建筑工地在钢筋成车来料时,需要人工清点数量,然后才能开展后续工作,不仅效率低,而且增加运营成本。随着大数据时代的到来,建筑行业希望借助智能终端设备来减少劳动力的投入,打破传统的桎梏。本文利用YOLO算法实现钢筋数量的智能盘点。
在工地现场,对于进场的钢筋车,验收人员需要对车上的钢筋进行现场人工点根,确认数量后钢筋车才能完成进场卸货。目前现场采用人工计数的方式。
钢筋点跟现场场景上述过程繁琐、消耗人力且速度很慢(一般一车钢筋需要半小时,一次进场盘点需数个小时)。针对上述问题,希望通过手机拍照-》目标检测计数-》人工修改少量误检的方式智能、高效的完成此任务:
主要难点
(1)精度要求高(High precision requirement )
钢筋本身价格较昂贵,且在实际使用中数量很大,误检和漏检都需要人工在大量的标记点中找出,所以需要精度非常高才能保证验收人员的使用体验。需要专门针对此密集目标的检测算法进行优化,另外,还需要处理拍摄角度、光线不完全受控,钢筋存在长短不齐、可能存在遮挡等情况。
(2)钢筋尺寸不一(Various dimensions of rebars)
钢筋的直径变化范围较大(12-32中间很多种类)且截面形状不规则、颜色不一,拍摄的角度、距离也不完全受控,这也导致传统算法在实际使用的过程中效果很难稳定。
(3)边界难以区分(Indistinguishable boundaries )
一辆钢筋车一次会运输很多捆钢筋,如果直接全部处理会存在边缘角度差、遮挡等问题效果不好,目前在用单捆处理+最后合计的流程,这样的处理过程就会需要对捆间进行分割或者对最终结果进行去重,难度较大。
基于钢筋进场现场的图片和标注,综合运用计算机视觉和机器学习/深度学习等技术,实现拍照即可完成钢筋点根任务,大幅度提升建筑行业关键物料的进场效率和盘点准确性,将建筑工人从这项极其枯燥繁重的工作中解脱出来。
使用方法安装:git clone https://github.com/tutan123/detect_steel_yolov3_darknet.gitcd detect_steel_darknetyolomake -jpip install -r requirements.txt下载数据并解压,训练和测试图像分别放到train目录和test目录,目录结构如下:- detect_steel_darknetyolo train_labels.csv train/ test/生成训练的label文件- python gen_labels.py将label/文件夹下的文件拷贝到train/目录- cp -r label/* train/训练:./get_weight.sh./train.sh预测:python infer.py单张照片预测:./darknet detector test voc.data cfg/yolov3.cfg backup/yolov3_final.weights test/FF5AE15C.jpg
效果:线上 0.96+
审核编辑:郭婷
-
智能终端
+关注
关注
6文章
867浏览量
34621 -
大数据
+关注
关注
64文章
8851浏览量
137182
原文标题:智能盘点!基于Yolov3的钢筋检测计数
文章出处:【微信号:3D视觉工坊,微信公众号:3D视觉工坊】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
评论