智能盤點(diǎn)，Yolo用于鋼筋檢測(cè)計(jì)數(shù)
向AI轉(zhuǎn)型的程序員都關(guān)注了這個(gè)號(hào)??????
機(jī)器學(xué)習(xí)AI算法工程?? 公眾號(hào)：datayx
在工地現(xiàn)場(chǎng)，對(duì)于進(jìn)場(chǎng)的鋼筋車，驗(yàn)收人員需要對(duì)車上的鋼筋進(jìn)行現(xiàn)場(chǎng)人工點(diǎn)根，確認(rèn)數(shù)量后鋼筋車才能完成進(jìn)場(chǎng)卸貨。目前現(xiàn)場(chǎng)采用人工計(jì)數(shù)的方式，如圖1-1中所示：
圖1-1 鋼筋點(diǎn)跟現(xiàn)場(chǎng)場(chǎng)景
上述過程繁瑣、消耗人力且速度很慢（一般一車鋼筋需要半小時(shí)，一次進(jìn)場(chǎng)盤點(diǎn)需數(shù)個(gè)小時(shí)）。針對(duì)上述問題，希望通過手機(jī)拍照->目標(biāo)檢測(cè)計(jì)數(shù)->人工修改少量誤檢的方式（如圖1-2）智能、高效的完成此任務(wù)：
主要難點(diǎn)：
（Main Difficulties:）
（1）精度要求高（High precision requirement ）
鋼筋本身價(jià)格較昂貴，且在實(shí)際使用中數(shù)量很大，誤檢和漏檢都需要人工在大量的標(biāo)記點(diǎn)中找出，所以需要精度非常高才能保證驗(yàn)收人員的使用體驗(yàn)。需要專門針對(duì)此密集目標(biāo)的檢測(cè)算法進(jìn)行優(yōu)化，另外，還需要處理拍攝角度、光線不完全受控，鋼筋存在長短不齊、可能存在遮擋等情況。
（2）鋼筋尺寸不一(Various dimensions of rebars)
鋼筋的直徑變化范圍較大（12-32中間很多種類）且截面形狀不規(guī)則、顏色不一，拍攝的角度、距離也不完全受控，這也導(dǎo)致傳統(tǒng)算法在實(shí)際使用的過程中效果很難穩(wěn)定。
（3）邊界難以區(qū)分(Indistinguishable boundaries )
一輛鋼筋車一次會(huì)運(yùn)輸很多捆鋼筋（如圖1-3），如果直接全部處理會(huì)存在邊緣角度差、遮擋等問題效果不好，目前在用單捆處理+最后合計(jì)的流程，這樣的處理過程就會(huì)需要對(duì)捆間進(jìn)行分割或者對(duì)最終結(jié)果進(jìn)行去重，難度較大。
基于鋼筋進(jìn)場(chǎng)現(xiàn)場(chǎng)的圖片和標(biāo)注，綜合運(yùn)用計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)/深度學(xué)習(xí)等技術(shù)，實(shí)現(xiàn)拍照即可完成鋼筋點(diǎn)根任務(wù)，大幅度提升建筑行業(yè)關(guān)鍵物料的進(jìn)場(chǎng)效率和盤點(diǎn)準(zhǔn)確性，將建筑工人從這項(xiàng)極其枯燥繁重的工作中解脫出來。
項(xiàng)目代碼，數(shù)據(jù)集 獲取方式：
關(guān)注微信公眾號(hào) datayx ?然后回復(fù)?鋼筋盤點(diǎn)?即可獲取。
使用方法
安裝:
git clone https://github.com/tutan123/detect_steel_yolov3_darknet.git
cd detect_steel_darknetyolo
make -j
pip install -r requirements.txt
下載數(shù)據(jù)并解壓,訓(xùn)練和測(cè)試圖像分別放到train目錄和test目錄,目錄結(jié)構(gòu)如下:
- detect_steel_darknetyolo
train_labels.csv
train/
test/
生成訓(xùn)練的label文件
- python gen_labels.py
將label/文件夾下的文件拷貝到train/目錄
- cp -r label/* train/
訓(xùn)練:
./get_weight.sh
./train.sh
預(yù)測(cè):
python infer.py
單張照片預(yù)測(cè):
