CN113345034A - 一种利用图像识别方法快速测量钢筋直径的方法 - Google Patents
一种利用图像识别方法快速测量钢筋直径的方法 Download PDFInfo
- Publication number
- CN113345034A CN113345034A CN202110797252.1A CN202110797252A CN113345034A CN 113345034 A CN113345034 A CN 113345034A CN 202110797252 A CN202110797252 A CN 202110797252A CN 113345034 A CN113345034 A CN 113345034A
- Authority
- CN
- China
- Prior art keywords
- steel bar
- image
- diameter
- calibration plate
- images
- 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 64
- 239000010959 steel Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 239000011150 reinforced concrete Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种利用图像识别方法快速测量钢筋直径的方法，涉及建筑钢筋检测技术领域。该利用图像识别方法快速测量钢筋直径的方法，包括如下具体步骤：图像采集是将现场钢筋图片进行收集，需要把带标定板的图片收集起来，图片收集时需要进行垂直拍摄，这样计算的精度更高，且在拍照时减少现场非钢筋物体的出现；图像处理是将步骤一采集来的图像进行处理，首先就是对每张图片中的每根钢筋进行打标签，也就是标记出钢筋和标定板的位置坐标，如果背景复杂，可以将容易错误识别的地方进行深色处理，只标记出钢筋位置。本发明可以实现成捆钢筋中异常直径的快速判断，直接定位异常点，提高发货或者收货效率，且有效的保证建筑钢筋的质量。
Description
技术领域
本发明涉及建筑钢筋检测技术领域，具体为一种利用图像识别方法快速测量钢筋直径的方法。
背景技术
钢筋(Rebar)是指钢筋混凝土用和预应力钢筋混凝土用钢材，其横截面为圆形，有时为带有圆角的方形。包括光圆钢筋、带肋钢筋、扭转钢筋。钢筋混凝土用钢筋是指钢筋混凝土配筋用的直条或盘条状钢材，其外形分为光圆钢筋和变形钢筋两种，交货状态为直条和盘圆两种。
在现有技术中测量钢筋直径时，一般使用游标卡尺测量，但钢筋数量众多，效率低下，并且测量的数据无法自动化，钢筋直径测量需要耗费大量的人力物力，并且无法实时传输，不能实现自动化。现有的部分软件仅能识别钢筋的支数，对成捆钢筋中部分不是同一规格或超公差要求的钢筋无法做到准确识别。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种利用图像识别方法快速测量钢筋直径的方法，解决了游标卡尺测量钢筋效率低的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种利用图像识别方法快速测量钢筋直径的方法，包括如下具体步骤：
步骤一.图像采集是将现场钢筋图片进行收集，需要把带标定板的图片收集起来，图片收集时需要进行垂直拍摄，这样计算的精度更高，且在拍照时减少现场非钢筋物体的出现；
步骤二.图像处理是将步骤一采集来的图像进行处理，首先就是对每张图片中的每根钢筋进行打标签，也就是标记出钢筋和标定板的位置坐标，如果背景复杂，可以将容易错误识别的地方进行深色处理，只标记出钢筋位置；
步骤三.特征提取可以使用深度学习中的算法，通过YOLO方法进行特征提取，YOLOv3的特征提取过程使用了YOLOv2、Darknet-19及Resnet，使用了具有良好表现的3×3和1×1的卷积层，并增加了shortcut connection结构；
步骤四.尺寸计算根据深度学习算法，可以预测每根钢筋的位置坐标和标定板的位置坐标，这样就可以根据相机成像原理，计算出钢筋直径；
步骤五.输出结果即将识别出的图像中钢筋尺寸和计算出的实际尺寸结果输出来。
优选的，所述标定板为在一个可测量的单位内，并知道该物体的尺寸，且在图像中轻松地找到这个参考物体，可以基于物体的位置，如参考物体总是被放置在图像的左上角或通过表象，像一个独特的颜色或形状，独特且不同于其他物体的物体，在任何一种情况下，参考都应该具有惟一的可识别性，标定板实际的尺寸数据已知量，例如直径，设为know-r，在图像中直径为object-r，则像素/度量比率为
根据图像中识别出的钢筋坐标位置，计算出钢筋直径大小，为object-steel-r，结合标定板的像素/度量比值，实际钢筋直径为
优选的，YOLO算法需要建立train、text、validation文件，对图片数据进行训练，当模型达到所需的精度之后，对新图片进行预测，获得图片中钢筋、标定板的位置。
(三)有益效果
本发明提供了一种利用图像识别方法快速测量钢筋直径的方法。具备以下有益效果：
本发明使用计算机视觉方法，对图片中的钢筋直径进行测量。基于计算机视觉的检测技术，具有非接触的特点。并且需要一个知道实际尺寸的参照物，一般选择棋盘标定板，目的是标定实际尺寸与测量物品之间的数量关系，可以实现成捆钢筋中异常直径的快速判断，直接定位异常点，提高发货或者收货效率，有效的保证交易的公平公正，保证建筑钢筋的质量。
