تقدير حجم حديد التسليح القائم على الصورة وطريقة العد

ورقة بحثيةالفولاذ

المشاركة تعنى الاهتمام

4 فبراير، 2022

يمكن للطريقة المقترحة ، وهي نموذج CNN جنبًا إلى جنب مع homography ، تقدير حجم وإحصاء عدد قضبان الصلب في الصورة بسرعة وبدقة ، ويمكن تطبيق الطريقة المطورة على مواقع البناء الحقيقية لإدارة مخزون قضبان الصلب بكفاءة .

 

By يونسو شين

قسم الهندسة المعمارية ، كلية الهندسة ، جامعة دنكوك ، كوريا

و Sekojae هيو

قسم الهندسة المعمارية ، كلية الهندسة ، جامعة دنكوك ، كوريا

و سيهي هان

قسم الهندسة المعمارية ، كلية الهندسة ، جامعة دنكوك ، كوريا


 

ملخص

 

تقليديا ، يتم حساب عدد حديد التسليح في مواقع البناء يدويًا من قبل العمال. ومع ذلك ، فإن هذه الممارسة تثير العديد من المشاكل: فهي بطيئة ، وكثيفة الموارد البشرية ، وتستغرق وقتًا طويلاً ، وعرضة للخطأ ، وليست دقيقة للغاية. وبالتالي ، يجب تطوير طريقة جديدة للعد السريع والدقيق لقضبان حديد التسليح بأقل عدد من العمال لتعزيز كفاءة العمل وتقليل تكاليف العمالة في مواقع البناء. في هذه الدراسة ، طور المؤلفون نظامًا آليًا لتقدير حجم وإحصاء عدد قضبان حديد التسليح في تعبئة البالات باستخدام تقنيات رؤية الكمبيوتر بناءً على شبكة عصبية تلافيفية (CNN). تم إنشاء مجموعة بيانات تحتوي على 622 صورة من حديد التسليح بإجمالي 186,522 مقطعًا عرضيًا من حديد التسليح و 409 علامات بولي لتقسيم حديد التسليح وعلامات بولي في الصور. تم جمع الصور بدقة عالية كاملة تبلغ 1920 × 1080 بكسل ثم تم اقتصاصها في المنتصف حتى 512 × 512 بكسل. علاوة على ذلك ، تم تنفيذ زيادة البيانات لإنشاء 4668 صورة لمجموعة بيانات التدريب. بناءً على مجموعة بيانات التدريب ، تم إنشاء تقدير حجم شريط فولاذي قائم على YOLACT ونموذج عد مع صندوق وقناع يزيدان عن 30 mAP لتلبية هدف هذه الدراسة. يمكن للطريقة المقترحة ، وهي نموذج CNN جنبًا إلى جنب مع homography ، تقدير حجم وإحصاء عدد قضبان الصلب في صورة ما بسرعة وبدقة ، ويمكن تطبيق الطريقة المطورة على مواقع البناء الحقيقية لإدارة مخزون قضبان الصلب بكفاءة .

 

1.المقدمة

 

الخرسانة المسلحة هي المادة الإنشائية السائدة في العديد من البلدان بسبب طرقها البسيطة نسبيًا في البناء ؛ أداء مقاومة الحريق المتفوق ؛ توافر مكوناته ، بما في ذلك حديد التسليح والركام والمياه والأسمنت ؛ وجدواه الاقتصادية ، مقارنة بأشكال البناء الأخرى [1,2,3]. الخرسانة لها ميزات فريدة. إنه قوي في الأحمال الانضغاطية ولكنه ضعيف في مقاومة الشد. بسبب هذه الخصائص ، تؤدي قوة الشد المفرطة في الخرسانة إلى ظهور تشققات على سطح الهياكل الخرسانية. من أجل التغلب على هذا الأداء الضعيف ، يتم توفير تقوية للخرسانة من خلال قضبان أو أسلاك فولاذية مدمجة أثناء صب الخرسانة. على وجه الخصوص ، يتم استخدام حديد التسليح الفولاذي بشكل شائع لتقوية الخرسانة نظرًا لأن معامل التمدد الحراري للخرسانة والصلب متساوي تقريبًا ، كما أن تشوه أو إجهاد كل من الخرسانة والصلب هو نفسه تقريبًا لمنع انزلاق حديد التسليح من الصلب أسمنت. تمثل الأعمال الخرسانية حوالي 23٪ من تكلفة تشييد المبنى. بالإضافة إلى ذلك ، تشكل التكلفة المادية لحديد التسليح حوالي 28٪ من إجمالي تكاليف المواد لأعمال الخرسانة [4,5,6,7]. وفقًا لذلك ، تعتبر قضبان الصلب مادة بناء مهمة في الهياكل الخرسانية المسلحة نظرًا لخصائصها الميكانيكية الرائعة ونسبة تكاليف البناء على الهيكل الكامل.

 

بشكل عام ، يتم تصنيع قضبان الصلب من مصانع الصلب ويتم نقلها إلى مواقع البناء في تعبئة البالات. حسب دراسات سابقة [8,9,10,11,12] ، يجب حساب عدد القضبان الفولاذية في تعبئة البالات قبل مغادرتها المصنع وبعد وصولها إلى موقع البناء. ومع ذلك ، فإن ممارسة قياس حديد التسليح في كوريا الجنوبية تقاس بالوزن في مصانع الصلب لتعزيز سرعة وكفاءة شحنها. يتم تخزين قضبان التسليح المنقولة بالوزن من الشركات المصنعة لمركز التوزيع في موقع البناء. في موقع البناء ، يتم نقل حديد التسليح إلى ورشة معالجة حديد التسليح بعد أن يقوم العمال بحساب الكمية المطلوبة. في حين أن العد اليدوي لحديد التسليح هو ممارسة شائعة في مواقع البناء ، فإنه ينطوي على العديد من العيوب: فهو كثيف الموارد البشرية ، ويستغرق وقتًا طويلاً ، وعرضة للخطأ ، ويمكن أن يتسبب في حدوث إصابات. وهي على وجه الخصوص من أخطر مواد البناء في الموقع ؛ يمكن أن تسبب جروحًا ناتجة عن طعنات والتيتانوس ، نظرًا لأن شكل هذه القضبان الفولاذية طويل وحاد في النهايات. وبالتالي ، يجب تطوير طريقة جديدة يمكن من خلالها حساب حديد التسليح بسرعة وبدقة بأقل عدد ممكن من العمال لتعزيز كفاءة العمل وتقليل تكاليف العمالة في موقع البناء.

 

في هذه الدراسة ، طور المؤلفون نظامًا آليًا لتقدير حجم وإحصاء حديد التسليح في تعبئة البالات باستخدام تقنيات الرؤية الحاسوبية القائمة على الشبكة العصبية التلافيفية (CNN). تولد التقنية المطورة نموذجًا لشبكة CNN لتقسيم حديد التسليح والعلامات المتعددة من تعبئة البالات وآخر لتحويل الصور ذات الأحجام والمناظير المختلفة إلى صور بنفس المنظر الأمامي من خلال تطبيق التماثل. لإنشاء نموذج CNN ، تم أخذ المقاطع العرضية لقضبان حديد التسليح من زوايا ومناظير مختلفة ، وتم زيادة البيانات لإنشاء محيط مختلف. نموذج CNN ، المدرب على 622 صورة مع التعليقات التوضيحية ، قادر على استخراج الإحداثيات متعددة الأضلاع عن طريق تجزئة الصور المقطعية لمجموعة البيانات الخاصة بحديد التسليح الفولاذي. بالإضافة إلى ذلك ، تم تحويل مساحة المضلع لقضبان التسليح الفولاذية إلى المساحة الفعلية المقاسة من خلال تطبيقات مصفوفة التجانس المحسوبة أثناء عملية التجانس لتقسيم إحداثيات المضلع للعلامة المتعددة على شريط التعبئة الفولاذي. نتوقع أن تطبيق هذا النظام سيجعل من الممكن ليس فقط تعزيز كفاءة إدارة مواد البناء ولكن أيضًا لتقليل تكاليف العمالة في حساب حديد التسليح. يتكون الجزء المتبقي من هذه الورقة على النحو التالي: قسم 2 يستعرض بإيجاز الدراسات ذات الصلة من حيث عد الأبحاث حول تقنيات التعلم الآلي ورؤية الكمبيوتر. قسم 3 يتعامل مع طريقة البحث الشاملة لتجزئة وإحصاء عدد حديد التسليح. تم تصوير نتائج الاختبار بتنسيق قسم 4. في القسم الأخير ، يتم تقديم الاستنتاجات والقيود لهذه الدراسة التي سيتم التعامل معها في مزيد من البحث.

