(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210604702.5 (22)申请日 2022.05.30 (71)申请人 北京建筑大学 地址 100044 北京市西城区展览馆路1号 (72)发明人 张雷　董国梁　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 张文娥 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种钢筋绑扎状态检测模型的训练方法、 识 别方法及设备 (57)摘要 本申请提供一种钢筋绑扎状态检测模型的 训练方法、 识别方法及设备， 涉及图像识别技术 领域。 该方法通过获取样本数据集， 样本数据集 包括： 多个样本钢筋绑扎点状态图像， 每个样本 钢筋绑扎点状态 图像中预先标记有对应绑扎点 的状态信息； 对样本数据集进行图像增强处理； 采用图像增强处理后的样本数据集进行模型训 练， 得到钢筋绑扎状态检测模型。 从而， 精准、 高 效地训练得到钢筋绑扎状态检测模 型， 以便于提 升钢筋绑扎状态 识别的效率。 权利要求书2页 说明书15页 附图6页 CN 115272691 A 2022.11.01 CN 115272691 A 1.一种钢筋绑扎状态检测模型的训练方法， 其特 征在于， 所述方法包括： 获取样本数据集， 所述样本数据集包括： 多个样本钢筋绑扎点状态图像， 每个样本钢筋 绑扎点状态图像中预 先标记有对应绑扎 点的状态信息； 对所述样本数据集进行图像增强处 理； 采用图像增强处 理后的样本数据集进行模型训练， 得到所述钢筋 绑扎状态检测模型。 2.根据权利要求1所述的方法， 其特征在于， 所述钢筋绑扎状态检测模型包括： 特征提 取网络、 池化网络、 特征融合网络以及预测网络， 所述采用图像增强处理后的样本数据集进 行模型训练， 得到所述钢筋 绑扎状态检测模型， 包括： 采用所述特征提取网络， 对所述每个样本钢筋绑扎点状态图像进行特征提取， 得到多 个尺度的样本图像特 征； 采用所述池化网络对所述多个尺度中最小尺度的样本图像特征进行处理， 得到样本语 义信息； 采用所述特征融合网络对所述多个尺度中至少两个目标尺度的样本图像特征进行处 理， 得到所述至少 两个目标尺度对应的样本定位信息， 并将所述样本定位信息和所述样本 语义信息进行融合， 得到融合样本特 征； 采用所述预测网络， 对所述融合样本特征进行处理， 得到所述每个样本钢筋绑扎点状 态图像对应的绑扎 点状态的预测结果； 根据所述预测结果和所述每个样本钢筋绑扎点状态图像对应的标记状态信息计算损 失函数值； 根据所述损 失函数值， 修改所述钢筋绑扎状态检测模型的模型参数， 并重新进行模型 训练， 直至 达到预设迭代 停止条件。 3.根据权利要求2所述的方法， 其特征在于， 所述钢筋绑扎状态检测模型还包括： 聚类 网络， 所述采用所述特征提取网络， 对 所述每个样本钢筋绑 扎点状态图像进行特征提取， 得 到多个尺度的样本图像特 征之前， 所述方法还 包括： 采用所述 聚类网络对所述每个样本钢筋绑扎点状态图像进行处理， 得到所述每个样本 钢筋绑扎点状态图像中的钢筋 绑扎点区域图像； 所述采用所述特征提取网络， 对所述每个样本钢筋绑扎点状态图像进行特征提取， 得 到多个尺度的样本图像特 征， 包括： 采用所述特征提取网络， 对所述每个样本钢筋绑扎点状态图像中的钢筋绑扎点 区域图 像进行特征提取， 得到多个尺度的样本图像特 征。 4.根据权利要求2所述的方法， 其特征在于， 所述特征提取网络包括： 依次连接的所述 多个尺度的特征提取层， 其中， 所述多个尺度中所述至少两个目标尺度的特征提取层 包括： 至少一个特征提取模块； 至少一个特征提取模块中最后一个特征提取模块的输出为对应特 征提取层的输出。 5.根据权利要求2所述的方法， 其特征在于， 所述钢筋绑扎状态检测模型中， 所述池化 网络的输入端设置有输入卷积层， 所述输入卷积层为深度可分离卷积； 所述采用所述池化网络对所述多个尺度中最小尺度的样本图像特征进行处理， 得到样 本语义信息之前， 所述方法还 包括： 采用所述输入卷积层对所述最小尺度的样本图像特征进行卷积处理， 得到卷积处理后权　利　要　求　书 1/2 页 2 CN 115272691 A 2的所述最小尺度的样本图像特 征； 所述采用所述池化网络对所述多个尺度中最小尺度的样本图像特征进行处理， 得到样 本语义信息， 包括： 采用所述池化网络对卷积处理后的所述最小尺度的样本图像特征进行处理， 得到所述 样本语义信息 。 6.根据权利要求2所述的方法， 其特征在于， 所述钢筋绑扎状态检测模型中， 所述池化 网络的输出端还设置有输出 卷积层， 所述输出 卷积层为深度可分离卷积； 所述将所述样本定位信息和所述样本语义信息进行融合， 得到融合样本特征之前， 所 述方法还 包括： 采用所述输出卷积层， 对所述样本语义信息进行处理， 得到卷积处理后的所述样本语 义信息； 所述将所述样本 定位信息和所述样本语义信息进行融合， 得到融合样本特 征， 包括： 对所述样本定位信 息和卷积处理后的所述样本语义信 息进行融合， 得到所述融合样本 特征。 7.根据权利要求1所述的方法， 其特征在于， 所述对所述样本数据集进行图像增强处 理， 包括： 对所述样本数据集进行至少一种图像增强处理； 所述至少一种图像增强处理包括： 水 平翻转、 旋转、 添加噪声信息、 亮度调整、 色彩调整中的至少一种处 理。 8.一种绑扎 点状态识别方法， 其特 征在于， 所述方法包括： 获取钢筋结构的采集图像， 所述钢筋结构为预 先采用多根钢筋搭建成的结构； 采用上述权利要求1 ‑7中任一训练得到钢筋绑扎状态检测模型， 对所述采集图像进行 处理， 得到所述钢筋结构中各个绑扎 点的绑扎状态。 9.一种训练设备， 其特征在于， 包括： 训练处理器、 训练存储介质， 所述训练处理器与所 述训练存储介质之 间通过总线通信连接， 所述训练存储介质存储有所述训练处理器可执行 的程序指 令， 所述训练处理器调用所述训练存储介质中存储的程序， 以执行如权利要求 1至 7任一所述的钢筋 绑扎状态检测模型的训练方法的步骤。 10.一种识别设备， 其特征在于， 包括： 识别处理器、 识别存储介质， 所述识别处理器与 所述识别存储介质之间通过总线通信连接， 所述识别存储介质存储有 所述识别处理器可执 行的程序指令， 所述识别处理器调用所述识别存储介质中存储的程序， 以执行如权利要求8 所述的绑扎 点状态识别方法的步骤。权　利　要　求　书 2/2 页 3 CN 115272691 A 3