仰拱钢筋加工质量检测方法及装置

技术领域

本申请涉及铁路工程技术领域，尤其涉及仰拱钢筋加工质量检测方法及装置。

背景技术

铁路隧道仰拱是为改善上部支护结构受力条件而设置在铁路隧道底部的反向拱形结构，是铁路隧道结构的基础，它一方面要将铁路隧道上部的地层压力通过铁路隧道边墙结构或将路面上的荷载有效的传递到地下，而且还要有效的抵抗铁路隧道下部地层传来的反力。因此铁路隧道仰拱的施工质量一旦失控，整个铁路隧道工程极易出现质量问题。当前部分应用全断面硬岩隧道掘进机TBM(Tunnel Boring Machine)施工的铁路隧道仰拱采用预制的方式，将预制成型的仰拱块作为仰拱的主要结构，直接运至施工现场进行安装，因此，仰拱块的预制质量直接影响了隧道施工的质量。在预制过程中，需要提前将钢筋加工成钢筋笼，进而放入模具进行浇筑成型。因此需要对该用于预制铁路隧道仰拱结构件的钢筋结构进行加工质量检测，以保证预制的铁路隧道仰拱结构件的应用可靠性。

目前，针对用于预制铁路隧道仰拱结构件的钢筋结构进行加工质量检测的主要方式通常为人工测量标记如钢筋笼等钢筋结构中的钢筋位置，然后再由人工测量钢筋结构中的钢筋数量、尺寸、间距等信息，而后根据人工经验判断当前的钢筋结构是否符合预设的钢筋加工质量要求。然而，现有的仰拱钢筋加工质量检测方式由于多为人工目测或采用测量工具进行测量，因此检查结果对检查人员的依赖性较强，使得检测效率低，且由于整体检测主观性强，因此无法保证检测结果的准确性及应用有效性。

发明内容

鉴于此，本申请实施例提供了仰拱钢筋加工质量检测方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷。

本申请的一个方面提供了一种仰拱钢筋加工质量检测方法，包括：

获取目标仰拱钢筋加工图像；

将所述目标仰拱钢筋加工图像输入预设的钢筋位置识别模型中，以使该钢筋位置识别模型输出所述目标仰拱钢筋加工图像对应的钢筋位置信息，以基于该钢筋位置信息确定所述目标仰拱钢筋加工图像对应的钢筋加工质量检测结果。

在本申请的一些实施例中，所述获取目标仰拱钢筋加工图像，包括：

采集用于预制铁路隧道仰拱结构块的目标钢筋结构对应的钢筋加工图像；

基于预设的预处理方式对所述目标钢筋结构的钢筋加工图像进行预处理，得到对应的目标仰拱钢筋加工图像。

在本申请的一些实施例中，还包括：

在采集用于预制铁路隧道仰拱结构块的目标钢筋结构的钢筋加工图像的同时，采集该目标钢筋结构的距离信息；

相对应的，在所述钢筋位置识别模型输出所述目标仰拱钢筋加工图像对应的钢筋位置信息之后，还包括：

根据所述目标仰拱钢筋加工图像对应的钢筋位置信息和所述距离信息，确定所述目标钢筋结构对应的用于检测钢筋加工质量的目标钢筋形态数据。

在本申请的一些实施例中，还包括：

根据用于存储钢筋形态和加工质量缺陷之间对应关系的钢筋缺陷规则库，对所述目标钢筋形态数据进行加工质量检测，以得到所述目标钢筋结构对应的钢筋加工质量检测结果；

输出所述钢筋加工质量检测结果以对该钢筋加工质量检测结果进行可视化显示。

在本申请的一些实施例中，还包括：

获取历史仰拱钢筋加工图像数据集，其中，所述历史仰拱钢筋加工图像数据集包括：铁路工程管理平台中存储的用于预制铁路隧道仰拱结构块的各个钢筋结构的钢筋加工图像，以及，自所述铁路工程管理平台外部采集开源的钢筋加工图像；