 

2. الأعمال ذات الصلة

 

تقليديًا ، يعتمد حساب عدد الكائنات المختلفة على العد اليدوي أو الحساب اليدوي من قبل البشر. ومع ذلك ، فإن هذه الممارسة تصاحب العديد من المشكلات: فهي بطيئة ، وتستهلك الكثير من الموارد البشرية ، وتستغرق وقتًا طويلاً ، وعرضة للخطأ ، وليست دقيقة للغاية [13,14,15,16,17]. في الآونة الأخيرة ، ظهر التعلم الآلي (ML) ، وهو نوع من الذكاء الاصطناعي ، كوسيلة بديلة للتعامل مع هذه التحديات [18,19,20]. على وجه الخصوص ، تم استخدام نجاح الشبكة العصبية التلافيفية (CNN) في العديد من مجالات البحث لقدراتها الممتازة في الكشف عن الكائنات وتقسيمها من الصور المرئية [16,21,22,23,24]. علاوة على ذلك ، فإن قدرة CNN على تعلم الوظائف غير الخطية من الصور كانت حاسمة في حساب كائنات مختلفة من كائنات متعددة في الصور. وبالتالي ، تم استخدام تقنيات CNN مثل تصنيف الصور واكتشاف الكائنات وتجزئة المثيل ، والتي تتعامل مع الكائنات في الصورة ، مع تطورات النماذج والخوارزميات جنبًا إلى جنب مع تقنيات معالجة الصور ، لعد الكائنات.

 

كان تعداد الحشود ، كمجال بحثي ، أمرًا حيويًا لاعتماد نماذج CNN لتقدير وإحصاء الأشخاص الذين تم جمعهم من الصور أو مقاطع الفيديو. على سبيل المثال ، Wang et al. [18] طبق نموذج الانحدار العميق لحساب الأشخاص في ظروف شديدة الكثافة في الصور. الأساليب الحالية لحساب عدد الأشخاص من خلال تمييز الوجوه البشرية أو البشر المساعدين لها تطبيقات محدودة عندما تكون جودة الصورة أقل من 10 بكسل. ومع ذلك ، يمكن للطريقة المقترحة ، باستخدام نموذج التعلم العميق مع العينات السلبية ، تحسين المتانة وتقليل الإنذارات الكاذبة. وبالمثل ، فإن والاك وولف [25] استخدمت نماذج CNN المحسّنة التي جمعت بين التعزيز الطبقي وأخذ العينات الانتقائي لزيادة دقة العد وتقليل وقت المعالجة. تعاملت دراسات عد الجماهير مع المتغيرات مثل عوامل المقياس والسيناريوهات المختلفة للخلفيات ومستويات الكثافة. لي وآخرون. [22] اقترح شبكة التعرف على المشهد المزدحم (CSRN) القادرة على حساب عدد الأشخاص في المشاهد شديدة الازدحام. في هذه الدراسة ، كان العمود الفقري للشبكة نموذجًا لشبكة CNN مع ميزة استخراج الواجهة الأمامية ثنائية الأبعاد وشبكة CNN الموسعة للطرف الخلفي. تساعد الطبقات التلافيفية المتوسعة لهذه الدراسة في عد الأشخاص في المشاهد شديدة الازدحام. تعد المقاييس غير الملائمة أحد التحديات التي يجب مواجهتها في دراسات عد الحشود وتقدير الكثافة. للتغلب على هذه الصعوبات ، تم اقتراح العديد من أساليب CNN الجديدة ، وتم تحسين مقياس التقييم (متوسط ​​الخطأ المطلق ومتوسط ​​الخطأ المربع) لهذه الأساليب المقترحة حديثًا [22]. في الآونة الأخيرة ، يعمل البحث على تعداد الحشود على توسيع نطاق هدف العد من الأشخاص المجمعين إلى المركبات على الطرق ومحاصيل الذرة والزهور.

 

وبالمثل ، يعد عد المركبات مجالًا يطبق بشكل حيوي طرق العد المستندة إلى CNN لإنشاء نظام ذكي لمراقبة حركة المرور للتحكم في حركة المرور وتحسينها ، واقتراحات المسار الأسرع ، وإدارة السلامة ، وما إلى ذلك [13,15,23,26]. عبد الوهاب [26] اعتمدت المناطق ذات الشبكة العصبية التلافيفية (R-CNN) كطريقة لاكتشاف الأشياء لعد المركبات في صور الطرق ومتتبع KLT لتتبع مسارات المركبات التي تم عدها. صن وآخرون. [15] اقترح شبكة جديدة تستخدم شبكة عصبية متعددة القنوات ومتعددة التلافيف لحساب عدد المركبات مباشرة من صور الدوائر التلفزيونية المغلقة. على الرغم من وجود قيود في اكتشاف المركبات في ظروف الرؤية السيئة ، مثل الطقس الضبابي وظروف الإضاءة المنخفضة ، فقد تبين أن النتائج الإجمالية تفوقت على الجمهور CNN و ConvNet Model. وبالمثل ، فإن جمعة وآخرون. [23] استخدمت خوارزمية عد المركبات التي جمعت بين كل من CNN وطريقة تتبع ميزة التدفق البصري لتحسين التحكم في حركة المرور وإدارتها. تتكون هذه الخوارزمية من ثلاث مراحل: مصنف قائم على CNN لاكتشاف المركبات ، وخطوة تحليل حركة الميزة ، والتكتل لعملية عد غير متكررة. في هذه الدراسة ، أظهروا متوسط ​​دقة كشف وعد بنسبة 96.3٪ و 96.8٪ على التوالي. علاوة على ذلك ، فإن Chung et al. [27] ، على سبيل المثال ، حسب عدد المركبات في صورة ما باستخدام نموذج CNN مدرب إلى موقع آخر ، دون عمل إضافي لوضع العلامات عند إنشاء مجموعة بيانات التدريب لجهاز الكشف أحادي المرحلة. ستجعل الطريقة المقترحة لهذه الدراسة من الممكن تقليل مستوى مهام وضع العلامات في كل مرة يتم فيها تغيير بيانات الصورة.

 

كما نوقش أعلاه ، فإن نطاق البحث المستندة إلى CNN حول عد الكائنات قد وسع نطاق تطبيقه ليشمل مجموعة متنوعة من المجالات ، وحاول عدد متزايد من الدراسات تنفيذ التعلم الآلي لحساب الكائنات في صناعة البناء. تطبق مجالات إدارة مواد البناء وإدارة المخزون بشكل سريع طرق العد المستندة إلى CNN [8,17]. بينما تتمتع CNN بقدرة ممتازة على اكتشاف الأشياء في صورة ما ، إلا أنها تعمل أيضًا على إبطاء وقت الحوسبة وتقليل الدقة عندما تتعمق الطبقات وعندما يزداد عدد العناصر التي يتم اكتشافها مع حساب قضبان الصلب. وفقًا لذلك ، تم تطوير خوارزميات مختلفة لتقليل الوقت الحسابي وتعزيز الدقة في نماذج CNN. فان وآخرون. [28] ، على سبيل المثال ، طبقت طريقة CNN-DC (المسافة العنقودية) التي جمعت بين اكتشاف نقاط المركز المرشحة لحديد التسليح الفولاذي باستخدام CNN ، وخوارزمية التجميع لتجميع وتحديد المركز الحقيقي لحواجز التسليح الفولاذية من المركز المرشح نقاط. أظهرت هذه الدراسة أنها حققت دقة عد 99.26٪ من حديد التسليح و 4.1٪ من تعويض المركز لتوطين المركز على مجموعات بيانات حديد التسليح. وبالمثل ، فإن Hernández-Ruiz et al. [12] عدت قضبان حديدية من الصور باستخدام SA-CNN-DC (مقياس تكيفي تلافيفي للشبكة العصبية عن بعد) لتحسين الدقة باستخدام موارد الحوسبة المنخفضة ، والتي يشار إليها كثيرًا على أنها أحد التحديات في أبحاث التعلم الآلي. ستجعل الطرق المستخدمة في هذه الدراسة من الممكن عد حديد التسليح بغض النظر عن الحجم والإشارة إلى نتائج مرضية مع موارد الحوسبة المنخفضة. على الرغم من الاقتراحات المختلفة لدعم عد حديد التسليح ، فإن حجم حديد التسليح في صورة ما صغير نسبيًا ، وسيكون من الصعب تكوين مجموعة بيانات تعلم منها. Zhu et al. [10] اقترح طريقة تكبير كائن صغير تسمى Sliding Window Data Augmentation (SWDA) لتحسين أداء توطين الكائنات الصغيرة في صورة ما. سيتأثر وقت الاستدلال أيضًا بموارد الحوسبة والبنية العامة لنماذج CNN. على سبيل المثال ، Li et al. [29] اعتمد كاشف YOLOv3 ، وهو عبارة عن خوارزمية للكشف عن الأجسام أحادية المرحلة للكشف التلقائي عن حديد التسليح وإحصائه من أجل دقة عالية مع تقليل وقت الاستنتاج. أجرى النموذج المطبق كشف وعدّ حديد التسليح بالتوازي بمتوسط ​​دقة 99.7٪ وتقاطع على الاتحاد (IoU) 0.5.

 

3. تقدير حجم وإحصاء عدد حديد التسليح

 

3.1 طريقة البحث

 

في حين أن العديد من الدراسات حاولت حساب حديد التسليح من خلال اعتماد العديد من بنيات CNN المقترحة لتعزيز الدقة وتقليل وقت الاستدلال ، فقد ركزت فقط على حساب العدد الدقيق لحواجز التسليح بدلاً من تمييز حجمها أيضًا ، كما تمت مناقشته في القسم السابق. في هذه الدراسة ، قمنا بتطوير تقنية العد الآلي وتقدير الحجم لحديد التسليح بناءً على الشبكة العصبية التلافيفية (CNN) ومعالجة الصور من أجل الإدارة الفعالة للمواد في مواقع البناء أو مصانع تصنيع حديد التسليح. يمكن لاستشعار الصور غير المتصل أن يغطي كائنات متعددة باستخدام كاميرا واحدة ولديه إمكانية وصول أفضل من المستشعرات الأخرى ، مثل الهواتف المحمولة. بالإضافة إلى ذلك ، تم بالفعل تركيب كاميرات المراقبة في مواقع البناء لأسباب تتعلق بالأمن والسلامة. وبالتالي ، من الممكن تطبيق التكنولوجيا القائمة على الصور المطورة دون الحاجة إلى تثبيت أجهزة استشعار إضافية.

 

يمكن تحقيق كلٍّ من حساب حديد التسليح وتقدير الحجم عن طريق التقسيم المقطعي لحديد التسليح الفردي في الصورة ونطاق البكسل الذي يشغله المقطع العرضي. لذلك ، يجب إجراء الحصول على الصور التي تحتوي على المقطع العرضي ، واكتشاف المقطع العرضي للحديد الفردي وتجزئته بالتتابع. على الرغم من أنه يمكن إجراء اكتشاف وتجزئة المقطع العرضي لحديد التسليح الفردي من خلال نموذج CNN ، إلا أنه يجب معالجة مشكلتين أخريين لإجراء حساب وتقدير حجم حديد التسليح: (1) مطلوب عامل مقياس لتطبيق الأبعاد الفعلية على إحداثيات الكشف والتجزئة المكونة من إحداثيات بكسل. (2) في حالة التقاط صورة من زاوية مائلة ، تختلف مساحة المقطع العرضي القريب ومساحة المقطع العرضي البعيد ، حتى بالنسبة لنفس حديد التسليح. يعتبر التماثل القائم على الرؤية الحاسوبية فعالاً في حل هاتين المسألتين في آن واحد.

 

Homography هي معالجة للصور تكتسب صورة من زاوية التقاط صورة افتراضية من خلال علاقة التحويل بين النقاط المتوافقة في صورتين [30,31,32,33,34]. يمكن أن يحول Homography منظور الصورة الملتقطة من اتجاه مائل إلى صورة منظر أمامي تم التقاطها من الاتجاه الأمامي (حيث تواجه الكاميرا الكائن مباشرة). بشكل عام ، يلزم أربع نقاط متطابقة ذات أحجام معروفة لإجراء هذا التحويل. ومع ذلك ، يتم إرفاق علامات متعددة ذات أبعاد موحدة بأكوام من حديد التسليح ، وتحتوي على معلومات مثل وقت الإنتاج ومواصفات حديد التسليح. يتم استخدام هذه المعلومات في التماثل للحصول على مقياس للبكسل وصورة أمامية افتراضية.

 

تتكون عملية البحث في حساب عدد حديد التسليح وتقدير الحجم من خوارزمية متسلسلة من خمس خطوات ، كما هو موضح في الشكل 1. أولاً ، يتم إنشاء نموذج CNN باستخدام صور تحتوي على مقاطع عرضية مختلفة من حديد التسليح لاكتشاف الكائنات وتجزئة المثيل. تتكون مجموعة البيانات من مجموعة بيانات تدريبية للتدريب ، ومجموعة بيانات تحقق من الصحة لمنع الإفراط في التجهيز ، ومجموعة بيانات اختبار للتحقق من النموذج المدرب. ثانيًا ، يتم الحصول على صورة التجزئة عن طريق وضع صور لحساب حديد التسليح وتقدير الحجم في نموذج CNN الناتج. تتكون صورة التجزئة من حديد التسليح يتكون من (u ، v) ، ونظام إحداثيات منظور ، ويتكون كل كائن في علامة poly من مضلعات. هنا ، يتم تطبيق homography على الصورة بأكملها عن طريق إدخال معلومات poly tag مسبقًا ، ويتم تحويل الحواجز المكونة من (u ، v) والكائنات الفردية لعلامة poly إلى نظام الإحداثيات (x ، y) الفعلي التدرج من خلال مصفوفة التجانس. أخيرًا ، يتم الحصول على معلومات حول قضبان التسليح المحولة ، مثل عدد أنواع حديد التسليح في الصورة وعدد وأحجام القضبان لكل نوع ، من خلال الرسم البياني وتحليل التوزيع الغاوسي.

 

الرقم 1. مخطط تدفق لتقدير عدد وحجم حديد التسليح.

 

الشكل 1. مخطط انسيابي لتقدير عدد وحجم حديد التسليح.

 

3.2 الحصول على الصورة لتجزئة المثيلات

 

تم إجراء دراسات مختلفة على تقنيات اكتشاف الكائن التي تعبر عن النطاق الأدنى للمنطقة التي تحتوي على الكائن باستخدام الإحداثيات المستطيلة وتقنيات تجزئة المثيل التي تمثل حدود الكائن باستخدام مضلع للتعامل مع الكائنات الموجودة في الصورة باستخدام نموذج CNN [19,25,35,36,37]. بشكل عام ، يعبر اكتشاف الكائن عن موضع الكائن باستخدام أربعة إحداثيات ، بينما يستخدم تجزئة المثيل عشرات إلى مئات الإحداثيات لتمثيل حدود الكائن ، اعتمادًا على حجم الصورة وحجم وشكل الكائن. على الرغم من أن تجزئة المثيل يمكن أن تستخرج حدود الكائن بدقة ، إلا أنها تستهلك الكثير من الوقت وموارد الحوسبة مقارنة باكتشاف الكائن. وبالتالي ، من المهم استخدام نموذج CNN المناسب لهذا الغرض.

