[发明专利]基于AI机器学习的钢筋点数识别软件系统

说明书

本发明公开了基于AI机器学习的钢筋点数识别软件系统，包括算法、训练学习、数据集及拍摄识别，利用机器学习、计算机视觉等算法对大量的数据集进行多次训练学习，训练完成后，对现场情况进行拍照识别，其中，所述算法采用YOLOv3单阶段检测器，所述YOLOv3骨架网络采用ResNet50‑VD，所述YOLOv3单阶段检测器采用Deformable Convolution v2卷积操作，本发明运用人工智能、机器学习等AI技术，通过软件快速识别钢筋数量，保证钢筋验收或盘库点数效率，降低建筑施工人员人力成本，提高钢筋点数准确率，减少了材料损失。

技术领域

本发明涉及应用程序软件技术领域，具体是基于AI机器学习的钢筋点数识别软件系统。

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。

建筑工地建设中需要大量的钢筋使用，工作人员每天要统计钢筋的使用情况和进货情况，这无疑给工作人员增加了困难，很容易造成数量不正确，在天气炎热或寒冷时，工作人员采用传统方式点数钢筋，极大地影响了工作效率和准确性。

发明内容

本发明的目的在于提供基于AI机器学习的钢筋点数识别软件系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

基于AI机器学习的钢筋点数识别软件系统，包括算法、训练学习、数据集及拍摄识别，利用机器学习、计算机视觉等算法对大量的数据集进行多次训练学习，训练完成后，对现场情况进行拍照识别，其中，所述算法采用YOLOv3单阶段检测器，所述YOLOv3骨架网络采用ResNet50-VD，从而提高了算法的速度及精度，提高了扩展性。

作为本发明进一步的方案：所述YOLOv3单阶段检测器采用DeformableConvolution v2卷积操作，通过采用Deformable Convolution v2卷积操作，使得速度与精度相互平衡。

作为本发明再进一步的方案：所述YOLOv3单阶段检测器包括FPN，所述FPN中设置有DropBlock模块，通过设置的DropBlock模块，提高了模型泛化能力，更适应于在检测任务中提高网络泛化能力。

作为本发明再进一步的方案：所述YOLOv3单阶段检测器中设置有IoU Loss分支，用以提高BBox定位精度，缩小一阶段和两阶段检测网络的差距。

作为本发明再进一步的方案：所述数据集包括Object365数据集和coco数据集，所述Object365数据集包含60万张图片以及365种类别。

作为本发明再进一步的方案：所述Object365数据集训练得到的模型作为coco数据集上的预训练模型，相比coco数据集进行预训练可以进一步提高YOLOv3单阶段检测器的精度。

作为本发明再进一步的方案：所述训练学习通过拍摄大量钢筋样本数据，人工标注后，通过算法提取出网络特征，识别钢筋特征，保存训练后的权重。

作为本发明再进一步的方案：所述拍摄识别通过拍照钢筋，发送到服务器进行识别钢筋，计算数量。

其中，钢筋点数方法为：

1)打开软件系统，正面拍摄钢筋堆；

2)手动圈出识别区域，自动识别、标注钢筋，并显示结果；

3)放大照片，查看是否漏检、错检；

4)如无漏检、错检情况，保存图片，完成下一堆钢筋点数；

5)保存的图片显示验收时间、验收人员、验收钢筋数量；

6)如有漏检、错检情况，重新拍摄，或手动更改。