归一化层，一个输出层，所述输出层为回归层；构造卷积神经网络具体过程包括，在输入层输入训练样本，通过卷积层，经过批归一化层和非线性激活层处理，再通过dropout对其进行处理，经由回归层输出建筑钢筋的数量。
具体实施时，采用的滑动窗口大小为31×31，卷积神经网络结构包含5层卷积层，其中每层都采用3×3的卷积核，使用一层2×2的最大池化，对应到原图上的滑动窗口步长为2，回归层输出建筑钢筋的数量；
优选的，利用所述训练样本数据集对所述卷积神经网络模型进行训练，具体包括，对所述训练样本数据集进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，利用测试样本数据集判断卷积神经网络输出层的输出结果正确率是否符合预设要求，若是，则完成人工神经网络模型训练，若不是，则使用随机梯度下降法进行调参，直至卷积神经网络输出层的输出结果正确率符合预设要求。
其中，所述随机梯度下降法具体为，每次批处理训练时计算网络误差(即实际输出与理想输出之间的误差)并作为误差的反向传播，后根据一阶梯度信息对参数进行更新，具体的，根据第t-1次迭代的参数值、目标函数对当前参数的一阶梯度以及学习效率，更新第t次迭代的参数值；构造卷积神经网络时，通过dropout进行处理，防止卷积神经网络过拟合，并且在训练模型时，使用随机梯度下降法，提高了训练模型在实际估计时的精度。
实施例2
本发明实施例提供了一种建筑钢筋智能识别计量***，包括图片数据集形成模块、卷积神经模型构建模块和建筑钢筋数量识别模块；
所述图片数据集形成模块，用于采集建筑钢筋端面图片，并形成原始图片数据集，对所述原始图片数据集中的各图片进行旋转、平移、灰度变换中的至少一种处理，将处理后的图片增加到原始图片数据集中，形成了最终图片数据集；
所述卷积神经模型构建模块，用于根据所述最终图片数据集获得训练样本数据集，建立卷积神经网络模型，利用所述训练样本数据集对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
所述建筑钢筋数量识别模块，用于利用所述训练后的卷积神经网络模型对待识别的图片进行识别，得到待识别图片中的建筑钢筋的数量。
优选的，所述卷积神经模型构建模块包括样本数据集获取单元，所述样本数据集获取单元用于，根据所述最终图片数据集获得训练样本数据集，具体包括，随机选取最终图片数据集的三分之二图片作为训练样本数据集，被选取后的最终图片数据集作为测试样本数据集。
优选的，所述卷积神经模型构建模块还包括卷积神经网络模型训练单元，所述卷积神经网络模型训练单元，用于利用所述训练样本数据集对所述卷积神经网络模型进行训练，具体包括，对所述训练样本数据集进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，利用测试样本数据集判断卷积神经网络输出层输出结果的正确率是否符合预设要求，若是，则完成卷积神经网络模型训练，若不是，则使用随机梯度下降法进行调参，直至卷积神经网络输出层输出结果的正确率符合预设要求。
本发明公开了一种建筑钢筋智能识别计量方法及***，通过采集建筑钢筋端面图片，并形成原始图片数据集，对所述原始图片数据集中的各图片进行旋转、平移、灰度变换中的至少一种处理，将处理后的图片增加到原始图片数据集中，形成了最终图片数据集；根据所述最终图片数据集获得训练样本数据集，建立卷积神经网络模型，利用所述训练样本数据集对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；利用所述训练后的卷积神经网络模型对待识别的图片进行识别，得到待识别图片中的建筑钢筋的数量；实现了对建筑钢筋的准确识别量，提高了建筑钢筋的计量效率。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
Claims (7)
1.一种建筑钢筋智能识别计量方法，其特征在于，包括以下步骤：
采集建筑钢筋端面图片，并形成原始图片数据集，对所述原始图片数据集中的各图片进行旋转、平移、灰度变换中的至少一种处理，将处理后的图片增加到原始图片数据集中，形成了最终图片数据集；
根据所述最终图片数据集获得训练样本数据集，建立卷积神经网络模型，利用所述训练样本数据集对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
利用所述训练后的卷积神经网络模型对待识别的图片进行识别，得到待识别图片中的建筑钢筋的数量。
2.根据权利要求1所述的建筑钢筋智能识别计量方法，其特征在于，根据所述最终图片数据集获得训练样本数据集，具体包括，随机选取最终图片数据集的三分之二图片作为训练样本数据集，被选取后的最终图片数据集作为测试样本数据集。
3.根据权利要求2所述的建筑钢筋智能识别计量方法，其特征在于，所述卷积神经网络模型至少包括，一个输入层，至少一个卷积层、一个非线性激活层、一个批归一化层，一个输出层，所述输出层为回归层；构造卷积神经网络具体过程包括，在输入层输入训练样本，通过卷积层，经过批归一化层和非线性激活层处理，再通过dropout对其进行处理，经由回归层输出建筑钢筋的数量。
4.根据权利要求3所述的建筑钢筋智能识别计量方法，其特征在于，利用所述训练样本数据集对所述卷积神经网络模型进行训练，具体包括，对所述训练样本数据集进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，利用测试样本数据集判断卷积神经网络输出层输出结果的正确率是否符合预设要求，若是，则完成卷积神经网络模型训练，若不是，则使用随机梯度下降法进行调参，直至卷积神经网络输出层输出结果的正确率符合预设要求。