 

ترتبط البيكسلات التي تشغلها مقاطع حديد التسليح في الصورة ارتباطًا مباشرًا بحجم حديد التسليح بعد تطبيق التماثل. لذلك ، يجب أن تكون وحدات البكسل التي تحتلها المقاطع العرضية للحديد مجزأة بدقة. يمثل تجزئة المثيل لحديد التسليح الفردي إحداثيات البكسل لحديد التسليح المقابل كمضلع. بالنسبة لتجزئة مثيل التعلم الخاضع للإشراف المستندة إلى CNN ، يجب أن يعلق شخص ما على إحداثيات حواف الكائن الهدف المراد تقسيمه. في هذه الدراسة ، تم إجراء التعليق التوضيحي على صورة تحتوي على مقاطع عرضية من حديد التسليح ليتم تجزئتها وعلامة بولي واستخدمت كمجموعة بيانات لإنشاء نموذج CNN.

 

تم إنشاء مجموعة بيانات تحتوي على 622 صورة معالجة من حديد التسليح بما في ذلك إجمالي 186,522،409 مقطعًا عرضيًا لقضبان التسليح و 1920 علامات بولي لتقسيم حديد التسليح وعلامات بولي في الصور. تم جمع الصور بدقة Full HD تبلغ 1080 × 1080 بكسل ثم تم اقتصاصها في المنتصف إلى 1080 × 512 بكسل. تم بعد ذلك تقليص عينات الصور التي تم اقتصاصها إلى 512 × 50 بكسل لزيادة سرعة الحوسبة. في مجموعة البيانات ، يختلف عدد المقاطع العرضية لحديد التسليح الملتقطة في صورة واحدة من حوالي 1000 إلى XNUMX. أداة التعليق التوضيحي LabelMe [38] لتخصيص مربعات تحديد الحقيقة الأرضية المضلعة للمقاطع العرضية لحديد التسليح ، وهو أمر ضروري لإجراءات التعلم الخاضعة للإشراف. الشكل 2 يعرض صورًا أولية تمثيلية ووسمًا للحقيقة الأرضية. من بين 622 صورة ، احتوت 409 صورة على علامات متعددة ، لكن الـ 213 صورة المتبقية احتوت فقط على مقاطع عرضية من حديد التسليح بدون علامات بولي. تم التقاط الصور من زوايا مختلفة ، وكذلك من الأمام ؛ تم التقاط ما يصل إلى أربع صور لنفس كومة حديد التسليح. من بين 622 صورة ، تم تصنيف 498 و 93 و 31 صورة (أو 80٪ و 15٪ و 5٪ من الصور) بشكل عشوائي في مجموعات بيانات القطار والتحقق من الصحة والاختبار ، على التوالي. بالإضافة إلى ذلك ، تم وضع تعليقات توضيحية على بعض صور مجموعة بيانات الاختبار على الصورة الأصلية التي تبلغ 1920 × 1080 بكسل لتحسين الدقة للأشياء الدقيقة ، مثل الحواجز التي تقل عن D10 ، واعتماد نموذج التعلم الآلي لتعزيز الدقة مع تقليل سرعة التعرف على الأشياء.

 

الرقم 2. صور أولية تمثيلية مع التعليقات التوضيحية.

 

الشكل 2. الصور الأولية التمثيلية مع التعليقات التوضيحية.

 

3.3 تقدير حجم حديد التسليح باستخدام Homography

 

الشكل 3 يوضح عملية العد التفصيلي لحديد التسليح وتقدير الحجم ، والتي يتم إجراؤها بعد الانتهاء من الكشف عن القضبان والعلامات المتعددة وتجزئتها باستخدام نموذج CNN. يتم تطبيق كشف الزاوية على علامة بولي المستخرجة من صورة التجزئة ؛ وهكذا ، يتم استخراج أربع نقاط مقابلة لاستخدامها في التجانس. تتميز العلامات المتعددة المستخدمة في هذه الدراسة بأبعاد ثابتة بعرض وطول 6.5 سم × 9 سم ومدخلات بنفس الحجم لجميع المهام المتجانسة. يتم تحويل علامة بولي المصورة من اتجاه مائل إلى الاتجاه الأمامي من خلال التماثل. في الوقت نفسه ، يبلغ مقياس البكسل الأفقي والعمودي فعليًا 6.5 سم × 9 سم. يتم تطبيق مصفوفة التماثل التي تم إنشاؤها هنا بشكل متساوٍ على الصورة بأكملها وحواجز التسليح الفردية ، بالإضافة إلى علامة بولي ، للحصول على إحداثيات المضلع المكونة من الصورة المرتبة للعرض الأمامي وإحداثيات (س ، ص) للمقياس الفعلي.

 

الرقم 3. تقدير حجم حديد التسليح وعملية العد باستخدام التصوير المقطعي.

 

تقدير حجم حديد التسليح وعملية العد باستخدام التماثل.

 

منطقة المضلع المحولة هي مساحة المقطع العرضي لقضيب التسليح المقابل ؛ وبالتالي ، يتم إجراء تحليل التوزيع الغاوسي على الرسم البياني الذي يمثل جميع مناطق المضلع. هنا ، يمثل عدد القمم في التوزيع الغوسي أنواع حجم حديد التسليح ، وقيمة x μ ، وهي موقع الذروة ، هي متوسط ​​مجموعة مقاطع حديد التسليح في التوزيع الغوسي المقابل. يمكن حساب قطر حديد التسليح من خلال المعادلة (1).

 

 

أين، d هو قطر حديد التسليح (مم) ، و μ هي قيمة الذروة من الرسم البياني وتحليل التوزيع غاوسي. عدد حديد التسليح للحجم المقابل هو عدد عينات المدرج التكراري ضمن نطاق المنطقة المقترح المقدم في الجدول 1. يتم تصنيف عينات المدرج التكراري في نطاق خارج أنواع حجم حديد التسليح المستنتج مسبقًا على أنها أخطاء تحدث أثناء معالجة الصورة. هذا موصوف بالتفصيل في قسم 4 من هذه الورقة.

 

الجدول 1. معيار حديد التسليح في KS D3504: 2021 [39] ونطاق المساحة المقترحة لتقدير الحجم.

 

معيار حديد التسليح في KS D3504: 2021 [39] ونطاق المساحة المقترحة لتقدير الحجم.

لأن صورة العينة المستخدمة في الشكل 3 يحتوي على نوعين من حديد التسليح ، تم إنشاء قمتين في تحليل التوزيع الغاوسي. تبلغ قيم x للقمتين ، μ1 و μ2 ، 73.5 مم 2 و 383.2 مم 2 ، على التوالي. يبلغ قطر نوعي حديد التسليح 9.7 ملم و 22.1 ملم على التوالي. بمعنى آخر ، يمكننا أن نؤكد أن نوعي حديد التسليح هما D10 و D22 حديد التسليح. بناءً على نطاق منطقة حديد التسليح المقترحة في الجدول 1، تم عد 724 حديد التسليح لـ D10 حديد التسليح ، وتم حساب 372 حديد التسليح لحديد التسليح D22.

 

تعكس المعايير الحالية تأخيرًا معينًا في تقدم التكنولوجيا في تصنيع المنتجات مع المتطلبات المتزايدة للمستخدمين. في حالة حديد التسليح ، لم يتم اعتماد معايير ISO على نطاق واسع حتى الآن ، ولا تزال المعايير الوطنية سائدة. في هذه الورقة ، المعايير الوطنية الكورية ، KS D3504: 2021 [39] ، لقيم القطر والمساحة وفقًا لحجم قضبان التسليح من أجل المقارنة الدقيقة للبيانات التي تم الحصول عليها ونتائج التحليل. لأن KS D3504: 2021 [39] يشير إلى المعايير الدولية ISO 3534-1: 2006 [40] ، والمعايير الوطنية الأمريكية ASTM A615 [41] ، تدوينات وأحجام حديد التسليح مماثلة للمعايير الدولية. يتم تصنيف حديد التسليح إلى 18 نوعًا ، من D4 إلى D57. تقدم المعايير بشكل كمي القطر الاسمي ومنطقة المقطع العرضي الاسمية لقضبان التسليح ، وبعضها مدرج في الجدول 1. هنا ، تم اقتراح متوسط ​​قيمة مساحة المقطع العرضي الاسمية لنوعين متتاليين من حديد التسليح كمنطقة تقديرية لتحديد حجم حديد التسليح الذي تم الحصول عليه من الصورة. على سبيل المثال ، تتراوح المساحة المقدرة لـ D13 من 99.0 إلى 162.6. هنا الحد الأدنى للقيمة 99.0 هو متوسط ​​قيمة مساحة D13 (126.7 ملم2) و D10 (71.33 ملم2) ، والحد الأقصى للقيمة 162.6 ملم2 هي متوسط ​​قيمة مساحة D13 (126.7 ملم2) و D16 (198.6 ملم2).