附图说明
图1为本发明一种利用图像识别方法快速测量钢筋直径的方法的流程示意图；
图2为本发明一种利用图像识别方法快速测量钢筋直径的方法的原始图像；
图3为本发明一种利用图像识别方法快速测量钢筋直径的方法的识别图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
实施例一：
如图1-3所示，本发明实施例提供一种利用图像识别方法快速测量钢筋直径的方法，包括如下具体步骤：
步骤一.图像采集是将现场钢筋图片进行收集，需要把带标定板的图片收集起来，图片收集时需要进行垂直拍摄，这样计算的精度更高，且在拍照时减少现场非钢筋物体的出现；
步骤二.图像处理是将步骤一采集来的图像进行处理，首先就是对每张图片中的每根钢筋进行打标签，也就是标记出钢筋和标定板的位置坐标；
步骤三.特征提取可以使用深度学习中的算法，通过YOLO方法进行特征提取，YOLOv3的特征提取过程使用了YOLOv2、Darknet-19及Resnet，使用了具有良好表现的3×3和1×1的卷积层，并增加了shortcut connection结构；
步骤四.尺寸计算根据深度学习算法，可以预测每根钢筋的位置坐标和标定板的位置坐标，这样就可以根据相机成像原理，计算出钢筋直径；
步骤五.输出结果即将识别出的图像中钢筋尺寸和实际计算出的尺寸结果输出来。
标定板为在一个可测量的单位内，并知道该物体的尺寸，且在图像中轻松地找到这个参考物体，可以基于物体的位置，如参考物体总是被放置在图像的左上角或通过表象，像一个独特的颜色或形状，独特且不同于其他物体的物体，在任何一种情况下，参考都应该具有惟一的可识别性，标定板实际的尺寸数据已知量，例如直径，设为know-r，在图像中直径为object-r，则像素/度量比率为
根据图像中识别出的钢筋坐标位置，计算出钢筋直径大小，为object-steel-r，结合标定板的像素/度量比值，实际钢筋直径为
YOLO算法需要建立train、text、validation文件，对已知带有标签的图片数据进行训练，当模型达到所需的精度之后，对新图片进行预测，获得图片中钢筋、标定板的位置。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种利用图像识别方法快速测量钢筋直径的方法，其特征在于，包括如下具体步骤：
步骤一.图像采集是将现场钢筋图片进行收集，需要把带标定板的图片收集起来，图片收集时需要进行垂直拍摄，这样计算的精度更高，且在拍照时减少现场非钢筋物体的出现；
步骤二.图像处理是将步骤一采集来的图像进行处理，首先就是对每张图片中的每根钢筋进行打标签，也就是标记出钢筋和标定板的位置坐标；
步骤三.特征提取可以使用深度学习中的算法，通过YOLO方法进行特征提取，YOLOv3的特征提取过程使用了YOLOv2、Darknet-19及Resnet，使用了具有良好表现的3×3和1×1的卷积层，并增加了shortcut connection结构；
步骤四.尺寸计算根据深度学习算法，可以预测每根钢筋的位置坐标和标定板的位置坐标，这样就可以根据相机成像原理，计算出钢筋直径；
步骤五.输出结果即将识别出的图像中钢筋尺寸和计算出的实际尺寸结果输出来。
2.根据权利要求1所述的一种利用图像识别方法快速测量钢筋直径的方法，其特征在于，所述标定板为在一个可测量的单位内，并知道该物体的尺寸，且在图像中轻松地找到这个参考物体，可以基于物体的位置，如参考物体总是被放置在图像的左上角或通过表象，像一个独特的颜色或形状，独特且不同于其他物体的物体，在任何一种情况下，参考都应该具有惟一的可识别性，标定板实际的尺寸数据已知量，例如直径，设为know-r，在图像中直径为object-r，则像素/度量比率为
根据图像中识别出的钢筋坐标位置，计算出钢筋直径大小，为object-steel-r，结合标定板的像素/度量比值，实际钢筋直径为
3.根据权利要求1所述的一种利用图像识别方法快速测量钢筋直径的方法，其特征在于，YOLO算法需要建立train、text、validation文件，对已知带有标签的图片数据进行训练，当模型达到所需的精度之后，对新图片进行预测，获得图片中钢筋、标定板的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110797252.1A CN113345034A (zh) | 2021-07-14 | 2021-07-14 | 一种利用图像识别方法快速测量钢筋直径的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110797252.1A CN113345034A (zh) | 2021-07-14 | 2021-07-14 | 一种利用图像识别方法快速测量钢筋直径的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113345034A true CN113345034A (zh) | 2021-09-03 |
Family
ID=77479660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110797252.1A Pending CN113345034A (zh) | 2021-07-14 | 2021-07-14 | 一种利用图像识别方法快速测量钢筋直径的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113345034A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170090730A1 (en) * | 2015-09-30 | 2017-03-30 | Ricoh Company, Ltd. | Automatic Measurement Of Objects In Images |
