基于YOLO算法实现钢筋数量的智能盘点

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