对所述历史仰拱钢筋加工图像数据集进行扩充处理，以及，基于预设的预处理方式对所述历史仰拱钢筋加工图像数据集进行预处理；

对所述历史仰拱钢筋加工图像数据集中的各个所述钢筋加工图像分别进行钢筋位置标注，以形成对应的钢筋加工训练集；

应用所述钢筋加工训练集训练预设的机器学习模型，以得到对应的钢筋位置识别模型。

在本申请的一些实施例中，所述机器学习模型包括：基于注意力机制的深度残差网络。

在本申请的一些实施例中，所述预处理方式包括：图像光场校正、图像白平衡处理、图像配准、图像降噪和图像边缘增强中的至少一种。

本申请的另一个方面提供了一种仰拱钢筋加工质量检测装置，包括：

图像获取模块，用于获取目标仰拱钢筋加工图像；

模型识别模块，用于将所述目标仰拱钢筋加工图像输入预设的钢筋位置识别模型中，以使该钢筋位置识别模型输出所述目标仰拱钢筋加工图像对应的钢筋位置信息，以基于该钢筋位置信息确定所述目标仰拱钢筋加工图像对应的钢筋加工质量检测结果。

本申请的另一个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的仰拱钢筋加工质量检测方法。

本申请的另一个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的仰拱钢筋加工质量检测方法。

本申请提供的仰拱钢筋加工质量检测方法，获取目标仰拱钢筋加工图像；将所述目标仰拱钢筋加工图像输入预设的钢筋位置识别模型中，以使该钢筋位置识别模型输出所述目标仰拱钢筋加工图像对应的钢筋位置信息，以基于该钢筋位置信息确定所述目标仰拱钢筋加工图像对应的钢筋加工质量检测结果，能够提高仰拱钢筋位置识别的自动化程度及智能化程度，节省时间成本及人力成本，并能够有效提高仰拱钢筋位置识别的效率、准确性及有效性，还能够辅助人工检测钢筋加工质量，进而能够有效提高应用仰拱钢筋位置识别结果进行仰拱钢筋加工质量检测的效率、准确性及有效性，保证仰拱的应用可靠性。

本申请的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本申请实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。附图中的部件不是成比例绘制的，而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分，附图中对应部分可能被放大，即，相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中：

图1为本申请一实施例中的仰拱钢筋加工质量检测方法的总流程示意图。

图2为本申请一实施例中的仰拱钢筋加工质量检测方法的一种具体流程示意图。

图3为本申请一实施例中的基于注意力机制的深度残差网络ResNet的架构举例示意图。

图4为本申请另一实施例中的仰拱钢筋加工质量检测装置的结构示意图。

图5为本申请应用实例中提供的铁路隧道仰拱块钢筋加工质量检测系统的执行逻辑举例示意图。

图6为本申请应用实例中提供的应用铁路隧道仰拱块钢筋加工质量检测系统实现的仰拱钢筋加工质量检测方法的流程示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本申请做进一步详细说明。在此，本申请的示意性实施方式及其说明用于解释本申请，但并不作为对本申请的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤，而省略了与本申请关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

在下文中，将参考附图描述本申请的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

为了提升仰拱库钢筋加工质量检测效率，及时准确的发现铁路隧道仰拱块钢筋加工问题，本申请考虑采用机器视觉技术来提高仰拱钢筋位置识别的自动化程度及智能化程度，节省时间成本及人力成本，并提高仰拱钢筋位置识别的效率、准确性及有效性。

其中，机器视觉技术近几年飞速发展，基于机器视觉技术的目标检测速度越来越快，准确度不断提高。将具有高精度、高效率、高灵活性、低成本等众多优势的机器视觉技术引入铁路隧道仰拱块的钢筋加工质量控制，能够辅助人工检测钢筋加工质量，提高检测效率。机器视觉技术已有较为成熟的目标检测模型，如Fast CNN、SSD、RetinaNet、YOLO等算法，在多个行业获得了良好的应用价值和经济效益，本申请通过对钢筋加工图像特征识别，并对图像高效目标分割和识别检测，基于深度学习算法开展模型训练，开展钢筋数量计数、尺寸测量、间距测量等，提升铁路隧道仰拱块钢筋加工质量识别效率及检测精度。

具体通过下述实施例进行详细说明。

基于此，本申请实施例提供一种可由仰拱钢筋加工质量检测装置实现的仰拱钢筋加工质量检测方法，参见图1，所述仰拱钢筋加工质量检测方法具体包含有如下内容：

步骤100：获取目标仰拱钢筋加工图像。

在本申请的一个或多个实施例中，所述仰拱钢筋加工图像是指用于预制铁路隧道仰拱结构块的钢筋结构对应的钢筋加工图像，所述钢筋加工图像是指包含有钢筋结构的图像数据，其中，所述钢筋结构是指由多个钢筋组成的结构，例如钢筋笼等，在实际应用中，所述钢筋结构还可以采用除钢筋笼之外的其他结构。

