智能盘点，Yolo用于钢筋检测计数
共 2613字，需浏览 6分钟
·
2021-11-19 16:18
向AI转型的程序员都关注了这个号👇👇👇
机器学习AI算法工程 公众号：datayx
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，如图1-1中所示：
图1-1 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（如图1-2）智能、高效的完成此任务：
主要难点：
（Main Difficulties:）
（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（如图1-3），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。
项目代码，数据集 获取方式：
关注微信公众号 datayx 然后回复 钢筋盘点 即可获取。
使用方法
安装:
git clone https://github.com/tutan123/detect_steel_yolov3_darknet.git
cd detect_steel_darknetyolo
make -j
pip 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+
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx