钢筋作为基础功能性材料之一,被广泛应用于建筑行业中。在钢筋的使用和交易过程中,需要对其数量进行精确统计,以避免在后续交接环节中出现经济风险与纠纷。传统方法采用人工点根计数,该方法过程繁琐、费时费力且计数准确率受钢筋数量规模和计数人员疲劳状态影响,因此企业在提高钢筋计数效率方面具有很大的需求。目前基于深度学习的通用目标检测技术虽然在交通标志检测、人脸检测等实际场景中表现良好且广泛应用,但在实际场景的钢筋计数任务上应用效果却不佳,主要是因为实际场景中天气、光照等环境背景复杂,钢筋规模大、数量多、摆放幅面宽且摆放不平整,存在凹凸不齐、密集遮挡等情况。基于企业需求和深度学习技术的可行性,本文对大规模密集堆叠场景的钢筋计数任务展开了深入的研究,提出了面向大规模密集堆叠场景的钢筋计数算法和多图拼接方法,最终高效、准确地完成了大规模密集堆叠场景下的钢筋检测计数任务。本文的主要工作和创新点如下:1.针对密集堆叠场景下钢筋检测计数任务的特点,提出了一种基于深度学习的钢筋计数算法Rebar RCNN。Rebar RCNN基于主流的二阶段检测算法Faster RCNN进行改进,改进主要包括网络结构、损失函数和后处理算法等方面。Rebar RCNN模型在私有测试集上的准确率和召回率均达到98%以上,相较Faster RCNN表现高出3%左右,对光照、天气等环境变化具有更强的鲁棒性。2.基于大规模场景下单摄像头拍不全、小钢筋成像模糊、钢筋严重遮挡等问题提出了多摄像头拍摄检测计数方案,并针对多摄像头拍摄检测计数方案中存在的相邻图像重叠区域重复计数问题提出了多图拼接方法。基于钢筋捆相对位置不变性的多图拼接方法实现了室内实验场景中钢筋总数的统计,验证了多摄像头拍摄检测计数方案的可行性。基于钢筋分布拓扑结构不变性的多图拼接方法利用了钢筋在相邻图像中的相对位置基本不变这一特点,实现了大规模场景中钢筋总数的统计。3.设计并开发了一套完整的智能钢筋检测计数系统,将上述钢筋计数算法和和多图拼接方法应用落地。该系统操作方便、界面美观,提供采集图片、文件导入、检测计数、人工校验、结果保存等功能,可以对用户导入的图片或者摄像机采集的钢筋图片进行实时检测计数,并允许用户对检测结果进行修改和完善。