判断一个数除以另一个数_AI数钢筋，人工智能的下一个蓝海应用-CSDN博客

本文链接：https://blog.csdn.net/weixin_39529302/article/details/112630550

最近，国内某上市公司出了一道“钢筋数量AI识别”的比赛赛题，该赛事由DataFoutain充当全程赛事顾问，奖金金额100万。原以为这个比赛会无人问津，但令人没有想到的是，它竟然吸引了1617支队伍、1801名选手参赛。

AI数钢筋原来这么火？

从超长大桥，到超高层建筑，再到钢筋混凝土的城市，不管是工业用还是民用，钢筋已然成为建筑行业中最不可或缺的基本材料之一。有数据显示，中国钢筋年产量现已超过2亿吨，2017年建筑业的总产值超过21万亿元，而其中钢铁在建筑材料中所占的造价基本上达到了20%-30%。然而，虽然钢筋好用，但在真正运用过程中，却有一个问题始终困扰着从业者：

一般而言，在钢筋的生产、运输、销售等环节，无论是入库还是出售，无论是对钢铁企业、钢筋销售商还是钢筋购买方而言，为了减少可能的经济风险和纠纷，每个环节都必须精确计算钢筋根数，而这可苦了数钢筋的那一群工人师傅。以钢筋进入施工工地为例，钢筋运输车辆进入工地后，一般需要对钢筋数目进行人工统计，由项目部材料员、劳务队材料员、供货方三方挨捆清点数量，并用不同颜色的彩笔标记区分已计数和未计数的钢筋，不仅消耗人力，而且过程繁琐、枯燥，工作人员长时间高度紧张，极易产生精神疲劳，并导致误差难免，因此，需要经常反复校对，一般数完一车钢筋要近半小时，一次进场多车清点就要好几个小时。

市场上迫切需要一款快速、精度高、易操作、适用性强的钢筋(本文特指成捆钢筋)计数产品。

前机器视觉时代

实际上，钢筋计数是一个很早便有的市场需求，据称在20世纪70年代，生产线上就开始应用一些机械手进行分拣计数的设备。不过由于小直径钢筋难以分开，加之故障率比较高，这种方法已经过时。类似的，轧钢生产线上也尝试过利用光电管和脉冲传感器进行自动计数，但效果都不好，原因主要有两个：一是钢筋生产线周边环境十分恶劣，在长期高温、强光、粉尘等因素的影响下，光电管的敏感度迅速老化，不精准；二是因为光电管计数只能单根单根地计数，一旦钢筋发生重叠或交叉，就可能导致少计、漏计的现象。

另外，对于成捆钢筋，也有人尝试利用重量传感器的方法来计数，该方法看似可行，因为同类型钢筋都有着相同的国家标准，理论上应该是有一个重量与长度与根数的换算公式的，但由于钢厂为了经济利益，一般会尽可能采用负公差生产，而且负公差受工艺影响也不恒定，因此，采用重量传感器的方法也难以满足需求。

视觉技术时代

计算机视觉技术发展得其实也很早，其大概起源于20世纪50年代，但该技术用于棒材计数却要稍晚一点。其实上，墨客星球在爱学术平台上发现最早到1995年，国内开始有人用计算机视觉来做成捆钢筋的计数研究。据了解，成捆钢筋的端面照片一般会存在严重的粘连现象，而这便是成捆钢筋计数的最大难点之一。2009年，国内有学者发布《基于神经网络的钢筋计数方法研究》论文中，该论文认为当时基于图像的钢筋计数方法主要有基于面积法的钢筋计数系统和基于模版的钢筋计数系统。

基于模版的钢筋计数方法：该方法认为虽然钢筋端面图形极不规则，但从无规则的图像中还是可以找到一定的规则性，即每根钢筋截面或大或小但因钢筋的刚性，其所占的面积或者空间范围却是比较相近的。设想为某一规格的钢筋选取一个与实际钢筋形状和大小相似的模板，把模板依次覆盖在每一根钢筋截面图像上，每覆盖一次计一次数。

基于面积的钢筋计数方法：该方法同样需要先将钢筋截面预处理成下图的样子，计算轮廓面积以及轮廓数，得到单个轮廓的平均面积。然后将当前目标轮廓面积与平均值进行比较，如果目标轮廓面积大于平均值，则代表着这里可能有多根钢筋。如果目标轮廓面积小于平均值且大于平均值的几分之几，则代表只有一根钢筋。

