(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210618509.7 (22)申请日 2022.06.02 (71)申请人 中建电子商务有限责任公司 地址 610000 四川省成 都市青羊区腾飞大 道51号18栋12层1202号 (72)发明人 谷满昌　张镜　 (74)专利代理 机构 成都春夏知识产权代理事务 所(特殊普通 合伙) 51317 专利代理师 夏琴 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于密集目标检测的钢筋计数处理方 法 (57)摘要 本发明公开了一种基于密集目标检测的钢 筋计数处理方法， 包括采集钢筋切面图片， 确定 先验框； 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； 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； 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； 将更新的RPN网络模型迭代反 馈， 得到钢筋检测计数模型； 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。 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， 具有较好的平均精度、 召回率和准确率。 权利要求书1页 说明书4页 附图1页 CN 114694032 A 2022.07.01 CN 114694032 A 1.一种基于密集目标检测的钢筋计数处 理方法， 其特 征在于， 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。 2.根据权利要求1所述的一种基于密集目标检测的钢筋计数处理方法， 其特征在于， 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I oU阈值， gi为第i个真实框的分类和相对坐标值。 3.根据权利要求1所述的一种基于密集目标检测的钢筋计数处理方法， 其特征在于， 每 一个候选区域构建一个分支网路。 4.根据权利要求1所述的一种基于密集目标检测的钢筋计数处理方法， 其特征在于， 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。 5.根据权利要求1所述的一种基于密集目标检测的钢筋计数处理方法， 其特征在于， 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， gil为第i个真实框的相对坐标值， gic为第i个真实框 的分类， xki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， BCEloss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。 6.根据权利要求1所述的一种基于密集目标检测的钢筋计数处理方法， 其特征在于， 钢 筋切面图片中钢筋数量 为10‑500。 7.根据权利要求1所述的一种基于密集目标检测的钢筋计数处理方法， 其特征在于， 钢 筋切面图片为钢筋整齐叠放状态下的端面图片。 8.根据权利要求1所述的一种基于密集目标检测的钢筋计数处理方法， 其特征在于， 利 用K‑means算法类聚生成先验框参数。 9.根据权利要求1所述的一种基于密集目标检测的钢筋计数处理方法， 其特征在于， 候 选区域的预测框为 一个或者多个。 10.根据权利要求1所述的一种基于密集目标检测的钢筋计数处理方法， 其特征在于， 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。权　利　要　求　书 1/1 页 2 CN 114694032 A 2一种基于密集目标 检测的钢筋计数处理 方法 技术领域 [0001]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 [0002]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。 [0003]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。 [0004]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。 发明内容 [0005]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。 [0006]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。 [0007]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I oU阈值， gi为第i个真实框的分类和相对坐标值。 [0008]进一步地， 每一个候选区域构建一个分支网路。 [0009]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说　明　书 1/4 页 3 CN 114694032 A 3