基于此，所述目标仰拱钢筋加工图像是指当前已符合输入下述步骤200提及的钢筋位置识别模型的数据格式要求等规定的待进行仰拱钢筋加工质量检测的钢筋加工图像，所述历史仰拱钢筋加工图像数据集是指在模型训练阶段获取的用于训练下述步骤200提及的钢筋位置识别模型的各个钢筋加工图像数据。

在步骤100中，仰拱钢筋加工质量检测装置可以直接接收客户端设备或图像采集设备等发送的目标仰拱钢筋加工图像数据，也可以接收客户端设备或图像采集设备等发送的待检测仰拱钢筋加工图像数据，再基于预设的图像处理规则对其进行处理后得到对应的目标仰拱钢筋加工图像数据，具体可以根据仰拱钢筋加工质量检测装置的数据处理性能等参数选择。

步骤200：将所述目标仰拱钢筋加工图像输入预设的钢筋位置识别模型中，以使该钢筋位置识别模型输出所述目标仰拱钢筋图像对应的钢筋位置信息，以基于该钢筋位置信息确定所述目标仰拱钢筋图像对应的钢筋加工质量检测结果。

可以理解的是，所述钢筋位置识别模型是一种图像特征预测或识别模型，具体用于根据输入其中的仰拱钢筋加工图像输出对应的钢筋位置信息。

在本申请的一个或多个实施例中，所述钢筋位置信息可以包括：所述钢筋结构中各个钢筋的两端和不同钢筋的交接处分别在预设坐标系中的位置点信息。且该坐标系可以选用三维坐标系。

在步骤200中，钢筋位置识别模型输出所述目标仰拱钢筋图像对应的钢筋位置信息之后，所述仰拱钢筋加工质量检测装置可以直接将该钢筋位置信息发送至客户端设备、显示大屏或人机互动大屏中，以辅助用户根据该钢筋位置信息和其预先获知的所述钢筋结构中的各个钢筋的直径、密度等参数，计算出所述钢筋结构中的各个钢筋的长度、相邻钢筋之间的间距等形态数据，进而汇总成该钢筋结构对应的仰拱结构块钢筋综合形态数据，而后可以根据该仰拱结构块钢筋综合形态数据来判断当前的钢筋结构是否存在加工质量问题以完成仰拱钢筋加工质量检测。由于目标仰拱钢筋图像对应的钢筋位置信息是有钢筋位置识别模型直接输出的，节省了大量了原本标注钢筋结构的钢筋位置信息所需要耗费的人力成本及时间成本，并能够保证钢筋位置信息识别的准确性及有效性，因此能够有效提高仰拱钢筋加工质量检测整体的效率及检测结果的有效性。

而在步骤200的另一种实现方式中，为了更进一步的提高仰拱钢筋加工质量检测的效率及自动化程度，钢筋位置识别模型输出所述目标仰拱钢筋图像对应的钢筋位置信息之后，还可以由仰拱钢筋加工质量检测装置根据预存储在本地的仰拱钢筋加工质量检测逻辑基于所述钢筋位置信息针对上述钢筋结构进行自动化的仰拱钢筋加工质量检测，而后之间输出仰拱钢筋加工质量检测结果，以进一步节省人力成本及时间成本。具体实现方式在下述实施例中详细描述。

从上述描述可知，本申请实施例提供的仰拱钢筋加工质量检测方法，能够提高仰拱钢筋位置识别的自动化程度及智能化程度，节省时间成本及人力成本，并能够有效提高仰拱钢筋位置识别的效率、准确性及有效性，进而能够有效提高应用仰拱钢筋位置识别结果进行仰拱钢筋加工质量检测的效率、准确性及有效性，保证仰拱的应用可靠性。

为了进一步提高目标仰拱钢筋加工图像的应用可靠性及有效性，在本申请实施例提供的一种仰拱钢筋加工质量检测方法中，参见图2，所述仰拱钢筋加工质量检测方法中的步骤100具体包含有如下内容：