不过，《基于神经网络的钢筋计数方法研究》也对这两种方法进行了总结：

这两种方法都有一定的可行性，但也存在着一定的缺陷。面积法计数结果并不易于在计数的结果图像中直观地显示出来，不易对计数结果的优劣做出评判，一旦出现误差，不易找出错误的原因。模版匹配法对模板和目标物的形状有较大的依赖，自适应能力较低。

当然，在深度学习之前，市面上也还有不少别的基于图像的计数方法，为此，墨客星球也采访了上述“钢筋数量AI识别”比赛上海站的冠军项目负责人徐福先生，该比赛的基准线为0.99，而他的作品识别率达到了0.99385900。徐先生告诉墨客星球，以前的方法他虽然没有做过，但总的来说他们的问题都在于适应性太差。“它也与在一种钢筋下工作得很好，但换一种可能就不行了，甚至换个工作环境都会有很大的影响。”徐先生如此表示。

而该观点也得到了大赛出题方的认可，“钢筋尺寸不一且截面形状不规则、颜色不一，拍摄的角度、距离也不完全受控，这也导致传统算法在实际使用的过程中效果很难稳定。”在比赛介绍中，出题方如此写到。

深度学习时代

深度学习其实也并不是什么新技术，但直到2012年，有团队运用深度学习技术，将图像辨识率大大提升到85％，才终于让世人见识到了该技术的巨大潜力与应用价值，随后，基于深度学习的项目如春笋般快速涌现。如今，基于深度学习，机器已经在人脸识别等领域超越了人类，而谷歌的AlphaGo甚至还打败了人类围棋冠军。

因此，利用深度学习解决钢筋计数的传统问题，便成了上述比赛自然而然的选择。

“相较于传统方法适应性太差的问题，深度学习的适应性强多了，而且准确率更高。”徐先生十分看好深度学习在钢筋计数领域的应用，他认为，不同钢筋、不同环境、不同光线、不同角度，只要训练样本够，训练方法好，这些都不是问题。

据了解，本次比赛仅在上海赛区得分数超过该赛题基准线(0.99)的队伍数量就有28支。

不过，图像深度学习方法虽然理论可行，但至少在现阶段，该方案离真正落地可能还有相当长的距离。

“深度学习本身就意味着需要海量的标记数据用以训练，再考虑到各个钢筋截面形状、状态、颜色、光线等存在巨大差异，需要的标记数据只会更多。因此，深度学习方案的适应性在短期内不会太好。”伟景智能销售副总杜剑波如此告诉墨客星球。

实际上，徐先生对此也有着类似的看法。虽然从比赛的结果来看，似乎是分分钟就能达到99%的准确率，但这个准确率在实际应用中并不容易达到。

“目前目标检测的方法主要分为两类，一类是单阶段(1 stage)的，另一类是双阶段(2 stage)的。简单来说它们的区别就是单阶段的速度快，需要的运算量小，但准确率较低；而双阶段的速度慢，需要的运算量大，但精度高。而分分钟达到99%的准确率是指的双阶段的检测方法，单阶段的方法是没有那么容易达到这个准确度的，在比赛中都很难，更不用说在移动端实际落地了，而不幸的是，一般情况下实际落地需要的是单阶段的检测方法。”对此，徐先生认为只有云端计算、5g网络或者移动端硬件性能进步这三条路径才有可能令双阶段的方法落地。

而且值得一提的是，99%的准确率在徐先生看来也是不足以支持实际应用的。“这意味着还有1%的误差，意味着还需要人工去校准。”徐先生认为只有达到了千分之三甚至千分之一，才可以不用人工校准，方便性和实用性才会大大增加。

而要实现这个目标可不容易。“对于比赛来说最难的就是大家都0.99起步，但之后每进步0.0001都非常困难。比如对我而言，最难的地方在于钢筋识别比较典型的密集小目标识别，目标较小，同时存在目标模糊，过暗过亮，边缘遮挡严重等情况，有时候甚至肉眼都很难分辨。”徐先生如此表示。

其他方法

深度学习离实际落地还有相当长的距离，那是否意味着钢筋计数还得继续靠人苦逼哄哄地一根一根地数呢？

杜剑波告诉墨客星球，伟景智能其实已经找到了一种不用标记数据与训练的钢筋计数的方法。而且无论钢筋截面是什么形状、是否生锈和腐蚀、是否有杂物、是否颜色不同、是否有吸光和反光、都可以高速高准确率地计数。据称100根钢筋人工数需要5分钟，而使用伟景智能方案5s就可生成数据结果，而准确率更是可达99.9%。