 

4. النتائج

 

4.1 التدريب والتقييم

 

في هذا القسم نقدم نتائج البحث. استخدمت أجهزة اختبار الخوارزمية وحدة معالجة الرسومات NVIDIA GeForce RTX 2080 Ti (GPU). يولاكت [42] لإنشاء نموذج قائم على CNN يمكنه تقسيم المقاطع العرضية لحديد التسليح والعلامات المتعددة في الصورة. نقل التعلم بناءً على الأوزان المدربة مسبقًا لمجموعة بيانات COCO [43] وتم إجراء زيادة البيانات القائمة على معالجة الصور. تم إجراء تعلم النقل أولاً على مجموعة بيانات كبيرة ، ثم تم استخدام الأوزان المدربة مسبقًا للتهيئة أو كمستخلصات ميزة ثابتة لمهمة مستهدفة جديدة لتحسين دقة التعلم. تم إجراء تعلم النقل في خطوتين: (1) يتم استخدام الأوزان المدربة مسبقًا على مجموعة بيانات COCO لتهيئة وحدات العمود الفقري والمعالجة اللاحقة. يتم بعد ذلك فقط تحسين معلمات الوزن الخاصة بوحدة المعالجة اللاحقة بناءً على مجموعة بيانات الإطار الفولاذي. (2) تتم استعادة معلمات الوزن للشبكة بأكملها ، ويتم ضبطها بدقة باستخدام نفس مجموعة البيانات.

 

تهدف زيادة البيانات إلى زيادة تنوع الصورة نفسها لجعل النموذج المدرب قويًا للصور التي تم الحصول عليها في بيئات مختلفة. تم تطبيق تقنيات السطوع والتكبير والوجه والدوران بشكل عشوائي 10 مرات بحيث يمكن تطبيق نفس التقنية بشكل متكرر حتى مرتين للصورة. تم تطبيق السطوع ضمن نطاق ± 40٪ بناءً على HSV (تدرج اللون والتشبع والقيمة) ، وتم تطبيق التكبير في نطاق 20٪ من الحد الأقصى للبكسل. تم تطبيق Flip ضمن نطاق 20٪ من الحجم الأفقي والرأسي ، على التوالي ، وتم تطبيق الدوران ضمن نطاق 360 درجة حول المركز. يتم حساب نسبة المساحة لعلامة poly قبل وبعد زيادة البيانات لهذه التقنيات ، باستثناء التكبير. إذا أصبحت النسبة أصغر من واحد ، فهذا يشير إلى تلف جزء من علامة بولي. وبالتالي ، يتم استبعاد هذه الصورة من مجموعة بيانات التدريب. الشكل 4 يظهر مثالا لكل أسلوب.

 

الرقم 4. يتم تطبيق زيادة البيانات على الصور.

 

الشكل 4. تطبيق زيادة البيانات على الصور.

 

تم تطبيق تقنية زيادة البيانات على 498 صورة لمجموعة بيانات التدريب المعدة مسبقًا ، وتم استخدام إجمالي 4668 صورة للتدريب النهائي. تم إجراء ما مجموعه 10,000 تكرار تدريب على مجموعة البيانات. الجدول 2 يسرد mAP (متوسط ​​الدقة) لكل 500 و 1000 و 5000 و 10,000 تكرار لفئتي حديد التسليح والعلامات المتعددة على عتبات IoU المختلفة ، من 0.5 إلى 0.95. في جميع نطاقات IoU ، تم الحصول على خرائط أكبر من أو تساوي 50 للصندوق والقناع في التكرار الألف. بعد ذلك ، تم الحصول على نموذج مع صندوق 1000 وقناع 52.21 في التكرار النهائي ، 52.83.

 

الجدول 2. mAP عن طريق التدريب القائم على YOLACT.

 

mAP عن طريق التدريب القائم على YOLACT.

 

4.2 تقدير حجم حديد التسليح ونتائج العد

 

الشكل 5 يقدم نتائج أربع صور عينة من مجموعة بيانات الاختبار لتقدير حجم حديد التسليح وعده. لكل صورة ، يتم سرد صورة التجزئة ، وهي ناتج نموذج التجزئة ، وصورة التماثل عن طريق الكشف عن الزاوية للعلامات المتعددة ، والمدرج التكراري ومؤامرة التوزيع الغاوسي بالتسلسل. الجدول 3 يعرض هذه النتائج. العدد الفعلي لحواجز التسليح هو عدد التعليقات التوضيحية التي تم تصنيفها من قبل الشخص.

 

الرقم 5. نتائج عينة من حديد التسليح. (a) عينة صورة على كومة من حديد التسليح من نوع واحد مأخوذة من زاوية مائلة. (b) عينة صورة على عينة كومة من حديد التسليح الموضحة في (a) مأخوذ من الاتجاه. (c) عينة صورة على كومة حديدية مثبت عليها علامة بولي صغيرة. (d) عينة صورة على كومة من نوعين من حديد التسليح.

 

نتائج عينة من حديد التسليح.

 

الجدول 3. تفاصيل عن نتائج العينات.

 

تفاصيل عن نتائج العينات.

 

الشكل 5أ ، ب هي صور تم التقاطها من نفس كومة حديد التسليح بحجم D13. الشكل 5أ هي الصورة المأخوذة من اتجاه مائل إلى اليمين ، و الشكل 5ب هي الصورة الملتقطة من الاتجاه الأمامي. المعلمات الجاوسية تعني μ والانحراف المعياري σ هما μ = 128.1 و σ = 10.7 بوصة الشكل 5أ وهي μ = 124.5 و σ = 7.8 بوصة الشكل 5ب. أقطار القضبان المحسوبة باستخدام μ هي 12.77 و 12.59 على التوالي ، ومعدلات الخطأ 1.7٪ و 3.1٪ على التوالي. وبالتالي ، فإن الانحراف المعياري لـ الشكل 5ب 2.9 أقل من الشكل 5ب. تؤكد هذه النتيجة أن الصورة المأخوذة من الاتجاه الأمامي لها توزيع منطقة أكثر استقرارًا.

 

الشكل 5يُظهر c كومة من حديد التسليح D16 ، ويبلغ حجم علامة poly حوالي 1/30 من حجم الصورة. وبالتالي ، فهي عينة صورة لحالة يكون فيها هدف التماثل صغيرًا جدًا. وبالمثل ، تم التعرف على ركن العلامة المتعددة في هذه العينة ، وتم إجراء التجانس بسلاسة. تم الحصول على نتيجة μ = 201.7 بحجم 16.03.

 

الشكل 6يُظهر b صورة تحتوي على نوعين من حديد التسليح ، D10 و D22. تم إنشاء ذروتين في الرسم البياني وتحليل التوزيع الغاوسي ، وتم الحصول على قيم μ1 = 76.1 و μ2 = 383.2. حجم كل نوع من أنواع حديد التسليح 9.85 و 22.09 على التوالي مما يدل على دقة التقدير.

 

الرقم 6. تحليل العينة خارج نطاق منطقة حديد التسليح. (a) تحليل الرسم البياني ونطاق الخطأ خارج نطاق منطقة حديد التسليح D13. (b) عينة حديد التسليح لوحظ في نطاق الخطأ.

 

تحليل العينة خارج نطاق منطقة حديد التسليح. (أ) تحليل الرسم البياني ونطاق الخطأ خارج نطاق منطقة حديد التسليح D13. (ب) عينة حديد التسليح لوحظ في نطاق الخطأ.

 

من بين أربع صور نموذجية ، الشكل 5يُظهر a أعلى خطأ في العد. وبالتالي ، تم إجراء تحليل على الكائنات خارج نطاق منطقة حديد التسليح في الشكل 5أ ، وهي حديد التسليح التي صنفت على أنها أخطاء. نطاق منطقة حديد التسليح لحديد التسليح D13 هو 99.0 مم 2−162.7 مم. ومن ثم ، إذا كانت مساحة المضلع المجزأة أصغر من 99.0 مم 2 أو أكبر من 162.7 مم 2 ، فلن يتم التعرف على حديد التسليح المقابل على أنه حديد التسليح D13 ، كما هو موضح الشكل 6a. الشكل 6يقدم b صورة تظهر فقط أشرطة حديد التسليح للصورة المتجانسة التي تقع في نطاق الخطأ. إذا كانت المساحة أكبر من 162.7 مم 2 ، فهذا يشير إلى أن حديد التسليح المتوقع قد حدث بسبب المسافة البادئة غير المتساوية. إذا كانت المساحة أصغر من 99.0 مم 2 ، فهذا يشير إلى أن جزءًا من حديد التسليح قد تم قطعه من حافة الصورة أو علامة بولي. من هذا التحليل ، تم الاستدلال على أنه يجب ترتيب كومة حديد التسليح بدقة لتقليل معدل حدوث خطأ العد ، أو أنه يجب التقاط الصورة بطريقة تضمن تضمين جميع أنواع حديد التسليح في الصورة.

 

الشكل 7 يعرض الصور التي لم يتم إجراء تقدير الحجم لها بشكل صحيح. الشكل 7يُظهر a حالة يتم فيها فصل علامة بولي عن حديد التسليح أو تكون مشوهة. في مثل هذه الحالات ، يمكن التعرف على علامة poly ، ولكن فشل اكتشاف الزاوية في معظم الحالات. حتى عندما نجح اكتشاف الزاوية ، لا يمكن إجراء التماثل بشكل صحيح. الشكل 7ب هي صورة يتم فيها قطع جزء من علامة بولي. على الرغم من إمكانية اكتشاف الزاوية ، يتم تطبيق التجانس بحجم غير صحيح لأنه تم ضبط حجم إدخال العلامة المتعددة على 6.5 سم × 9 سم مسبقًا. ل الشكل 7ج ، لا تتطابق اتجاهات حديد التسليح وعلامة poly لأن علامة poly لم يتم إرفاقها بشكل صحيح. في هذه الحالة ، بينما يتم إجراء التعرف على العلامات المتعددة ، واكتشاف الزاوية ، والتماثل بشكل صحيح ، لا يتم محاذاة المقطع العرضي لقضيب التسليح مع المنظر الأمامي. يؤدي هذا الاختلال في المحاذاة إلى اختلاف في المنطقة بسبب المنظور ، على الرغم من أن القضبان من نفس الحجم. وبالتالي ، يتم تقدير حجم حديد التسليح بشكل غير صحيح. لذلك ، لتطبيق تقنية تقدير الحجم التي تم تطويرها في هذه الدراسة ، يجب إرفاق علامة بولي غير مقطوعة أو مشوهة في الاتجاه المطابق لاتجاه قضبان التسليح.

 

الرقم 7. حالات الفشل في تقدير حجم حديد التسليح. (a) بولي العلامة منفصلة أو مشوهة. (b) تم قطع علامة بولي. (c) عدم تطابق الاتجاه.

 

حالات الفشل في تقدير حجم حديد التسليح

 

5. الاستنتاجات

 

تعتبر حديد التسليح مادة بناء مهمة في الهياكل الخرسانية المسلحة نظرًا لخصائصها الميكانيكية الرائعة بالإضافة إلى نسبة تكاليف البناء على الهيكل الكامل. في حين أن عد حديد التسليح اليدوي هو ممارسة شائعة في مواقع البناء ، فإنه ينطوي على العديد من العيوب: فهو كثيف الموارد البشرية ، ويستغرق وقتًا طويلاً ، وعرضة للخطأ ، وربما ضارة. في هذه الدراسة ، طور المؤلفون نظامًا آليًا لتقدير حجم وإحصاء عدد قضبان حديد التسليح في تعبئة البالات بناءً على تقنيات رؤية الكمبيوتر المستندة إلى CNN. تظهر نتائج هذا البحث ما يلي:

 

  • يمكن للطريقة المقترحة ، وهي نموذج CNN جنبًا إلى جنب مع التجانس ، تقدير حجم وعدد قضبان حديد التسليح في صورة ما بسرعة وبدقة ، ويمكن تطبيق الطريقة على مواقع البناء الحقيقية لإدارة مخزون حديد التسليح بكفاءة.
  • يمكن استخدام تطبيق صورة متجانسة عن طريق الكشف عن الزوايا للعلامات المتعددة بالإضافة إلى الرسم البياني ومؤامرة التوزيع الغاوسي لتقدير الحجم بشكل فعال وإحصاء عدد حديد التسليح من الصور ذات المنظورات المختلفة.
  • في هذه الدراسة ، تم وضع علامة يدويًا على 622 صورة تم التقاطها من زوايا مختلفة والتي تتضمن ما مجموعه 182,522 من حديد التسليح لإنشاء مجموعة البيانات. تم تنفيذ زيادة البيانات لإنشاء 4668 صورة لمجموعة بيانات التدريب. بناءً على مجموعة بيانات التدريب ، تم إنشاء تقدير حجم شريط فولاذي قائم على YOLACT ونموذج عد مع صندوق وقناع يزيدان عن 30 mAP لتلبية هدف هذه الدراسة.
  • بينت نتائج الاختبار أن الحد الأقصى لمعدل الخطأ لتقدير الحجم وحساب عدد حديد التسليح في صورة ما كان 3.1٪ و 9.6٪ على التوالي. كانت معظم الأخطاء الموضحة في هذه الدراسة ناتجة عن صور حديد التسليح التي قُطعت حوافها أو عانت من فجوات غير متساوية.

 

بينما تُظهر الطريقة المقترحة في هذه الدراسة مستوى أداء مقبولاً ، يجب تحسين معدل الخطأ في تقدير الحجم وحساب عدد قضبان الصلب للتطبيقات العملية لمواقع البناء الحقيقية المعقدة. علاوة على ذلك ، يجب توسيع تطبيق الطريقة المقترحة ، على سبيل المثال ، إلى عارضة H ، والقنوات ، والزوايا ، والأنابيب من أجل إدارة مواد البناء بكفاءة في مواقع البناء.

 

الكاتب الاشتراكات

 

المفاهيم YS و SH (Sekojae Heo) و JK ؛ معالجة البيانات YS و SH (Sehee Han) ؛ التحليل الرسمي YS و SH (Sekojae Heo) و SN ؛ المنهجية YS و SH (Sekojae Heo) و JK ؛ اقتناء التمويل SH (Sekojae Heo) ؛ كتابة المسودة الأصلية YS و SN ؛ إدارة المشروع SH (Sekojae Heo) و SN ؛ مراجعة الكتابة وتحريرها SH (Sehee Han) و SN لقد قرأ جميع المؤلفين النسخة المنشورة من المخطوطة ووافقوا عليها.

 

التمويل:

 

تم دعم هذا العمل من خلال منحة المؤسسة الوطنية للبحوث في كوريا (NRF) الممولة من وزارة التعليم التابعة للحكومة الكورية (رقم NRF-2018R1A6A1A07025819 و NRF-2020R1C1C1005406).

 

بيان توافر البيانات

 

تم تضمين البيانات المستخدمة لدعم نتائج هذا البحث في المقالة. علاوة على ذلك ، فإن بعض البيانات الواردة في هذه المقالة مدعومة بالمراجع المذكورة في الورقة. إذا كان لديك أي استفسارات بخصوص البيانات ، فستكون بيانات هذا البحث متاحة من المراسلات عند الطلب.