步骤110：采集用于预制铁路隧道仰拱结构块的目标钢筋结构对应的钢筋加工图像。

步骤120：基于预设的预处理方式对所述目标钢筋结构的钢筋加工图像进行预处理，得到对应的目标仰拱钢筋加工图像。

为了进一步提高仰拱钢筋加工质量检测的自动化程度，在本申请实施例提供的一种仰拱钢筋加工质量检测方法中，参见图2，所述仰拱钢筋加工质量检测方法中的步骤120之前还具体包含有如下内容：

步骤111：在采集用于预制铁路隧道仰拱结构块的目标钢筋结构的钢筋加工图像的同时，采集该目标钢筋结构的距离信息。

在步骤111中，所述仰拱钢筋加工质量检测装置可以接收铁路钢筋加工检测专用图像采集设备发送的针对目标钢筋结构的钢筋加工图像和距离信息。

可以理解的是，预设铁路钢筋加工检测专用图像采集设备，该铁路钢筋加工检测专用图像采集设备可同时采集图像信息和距离信息，该铁路钢筋加工检测专用图像采集设备配置深度相机(如intel公司realsense系列d435i深度相机)，深度相机拍摄图片。

相对应的，在所述仰拱钢筋加工质量检测方法中的步骤200之后还具体包含有如下内容：

步骤300：根据所述目标仰拱钢筋加工图像对应的钢筋位置信息和所述距离信息，确定所述目标钢筋结构对应的用于检测钢筋加工质量的目标钢筋形态数据。

在步骤300中，利用钢筋位置识别模型标记出图像中钢筋位置，然后所述仰拱钢筋加工质量检测装置结合距离信息实现钢筋数量、间距、长度的计算，形成仰拱结构块钢筋综合形态数据，使用Yolov5s目标检测网络实现目标钢筋识别，实现钢筋数量的统计，将深度相机获得的彩色图像流与深度流对齐，使得彩色图像上的每个像素对应一个深度值，作为z坐标，然后通过相机内参获得该像素的x坐标和y坐标。得到的x、y、z坐标为该像素点的相机坐标系下的三维坐标。使用此方法求出所测两钢筋中心点的三维坐标，再用勾股定理就能求出这两点的距离，即为钢筋间距。同时，通过目标检测识别出钢筋两端点三维坐标，以同样的方式计算两端点间距离，得出钢筋长度。

为了进一步提高仰拱钢筋加工质量检测的自动化程度，在本申请实施例提供的一种仰拱钢筋加工质量检测方法中，参见图2，所述仰拱钢筋加工质量检测方法中的步骤300之前还具体包含有如下内容：

步骤400：根据用于存储钢筋形态和加工质量缺陷之间对应关系的钢筋缺陷规则库，对所述目标钢筋形态数据进行加工质量检测，以得到所述目标钢筋结构对应的钢筋加工质量检测结果。

具体来说，钢筋缺陷规则库又可以称之为隧道仰拱结构块钢筋缺陷规则库，该钢筋缺陷规则库预先建立，用于存储钢筋形态数据和加工质量缺陷数据之间的对应关系，在步骤400中，所述仰拱钢筋加工质量检测装置可以将目标钢筋形态数据输入规则库进行分析，输出缺陷情况判断并标记缺陷位置。其中，缺陷规则库可以采用一张结构化数据表，包括：图像信息数据(图像编号、图像存储位置、生产工点编号、标注人员编号)，钢筋形态数据(数量、长度、粗细)，缺陷标注数据(缺陷类型、缺陷程度)。此缺陷规则库中的图像是经人工判断为缺陷的结构块，每种其缺陷类型(如钢筋变形)对应的形态特征数据具有较大的类间距离，输入的形态特征数据通过计算最近空间距离，就可以得到相应的缺陷类型。

在本申请的一个或多个实施例中，所述目标钢筋形态数据也可以称之为仰拱结构块钢筋综合形态数据。

步骤500：输出所述钢筋加工质量检测结果以对该钢筋加工质量检测结果进行可视化显示。

在步骤500中，所述仰拱钢筋加工质量检测装置可以将钢筋加工质量检测结果发送至展示与交互工具，以可视化的形式展示缺陷检测结果并生成缺陷报告，检测结果可人工审核并调整，调整后的结果可实时反馈至训练集，动态提升识别准确度。

为了提高钢筋位置识别模型的应用可靠性及有效性，在本申请实施例提供的一种仰拱钢筋加工质量检测方法中，参见图2，所述仰拱钢筋加工质量检测方法中的步骤200之前还具体包含有如下内容：

步骤010：获取历史仰拱钢筋加工图像数据集，其中，所述历史仰拱钢筋加工图像数据集包括：铁路工程管理平台中存储的用于预制铁路隧道仰拱结构块的各个钢筋结构的钢筋加工图像，以及，自所述铁路工程管理平台外部采集开源的钢筋加工图像。

在步骤010中，所述仰拱钢筋加工质量检测装置可以依托铁路工程管理平台中已有的钢筋加工图像数据，收集开源钢筋加工图像作为补充，形成包含有各个钢筋加工图像的历史仰拱钢筋加工图像数据集，该历史仰拱钢筋加工图像数据集可存储至一铁路钢筋加工数据库中。

在本申请应用实例的一个或多个实施例中，铁路工程管理平台是指统一开放的工程信息化平台和应用。

步骤020：对所述历史仰拱钢筋加工图像数据集进行扩充处理，以及，基于预设的预处理方式对所述历史仰拱钢筋加工图像数据集进行预处理。

在步骤020中，所述仰拱钢筋加工质量检测装置可以利用平移、翻转、旋转、裁剪、缩放等方式对数据库进行扩充，提升训练效果。

步骤030：对所述历史仰拱钢筋加工图像数据集中的各个所述钢筋加工图像分别进行钢筋位置标注，以形成对应的钢筋加工训练集。

在步骤030中，可以构建交互式钢筋参数标注工具，对钢筋位置等关键参数进行人工标注，形成铁路钢筋加工训练集，用于训练钢筋检测模型。其中，交互式钢筋参数标注工具的工作流程可以包括：1从图像库中加载一张待标注钢筋图像，将图像分割成若干区域并显示边界；2标注出图像中所有的钢筋区域；3标注出图像钢筋区域的形态参数；4确认图像中钢筋是否有缺陷，若有则需指定缺陷类型；5将有缺陷的结果存入缺陷库，无缺陷的结果存入训练集数据库，重复步骤1。

步骤040：应用所述钢筋加工训练集训练预设的机器学习模型，以得到对应的钢筋位置识别模型。

为了进一步提高钢筋位置识别模型的应用可靠性及有效性，在本申请实施例提供的一种仰拱钢筋加工质量检测方法中所述仰拱钢筋加工质量检测方法中的所述机器学习模型包括：基于注意力机制的深度残差网络ResNet。

具体来说，参见图3，可以采用深度残差网络ResNet并引入注意力机制作为模型总体框架，网络初始参数取自用于视觉对象识别软件研究的大型可视化数据库ImageNet，利用铁路钢筋加工训练集进行迁移学习，减少数据需求量和训练时间。网络以ResNet-101(后缀数字代表网络深度)为基础原型，对模型中的残差块结构进行改进，调整残差结构块内下采样和均值池化操作的位置，使特征信息提取过程满足遍历性并具有特征重用效果；网络模型引入高效注意力机制模块ECA，采用全局均值池化处理，保证网络性能的同时有效地降低了参数量。网络以两个残差模块和两个注意力模块为一组单元，激活函数为ReLU，优化器设置为SGDM，全连接层采用概率为0.4的Dropout操作。

在图3中，“ConV(1×1)”表示卷积核大小为1的卷积层；“AvgPool(2×2’s＝2)”表示核大小为2且步长为2的平均池化层；“ConV(3×3’s＝2)”表示卷积核大小为3且步长为2的卷积层。“H”表示特征图或者图像的高度；“W”表示特征图或者图像的宽度；“C”表示特征图或者图像的通道个数；“1×1×C”表示特征图或者图像的大小为：宽度和高均为1；“ConV(1×k)”表示卷积核大小为1×k的卷积层；“δ”表示本层采用标准Sigmoid激活函数；“x”表示将输入数据和计算出的特征数据做卷积运算。

为了进一步提高仰拱钢筋加工质量检测的准确性，在本申请提供的一种仰拱钢筋加工质量检测方法的实施例中，所述仰拱钢筋加工质量检测方法中步骤020和步骤120中提及的所述预处理方式具体包含有如下内容：图像光场校正、图像白平衡处理、图像配准、图像降噪和图像边缘增强中的至少一种。