5.一种建筑钢筋智能识别计量***，其特征在于，包括图片数据集形成模块、卷积神经模型构建模块和建筑钢筋数量识别模块；
所述图片数据集形成模块，用于采集建筑钢筋端面图片，并形成原始图片数据集，对所述原始图片数据集中的各图片进行旋转、平移、灰度变换中的至少一种处理，将处理后的图片增加到原始图片数据集中，形成了最终图片数据集；
所述卷积神经模型构建模块，用于根据所述最终图片数据集获得训练样本数据集，建立卷积神经网络模型，利用所述训练样本数据集对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
所述建筑钢筋数量识别模块，用于利用所述训练后的卷积神经网络模型对待识别的图片进行识别，得到待识别图片中的建筑钢筋的数量。
6.根据权利要求5所述的建筑钢筋智能识别计量***，其特征在于，所述卷积神经模型构建模块包括样本数据集获取单元，所述样本数据集获取单元用于，根据所述最终图片数据集获得训练样本数据集，具体包括，随机选取最终图片数据集的三分之二图片作为训练样本数据集，被选取后的最终图片数据集作为测试样本数据集。
7.根据权利要求6所述的建筑钢筋智能识别计量***，其特征在于，所述卷积神经模型构建模块还包括卷积神经网络模型训练单元，所述卷积神经网络模型训练单元，用于利用所述训练样本数据集对所述卷积神经网络模型进行训练，具体包括，对所述训练样本数据集进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，利用测试样本数据集判断卷积神经网络输出层输出结果的正确率是否符合预设要求，若是，则完成卷积神经网络模型训练，若不是，则使用随机梯度下降法进行调参，直至卷积神经网络输出层输出结果的正确率符合预设要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910928660.9A CN110781755A (zh) | 2019-09-28 | 2019-09-28 | 一种建筑钢筋智能识别计量方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910928660.9A CN110781755A (zh) | 2019-09-28 | 2019-09-28 | 一种建筑钢筋智能识别计量方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110781755A true CN110781755A (zh) | 2020-02-11 |
Family
ID=69384614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910928660.9A Pending CN110781755A (zh) | 2019-09-28 | 2019-09-28 | 一种建筑钢筋智能识别计量方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781755A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489008A (zh) * | 2020-11-27 | 2021-03-12 | 上海建工四建集团有限公司 | 钢筋识别***、钢筋识别方法、以及钢筋计数验收*** |
| CN115496000A (zh) * | 2022-11-14 | 2022-12-20 | 深圳市地铁集团有限公司 | 一种城际铁路钢筋工程量的计算方法、***及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303233A (zh) * | 2015-10-15 | 2016-02-03 | 陕西科技大学 | 一种基于计算机视觉的钢筋数量统计方法 |
| CN109250186A (zh) * | 2018-09-05 | 2019-01-22 | 四川知创知识产权运营有限公司 | 一种钢筋智能识别*** |
| CN109274624A (zh) * | 2018-11-07 | 2019-01-25 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
| CN109508663A (zh) * | 2018-10-31 | 2019-03-22 | 上海交通大学 | 一种基于多层次监督网络的行人重识别方法 |
| CN109544563A (zh) * | 2018-11-12 | 2019-03-29 | 北京航空航天大学 | 一种面向违禁物安检的被动毫米波图像人体目标分割方法 |
| CN109741301A (zh) * | 2018-12-19 | 2019-05-10 | 北京理工大学 | 一种更快的基于深度学习的密集目标计数方法 |
| CN110032954A (zh) * | 2019-03-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种钢筋智能识别与计数方法及*** |
| CN110264466A (zh) * | 2019-06-28 | 2019-09-20 | 广州市颐创信息科技有限公司 | 一种基于深度卷积神经网络的钢筋检测方法 |
-
2019
- 2019-09-28 CN CN201910928660.9A patent/CN110781755A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303233A (zh) * | 2015-10-15 | 2016-02-03 | 陕西科技大学 | 一种基于计算机视觉的钢筋数量统计方法 |