| CN107084988A (zh) * | 2017-03-21 | 2017-08-22 | 北京林业大学 | 基于图像的单板缺陷自动检测及挖补技术 |
| CN111239684A (zh) * | 2020-01-17 | 2020-06-05 | 中航华东光电（上海）有限公司 | 一种基于YoloV3深度学习的双目快速距离测量方法 |
| WO2021120455A1 (zh) * | 2019-12-20 | 2021-06-24 | 深圳市商汤科技有限公司 | 图像处理方法、装置、设备和存储介质 |
-
2021
- 2021-07-14 CN CN202110797252.1A patent/CN113345034A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170090730A1 (en) * | 2015-09-30 | 2017-03-30 | Ricoh Company, Ltd. | Automatic Measurement Of Objects In Images |
| CN107084988A (zh) * | 2017-03-21 | 2017-08-22 | 北京林业大学 | 基于图像的单板缺陷自动检测及挖补技术 |
| WO2021120455A1 (zh) * | 2019-12-20 | 2021-06-24 | 深圳市商汤科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN111239684A (zh) * | 2020-01-17 | 2020-06-05 | 中航华东光电（上海）有限公司 | 一种基于YoloV3深度学习的双目快速距离测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
| Yang et al. | Image analysis method for crack distribution and width estimation for reinforced concrete structures | |
| CN110163843B (zh) | 一种基于图像采集的楼板钢筋工程辅助验收方法 | |
| CN104330023A (zh) | 混凝土表面初始开裂信息的采集***与识别方法 | |
| CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
| CN112825190B (zh) | 一种精度评估方法、***、电子设备和存储介质 | |
| CN113487722B (zh) | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 | |
| CN114234819B (zh) | 基于三维激光扫描的钢筋部品质量自动化检测方法 | |
| CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、*** | |
| CN116046817A (zh) | 轮胎质量检测方法、装置、电子设备及可读存储介质 | |
| CN112013921A (zh) | 一种基于水位尺测量图像获取水位信息的方法、装置和*** | |
| CN115014198B (zh) | 一种基于三维激光扫描的钢筋安装检测方法 | |
| CN110310258B (zh) | 一种混凝土构件钢筋锈蚀程度的评定方法 | |
| CN117554186B (zh) | 基于机器视觉的小型混凝土预制构件质量检测分析方法 | |
| CN115496893A (zh) | 一种指针式水表读数识别方法 | |
| CN112627538B (zh) | 基于计算机视觉的钢筋网扎丝绑扎质量智能验收方法 | |
| CN113345034A (zh) | 一种利用图像识别方法快速测量钢筋直径的方法 | |
| CN116823715A (zh) | 基于机器视觉的钢筋单元件检测方法 | |
| CN111126415B (zh) | 基于雷达探测图像的隧道钢筋检测计数***、方法 | |
| CN114295050A (zh) | 基于卷积神经网络的预制混凝土板多尺寸检测方法及*** | |
| CN209946948U (zh) | 一种pc构件的智能复检设备 | |
| CN111563888A (zh) | 一种定量裂缝生长监测方法 | |
| CN116524004B (zh) | 基于HoughLines算法的钢筋尺寸检测方法及*** | |
| CN116399418B (zh) | 一种基于固定摄像头的水位识别方法及*** | |
| CN117115233B (zh) | 一种基于机器视觉的尺寸测量方法、装置及电子设备 |
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: 20210903 |
|
| RJ01 | Rejection of invention patent application after publication |