在一种优选方式中，所述预处理方式可以包含有：依次执行的图像光场校正、图像白平衡处理、图像配准、图像降噪和图像边缘增强。

具体来说，可以分别采用光场校正方法LinkNet进行光场校正和白平衡、采用SURF算法进行图像配准和校正、采用模块化自编码器方法进行图像降噪和边缘增强等等。其中，SURF算法是在SIFT算法的基础上提出的一种快速鲁棒特征提取的配准算法。

从软件层面来说，本申请还提供一种用于执行所述仰拱钢筋加工质量检测方法中全部或部分内的仰拱钢筋加工质量检测装置，参见图4，所述仰拱钢筋加工质量检测装置具体包含有如下内容：

图像获取模块10，用于获取目标仰拱钢筋加工图像。

模型识别模块20，用于将所述目标仰拱钢筋加工图像输入预设的钢筋位置识别模型中，以使该钢筋位置识别模型输出所述目标仰拱钢筋图像对应的钢筋位置信息，以基于该钢筋位置信息确定所述目标仰拱钢筋图像对应的钢筋加工质量检测结果。

本申请提供的仰拱钢筋加工质量检测装置的实施例具体可以用于执行上述实施例中的仰拱钢筋加工质量检测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述仰拱钢筋加工质量检测方法实施例的详细描述。

所述仰拱钢筋加工质量检测装置进行仰拱钢筋加工质量检测的部分可以在服务器中执行，而在另一种实际应用情形中，也可以所有的操作都在客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于仰拱钢筋加工质量检测的具体处理。

上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

上述服务器与所述客户端设备端之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。

从上述描述可知，本申请实施例提供的仰拱钢筋加工质量检测装置，能够提高仰拱钢筋位置识别的自动化程度及智能化程度，节省时间成本及人力成本，并能够有效提高仰拱钢筋位置识别的效率、准确性及有效性，进而能够有效提高应用仰拱钢筋位置识别结果进行仰拱钢筋加工质量检测的效率、准确性及有效性，保证仰拱的应用可靠性。

为了进一步说明本方案，本申请还提供一种仰拱钢筋加工质量检测方法的具体应用实例，具体涉及铁路隧道仰拱结构块钢筋加工质量检测过程，提升仰拱库钢筋加工质量检测效率，及时准确的发现铁路隧道仰拱结构块钢筋加工问题。

本申请应用实例提出一种铁路隧道仰拱块钢筋加工质量检测系统，用于实现所述仰拱钢筋加工质量检测方法，参见图5，包括数据集采集制作、钢筋识别模型训练、钢筋检测与参数识别、以及结果展示与反馈，其中，数据集采集制作包括：铁路钢筋加工数据库、交互式钢筋参数标注工具、铁路钢筋加工训练集和钢筋加工图像预处理模块；钢筋检测与参数识别包括：仰拱块钢筋综合形态数据和隧道仰拱块钢筋缺陷规则库；所述结果展示与反馈包括：缺陷报告和人工审核调整。

具体来说，通过融合机器视觉、图像处理、深度学习等算法，对铁路工程管理平台已有的钢筋加工图像数据进行扩充，形成铁路钢筋加工训练集，融合多种图像处理方法形成图形预处理功能模块。建立钢筋位置识别模型总体框架，并利用铁路钢筋加工训练集对钢筋模型进行训练优化，形成钢筋位置识别模型。利用具备拍摄与激光测距的仪器进行现场拍摄，对图像信息预处理后，输入钢筋位置识别模型生成钢筋位置信息，结合测距信息实现钢筋间距、密度、长度的计算，形成仰拱结构块钢筋综合形态数据。建立隧道仰拱钢块筋缺陷规则库，将钢筋综合形态数据输入规则库进行分析，输出缺陷情况判断并标记缺陷位置。对识别结果进行展示并生成缺陷报告，供人工审核，如果有识别不准确的地方，支持人工调整并反馈至铁路钢筋加工训练集。

本申请应用实例提供的应用铁路隧道仰拱块钢筋加工质量检测系统实现的仰拱钢筋加工质量检测方法，包含数据采集制作、钢筋位置识别模型训练、钢筋检测与参数识别、结果展示与反馈等过程。参见图6，所述应用铁路隧道仰拱块钢筋加工质量检测系统实现的仰拱钢筋加工质量检测方法具体说明如下：