./darknet detector test voc.data cfg/yolov3.cfg backup/yolov3_final.weights test/FF5AE15C.jpg
效果:
線上 0.96+
機(jī)器學(xué)習(xí)算法AI大數(shù)據(jù)技術(shù)
?搜索公眾號(hào)添加：?datanlp
長按圖片，識(shí)別二維碼
閱讀過本文的人還看了以下文章：
TensorFlow 2.0深度學(xué)習(xí)案例實(shí)戰(zhàn)
基于40萬表格數(shù)據(jù)集TableBank，用MaskRCNN做表格檢測(cè)
《基于深度學(xué)習(xí)的自然語言處理》中/英PDF
Deep Learning 中文版初版-周志華團(tuán)隊(duì)
【全套視頻課】最全的目標(biāo)檢測(cè)算法系列講解，通俗易懂！
《美團(tuán)機(jī)器學(xué)習(xí)實(shí)踐》_美團(tuán)算法團(tuán)隊(duì).pdf
《深度學(xué)習(xí)入門：基于Python的理論與實(shí)現(xiàn)》高清中文PDF+源碼
《深度學(xué)習(xí)：基于Keras的Python實(shí)踐》PDF和代碼
python就業(yè)班學(xué)習(xí)視頻，從入門到實(shí)戰(zhàn)項(xiàng)目
2019最新《PyTorch自然語言處理》英、中文版PDF+源碼
《21個(gè)項(xiàng)目玩轉(zhuǎn)深度學(xué)習(xí)：基于TensorFlow的實(shí)踐詳解》完整版PDF+附書代碼
《深度學(xué)習(xí)之pytorch》pdf+附書源碼
PyTorch深度學(xué)習(xí)快速實(shí)戰(zhàn)入門《pytorch-handbook》
【下載】豆瓣評(píng)分8.1,《機(jī)器學(xué)習(xí)實(shí)戰(zhàn):基于Scikit-Learn和TensorFlow》
《Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》PDF+完整源碼
汽車行業(yè)完整知識(shí)圖譜項(xiàng)目實(shí)戰(zhàn)視頻(全23課)
李沐大神開源《動(dòng)手學(xué)深度學(xué)習(xí)》，加州伯克利深度學(xué)習(xí)（2019春）教材
筆記、代碼清晰易懂！李航《統(tǒng)計(jì)學(xué)習(xí)方法》最新資源全套！
《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》最新2018版中英PDF+源碼
將機(jī)器學(xué)習(xí)模型部署為REST API
FashionAI服裝屬性標(biāo)簽圖像識(shí)別Top1-5方案分享
重要開源！CNN-RNN-CTC 實(shí)現(xiàn)手寫漢字識(shí)別
同樣是機(jī)器學(xué)習(xí)算法工程師，你的面試為什么過不了？
前海征信大數(shù)據(jù)算法：風(fēng)險(xiǎn)概率預(yù)測(cè)
【Keras】完整實(shí)現(xiàn)‘交通標(biāo)志’分類、‘票據(jù)’分類兩個(gè)項(xiàng)目，讓你掌握深度學(xué)習(xí)圖像分類
VGG16遷移學(xué)習(xí)，實(shí)現(xiàn)醫(yī)學(xué)圖像識(shí)別分類工程項(xiàng)目
特征工程(二) :文本數(shù)據(jù)的展開、過濾和分塊
如何利用全新的決策樹集成級(jí)聯(lián)結(jié)構(gòu)gcForest做特征工程并打分？
Machine Learning Yearning 中文翻譯稿
全球AI挑戰(zhàn)-場(chǎng)景分類的比賽源碼(多模型融合)
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
python+flask搭建CNN在線識(shí)別手寫中文網(wǎng)站
中科院Kaggle全球文本匹配競(jìng)賽華人第1名團(tuán)隊(duì)-深度學(xué)習(xí)與特征工程
不斷更新資源
深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、數(shù)據(jù)分析、python
?搜索公眾號(hào)添加：?datayx??