 

مراجع

 

  1. ماكجريجور ، جي جي ؛ ايت ، كيه الخرسانة المسلحة: الميكانيكا والتصميم، الطبعة السادسة ؛ برنتيس هول أبر: سادل ريفر ، نيوجيرسي ، الولايات المتحدة الأمريكية ، 6 ؛ المجلد 1997. [الباحث العلمي من Google]
  2. نا ، س. Paik ، I. تطبيق بيانات الصورة الحرارية للكشف عن تآكل حديد التسليح في الهياكل الخرسانية. تطبيق ورقة. الخيال العلمي. 20199، 4700. [الباحث العلمي من Google] [CrossRef]
  3. Kmiecik ، ص. Kamiński، M. تم أخذ نمذجة الهياكل الخرسانية المسلحة والهياكل المركبة مع تدهور قوة الخرسانة في الاعتبار. قوس. سيف. ميكانيكي. م. 201111، 623 – 636. [الباحث العلمي من Google] [CrossRef]
  4. Kaming ، PF ؛ Olomolaiye ، PO ؛ هولت ، جي ؛ Harris، FC العوامل التي تؤثر على وقت البناء وتجاوز التكاليف في المشاريع الشاهقة في إندونيسيا. كونستر. ماناج. اقتصاد. 199715، 83 – 94. [الباحث العلمي من Google] [CrossRef]
  5. دوجال ، SK مواد بناء؛ روتليدج: لندن ، المملكة المتحدة ، 2017. [الباحث العلمي من Google]
  6. كودور ، ف. Harmathy، T. خصائص مواد البناء. في كتيب SFPE لهندسة الحماية من الحرائق؛ سبرينغر: شام ، سويسرا ، 2016 ؛ ص 277 - 324. [الباحث العلمي من Google]
  7. ألين ، إي. إيانو ، ج. أساسيات تشييد المباني: المواد والطرق؛ John Wiley & Sons: Hoboken ، NJ ، الولايات المتحدة الأمريكية ، 2019. [الباحث العلمي من Google]
  8. كيم ، م.ك. ثيدجا ، JPP ؛ تشي ، H.-L. ؛ لي ، د. تصنيف قطر حديد التسليح الآلي باستخدام التعلم الآلي القائم على البيانات السحابية. آلي. كونستر. 2021122، 103476. [الباحث العلمي من Google] [CrossRef]
  9. تشانغ ، د. شيه ، زي. وانج ، سي. تحسين صورة مقطع الشريط وطريقة تحديد الموضع في نظام عد قضبان الصلب على الإنترنت ونظام الفصل التلقائي. في وقائع مؤتمر 2008 حول معالجة الصور والإشارات ، واشنطن العاصمة ، الولايات المتحدة الأمريكية ، 27-30 مايو 2008 ؛ معهد مهندسي الكهرباء والإلكترونيات (IEEE): بيسكاتواي ، نيوجيرسي ، الولايات المتحدة الأمريكية ، 2008 ؛ المجلد 2 ، ص 319 - 323. [الباحث العلمي من Google]
  10. تشو ، واي. تانغ ، سي ؛ ليو ، ح. Huang، P. End-Face Localization and Segment of Steel Bar بناءً على شبكة الالتفاف العصبية. وصول IEEE 20208، 74679 – 74690. [الباحث العلمي من Google] [CrossRef]
  11. ينج ، إكس ؛ وي ، العاشر ؛ بي شين ، واي. تشينغ دا ، H. Chang-Hai، C. البحث عن طريقة العد التلقائي لصورة قضبان الصلب. في وقائع المؤتمر الدولي 2010 حول الهندسة الكهربائية وهندسة التحكم ، واشنطن العاصمة ، الولايات المتحدة الأمريكية ، 25-27 يونيو 2010 ؛ معهد مهندسي الكهرباء والإلكترونيات (IEEE): بيسكاتواي ، نيوجيرسي ، الولايات المتحدة الأمريكية ، 2010 ؛ ص 1644 - 1647. [الباحث العلمي من Google]
  12. هيرنانديز رويز ، أ. Martínez-Nieto، JA؛ Buldain-Pérez، JD Steel Bar العد من الصور باستخدام التعلم الآلي. الإلكترونيات 202110، 402. [الباحث العلمي من Google] [CrossRef]
  13. شيا ، واي ؛ شي ، العاشر ؛ سونغ ، جي ؛ جينغ ، س. Liu ، Y. نحو تحسين جودة طريقة عد المركبات القائمة على الفيديو لتقدير تدفق حركة المرور. عملية الإشارة. 2016120، 672 – 681. [الباحث العلمي من Google] [CrossRef]
  14. سينداجي ، فيرجينيا ؛ Patel ، VM مسح للتطورات الحديثة في حساب حشد الصورة المفردة المستند إلى CNN وتقدير الكثافة. التعرف على الأنماط. بادئة رسالة. 2018107، 3 – 16. [الباحث العلمي من Google] [CrossRef]
  15. الشمس ، م ؛ وانغ ، واي. أشعل.؛ Lv ، J. ؛ وو ، ج. عد المركبات في المشاهد المزدحمة مع الشبكات العصبية التلافيفية متعددة القنوات والمهام. ياء فيس. كومون. تمثيل الصورة. 201749، 412 – 419. [الباحث العلمي من Google] [CrossRef]
  16. شين ، ياء ؛ شيونغ ، إكس ؛ Xue ، Z. ؛ بيان ، واي.نموذج عد المشاة المستند إلى الشبكة العصبية التلافيفي للعديد من المشاهد المزدحمة. حاسوب. بمساعدة سيف. البنية التحتية. م. 201934، 897 – 914. [الباحث العلمي من Google] [CrossRef]
  17. أسدي ، ص. جيندي ، م. ألفاريز ، م. نهج قائم على التعلم الآلي للكشف التلقائي عن حديد التسليح والقياس الكمي للتدهور في صور سطح الجسر الخرساني المخترق للرادار ب. KSCE J. Civ. م. 201923، 2618 – 2627. [الباحث العلمي من Google] [CrossRef]
  18. وانغ ، سي. تشانغ ، هـ. يانغ ، إل. ليو ، إس. كاو ، العاشر. أشخاص عميقون يعدون في حشود شديدة الكثافة. في وقائع المؤتمر الدولي الثالث والعشرين للـ ACM حول الوسائط المتعددة ، بريسبان ، أستراليا ، 23-26 أكتوبر 30 ؛ جمعية ماكينات الحوسبة: نيويورك ، نيويورك ، الولايات المتحدة الأمريكية ، 2015 ؛ ص 2015 - 1299. [الباحث العلمي من Google]
  19. ميكولاينن ، ر. ليانغ ، ياء ؛ ميرسون ، إي. روال ، أ. فينك ، د. فرانكون ، أو. راجو ، ب. شهرزاد ، هـ. نافروزيان ، أ. دافي ، ن. وآخرون. تطور الشبكات العصبية العميقة. في الذكاء الاصطناعي في عصر الشبكات العصبية وحوسبة الدماغ؛ إلسفير: أمستردام ، هولندا ، 2019 ؛ ص 293 - 312. [الباحث العلمي من Google]
  20. سام ، دي بي ؛ سوريا ، إس. بابو ، RV تبديل الشبكة العصبية التلافيفية لعد الجماهير. في وقائع مؤتمر IEEE 2017 حول رؤية الكمبيوتر والتعرف على الأنماط (CVPR) ، هونولولو ، هاي ، الولايات المتحدة الأمريكية ، 21-26 يوليو 2017 ؛ ص 4031-4039. [الباحث العلمي من Google]
  21. إلياس ، ن. شهزاد ، أ. Kim، K. Convolutional-Neural Network-Based Image Crowd Counting: Review، Categorization، Analysis and Performance Evaluation. أجهزة الاستشعار 201920، 43. [الباحث العلمي من Google] [CrossRef] [مجلات]
  22. لي ، واي. تشانغ ، العاشر ؛ Chen، D. CSRNet: توسيع الشبكات العصبية التلافيفية لفهم المشاهد شديدة الازدحام. في وقائع مؤتمر IEEE / CVF لعام 2018 حول رؤية الكمبيوتر والتعرف على الأنماط ، سالت ليك سيتي ، يوتا ، الولايات المتحدة الأمريكية ، 18-23 يونيو 2018 ؛ ص 1091-1100. [الباحث العلمي من Google]