| CN109250186A (zh) * | 2018-09-05 | 2019-01-22 | 四川知创知识产权运营有限公司 | 一种钢筋智能识别*** |
| CN109508663A (zh) * | 2018-10-31 | 2019-03-22 | 上海交通大学 | 一种基于多层次监督网络的行人重识别方法 |
| CN109274624A (zh) * | 2018-11-07 | 2019-01-25 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
| CN109544563A (zh) * | 2018-11-12 | 2019-03-29 | 北京航空航天大学 | 一种面向违禁物安检的被动毫米波图像人体目标分割方法 |
| CN109741301A (zh) * | 2018-12-19 | 2019-05-10 | 北京理工大学 | 一种更快的基于深度学习的密集目标计数方法 |
| CN110032954A (zh) * | 2019-03-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种钢筋智能识别与计数方法及*** |
| CN110264466A (zh) * | 2019-06-28 | 2019-09-20 | 广州市颐创信息科技有限公司 | 一种基于深度卷积神经网络的钢筋检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙亮 等: "《模式识别原理》", 北京：北京工业大学出版社, pages: 191 - 198 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489008A (zh) * | 2020-11-27 | 2021-03-12 | 上海建工四建集团有限公司 | 钢筋识别***、钢筋识别方法、以及钢筋计数验收*** |
| CN115496000A (zh) * | 2022-11-14 | 2022-12-20 | 深圳市地铁集团有限公司 | 一种城际铁路钢筋工程量的计算方法、***及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340046A (zh) | 基于特征金字塔网络和通道注意力的视觉显著性检测方法 | |
| CN109635763B (zh) | 一种人群密度估计方法 | |
| CN112541532B (zh) | 基于密集连接结构的目标检测方法 | |
| CN109903282B (zh) | 一种细胞计数方法、***、装置和存储介质 | |
| CN110781755A (zh) | 一种建筑钢筋智能识别计量方法及*** | |
| CN110634060A (zh) | 一种用户信用风险的评估方法、***、装置及存储介质 | |
| CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及*** | |
| CN115617882B (zh) | 基于gan的带有结构约束的时序图数据生成方法及*** | |
| CN113112447A (zh) | 基于vgg卷积神经网络的隧道围岩级别智能判定方法 | |
| CN116703885A (zh) | 一种基于Swin Transformer的表面缺陷检测方法及*** | |
| CN116051382A (zh) | 一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法 | |
| CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
| CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级***及方法 | |
| CN117058079A (zh) | 基于改进ResNet模型的甲状腺显像图像自动诊断方法 | |
| CN116757971A (zh) | 一种基于周围光的图像自动调整方法 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN115830514A (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及*** | |
| CN115346091A (zh) | 一种Mura缺陷图像数据集的生成方法和生成装置 | |
| CN114418097A (zh) | 神经网络量化处理方法、装置、电子设备及存储介质 | |
| CN114594443A (zh) | 一种基于自注意力机制和预测递归神经网络的气象雷达回波外推方法及*** | |
| CN114548479A (zh) | 一种基于指数平滑的时序数据预测方法 | |
| CN113516298A (zh) | 金融时序数据预测方法及装置 | |
| CN111681223A (zh) | 基于卷积神经网络的低照度条件下矿井井壁检测方法 | |
| CN117990187B (zh) | 基于人工智能的地下水水位动态监测方法 | |
| CN114266953B (zh) | 一种基于深度学习的目标检测流程自优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |
|
| RJ01 | Rejection of invention patent application after publication |