(1)数据集采集制作：依托铁路工程管理平台中已有的钢筋加工图像数据，收集开源钢筋加工图像作为补充，形成铁路钢筋加工数据库。利用平移、翻转、旋转、裁剪、缩放等方式对数据库进行扩充，提升训练效果。构建交互式钢筋参数标注工具，对钢筋位置等关键参数进行人工标注，形成铁路钢筋加工训练集，用于训练钢筋检测模型。基于训练集中的图像特点，分别采用LinkNet方法进行光场校正和白平衡、采用SURF方法进行图像配准和校正、采用模块化自编码器方法进行图像降噪和边缘增强，整合形成钢筋加工图像预处理功能模块。

(2)钢筋位置识别模型训练：采用深度残差网络并引入注意力机制作为模型总体框架，网络初始参数取自ImageNet，利用铁路钢筋加工训练集进行迁移学习，减少数据需求量和训练时间。对模型中的残差块结构进行改进，使特征信息提取过程满足遍历性并具有特征重用效果，网络模型引入高效注意力机制模块ECA，采用全局均值池化处理，保证网络性能的同时有效地降低了参数量。

(3)钢筋检测与参数识别：设置铁路钢筋加工检测专用图像采集设备，可同时采集图像信息和距离信息。对图像信息进行预处理后，利用钢筋位置识别模型标记出图像中钢筋位置，结合测距信息实现钢筋间距、密度、长度的计算，形成仰拱结构块钢筋综合形态数据。建立隧道仰拱结构块钢筋缺陷规则库，将钢筋综合形态数据输入规则库进行分析，输出缺陷情况判断并标记缺陷位置。

(4)结果展示与反馈：构建钢筋加工缺陷检测结果展示与交互工具，以可视化的形式展示缺陷检测结果并生成缺陷报告，检测结果可人工审核并调整，调整后的结果可实时反馈至训练集，动态提升识别准确度。

本申请应用实例提出铁路隧道仰拱块钢筋加工质量检测系统，通过融合机器视觉、图像处理、深度学习等算法，对铁路工程管理平台已有的钢筋加工图像数据进行扩充，形成铁路钢筋加工训练集，并建立图形预处理功能模块。建立钢筋位置识别模型总体框架，并利用铁路钢筋加工训练集对钢筋模型进行训练优化，形成钢筋位置识别模型。利用具备拍摄与激光测距的仪器进行现场拍摄，对图像信息预处理后，输入钢筋位置识别模型生成钢筋位置信息，结合测距信息实现钢筋间距、密度、长度的计算，形成仰拱结构块钢筋综合形态数据。建立隧道仰拱钢块筋缺陷规则库，将钢筋综合形态数据输入规则库进行分析，输出缺陷情况判断并标记缺陷位置。对识别结果进行展示并生成缺陷报告，供人工审核，如果有识别不准确的地方，支持人工调整并反馈至铁路钢筋加工训练集。

与现有技术相比，本申请应用实例的有益效果是：

本申请应用实例提出一种仰拱钢筋加工质量检测方法，采用机器视觉、神经网络等技术，对现场拍摄的铁路隧道仰拱结构块钢筋加工情况进行智能识别，提取钢筋数量、间距、尺寸等参数，并对参数进行缺陷识别，实现铁路隧道仰拱结构块钢筋加工质量的自动判识，及时发现加工中存在的质量问题，在浇筑混凝土前进行整改优化，提升隧道仰拱结构块的预制质量。

本申请实施例还提供了一种电子设备，该电子设备可以包括处理器、存储器、接收器及发送器，处理器用于执行上述实施例提及的仰拱钢筋加工质量检测方法，其中处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。所述电子设备可自所述无线多媒体传感器网络中的传感器接收实时运动数据，并自所述视频采集装置接收原始视频序列。

处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的仰拱钢筋加工质量检测方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的仰拱钢筋加工质量检测方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行实施例中的仰拱钢筋加工质量检测方法。

在本申请的一些实施例中，用户设备可以包括处理器、存储器和收发单元，该收发单元可包括接收器和发送器，处理器、存储器、接收器和发送器可通过总线系统连接，存储器用于存储计算机指令，处理器用于执行存储器中存储的计算机指令，以控制收发单元收发信号。

作为一种实现方式，本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现，处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。

作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器，接收器和发送器功能的程序代码存储在存储器中，通用处理器通过执行存储器中的代码来实现处理器，接收器和发送器的功能。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述仰拱钢筋加工质量检测方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

本申请中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征

以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。