  23. جمعة أ. عبد الوهاب ، م. أبو زهاد ، م. مينيماتسو ، تي. تانيجوتشي ، R.-I. خوارزمية قوية للكشف عن المركبات والعد باستخدام شبكة عصبية التفافية وتدفق بصري. أجهزة الاستشعار 201919، 4588. [الباحث العلمي من Google] [CrossRef]
  24. الكاكي ، S. صفائي ، ن. فام ، هـ. Wang، L. Wheatnet: شبكة عصبية تلافيفية خفيفة الوزن للكشف عن رؤوس القمح وإحصائها على أساس الصورة عالية الإنتاجية. arXiv 2021، arXiv: 2103.09408. [الباحث العلمي من Google]
  25. والاك ، إي. Wolf، L. تعلم العد مع تعزيز CNN. في المؤتمر الأوروبي للرؤية الحاسوبية؛ سبرينغر: شام ، سويسرا ، 2016. [الباحث العلمي من Google]
  26. عبد الوهاب ، ماجستير نهج دقيق لعد المركبات على أساس الشبكات العصبية العميقة. في وقائع المؤتمر الدولي لعام 2019 حول الاتجاهات المبتكرة في هندسة الكمبيوتر (ITCE) ، أسوان ، مصر ، 2-4 فبراير 2019 ؛ معهد مهندسي الكهرباء والإلكترونيات (IEEE): بيسكاتواي ، نيوجيرسي ، الولايات المتحدة الأمريكية ، 2019 ؛ ص 1 - 5. [الباحث العلمي من Google]
  27. تشونغ ، ياء ؛ كيم ، جي ؛ Sohn، K. قابلية نقل الشبكة العصبية التلافيفية (CNN) لقياس كثافة المرور. الإلكترونيات 202110، 1189. [الباحث العلمي من Google] [CrossRef]
  28. مروحة ، Z. ؛ لو ، ياء ؛ كيو ، ب. ؛ جيانغ ، تي. أن ، ك. جوزيفراج ، ن. وي ، سي. عد الأشرطة الفولاذية الآلي والتوطين المركزي مع الشبكات العصبية التلافيفية. arXiv 2019، arXiv: 1906.00891. [الباحث العلمي من Google]
  29. لي ، واي. لو ، واي. تشن ، ج. نهج التعلم العميق لحساب حديد التسليح في الوقت الفعلي في موقع البناء استنادًا إلى كاشف YOLOv3. آلي. كونستر. 2021124، 103602. [الباحث العلمي من Google] [CrossRef]
  30. دوبروفسكي ، إي. تقدير Homography. ديبلوموفا برايس؛ Univerzita Britské Kolumbie: فانكوفر ، كولومبيا البريطانية ، كندا ، 2009 ؛ المجلد 5 ، متاح على الإنترنت: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.186.5926&rep=rep1&type=pdf (تم الوصول إليه في 1 سبتمبر 2021).
  31. ديتون ، د. Malisiewicz، T .؛ رابينوفيتش ، أ. تقدير تجانس للصورة العميقة. arXiv 2016، arXiv: 1606.03798. [الباحث العلمي من Google]
  32. Sukthankar ، ر. ستوكتون ، RG ؛ Mullin، MD عروض أكثر ذكاءً: استغلال التماثل في أنظمة كاميرا البروجيكتور. في وقائع المؤتمر الدولي الثامن IEEE حول رؤية الكمبيوتر ، ICCV 2001 ، فانكوفر ، كولومبيا البريطانية ، كندا ، 7-14 يوليو 2001 ؛ معهد مهندسي الكهرباء والإلكترونيات (IEEE): بيسكاتواي ، نيوجيرسي ، الولايات المتحدة الأمريكية ، 2002. [الباحث العلمي من Google]
  33. بنهيمان ، س. Malis، E. كثافة العمليات J. روبوت. الدقة. 200726، 661 – 676. [الباحث العلمي من Google] [CrossRef]
  34. ماليس ، إي. فارغاس ، م. فهم أعمق لتحليل Homography من أجل التحكم القائم على الرؤية. INRIA. 2007. متاح على الإنترنت: https://hal.inria.fr/inria-00174036/ (تم الوصول إليه في 1 سبتمبر 2021).
  35. الباوي ، س. محمد ع. الزاوي ، س. فهم الشبكة العصبية التلافيفية. في وقائع المؤتمر الدولي للهندسة والتكنولوجيا (ICET) لعام 2017 ، أنطاليا ، تركيا ، 21-23 أغسطس 2017 ؛ ص 1 - 6. [الباحث العلمي من Google]
  36. لورانس ، إس. جايلز ، سي إل ؛ تسوي ، أس ؛ العودة ، AD التعرف على الوجه: نهج الشبكة العصبية التلافيفية. IEEE Trans. العصبية Netw. 19978، 98 – 113. [الباحث العلمي من Google] [CrossRef] [مجلات]
  37. لين ، العاشر ؛ تشاو ، سي ؛ Pan، W. نحو شبكة عصبية تلافيفية ثنائية دقيقة. arXiv 2017، arXiv: 1711.11294. [الباحث العلمي من Google]
  38. راسل ، كولومبيا البريطانية ؛ تورالبا ، أ. ميرفي ، كي بي ؛ فريمان ، WT LabelMe: قاعدة بيانات وأداة قائمة على الويب لتعليقات الصور. كثافة العمليات J. كومبوت. فيس. 200877، 157 – 173. [الباحث العلمي من Google] [CrossRef]
  39. الوكالة الكورية للتكنولوجيا والمعايير. KS D 3504: 2021 قضبان حديدية لتقوية الخرسانة؛ المعايير والشهادات الكورية: سيول ، كوريا ، 2021. [الباحث العلمي من Google]
  40. المنظمة الدولية للمقاييس. ISO 3534-1: إحصائيات 2006 - المفردات والرموز - الجزء 1: المصطلحات الإحصائية العامة والمصطلحات المستخدمة في الاحتمالية؛ المنظمة الدولية للتوحيد القياسي: جنيف ، سويسرا ، 2016. [الباحث العلمي من Google]
  41. معايير ASTM. ASTM A615 / A615M-20: المواصفات القياسية لقضبان الصلب الكربوني المشوهة والعادية لتقوية الخرسانة؛ معايير ASTM: West Conshohocken ، PA ، الولايات المتحدة الأمريكية ، 2020. [الباحث العلمي من Google]
  42. بوليا ، د. تشو ، سي ؛ شياو ، ف. Lee ، YJ Yolact: تجزئة المثيلات في الوقت الفعلي. في وقائع المؤتمر الدولي لعام 2019 IEEE / CVF حول رؤية الكمبيوتر (ICCV) ، سيول ، كوريا ، 27 أكتوبر - 2 نوفمبر 2019. [الباحث العلمي من Google]
  43. لين ، T.-Y. ؛ ماير ، م. Belongie ، S. هايز ، ياء ؛ بيرونا ، ص. رامانان ، د. دولار ، ص. Zitnick، CL Microsoft COCO: الكائنات المشتركة في السياق. في رؤية الكمبيوتر- ECCV 2014؛ الأسطول ، D. ، Pajdla ، T. ، Schiele ، B. ، Tuytelaars ، T. ، Eds. ؛ سبرينغر: شام ، سويسرا ، 2014. [الباحث العلمي من Google]

 

تم نشر هذه المقالة في الأصل من قبل المرخص له MDPI ، بازل ، سويسرا ، في 09 أكتوبر 2021 ، وتم إعادة نشره وفقًا لـ Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International Public License. يمكنك قراءة المقال الأصلي هنا . الآراء المعبر عنها في هذا المقال هي آراء المؤلف وحده وليست WorldRef.

 


استكشف خدمات WorldRef لتتعلم كيف نجعل توسعك العالمي أسهل وأكثر اقتصادا!

الطاقة الحرارية والتوليد المشترك | التعدين والمعادن | التحكم في تلوث الهواء | أنظمة مناولة المواد | معالجة المياه والصرف الصحي | قطع الغيار والأدوات والمواد الاستهلاكية |  حلول محطة توليد الكهرباء | معالجة الصلب والمعادن