Método de estimación y recuento del tamaño de las barras de refuerzo de acero basado en imágenes

Trabajo de investigaciónAcero

Compartir es demostrar interés

4 de febrero de 2022.

El método propuesto, que es un modelo CNN combinado con homografía, puede estimar el tamaño y contar la cantidad de barras de refuerzo de acero en una imagen de manera rápida y precisa, y el método desarrollado puede aplicarse a sitios de construcción reales para administrar de manera eficiente el stock de barras de acero. .

 

By yoonsoo-shin

Departamento de Ingeniería Arquitectónica, Facultad de Ingeniería, Universidad de Dankook, Corea

Y Sekojae Heo

Departamento de Ingeniería Arquitectónica, Facultad de Ingeniería, Universidad de Dankook, Corea

Y sehee han

Departamento de Ingeniería Arquitectónica, Facultad de Ingeniería, Universidad de Dankook, Corea


 

Resumen

 

Convencionalmente, los trabajadores cuentan manualmente la cantidad de barras de refuerzo de acero en los sitios de construcción. Sin embargo, esta práctica da lugar a varios problemas: es lenta, requiere muchos recursos humanos, requiere mucho tiempo, es propensa a errores y no es muy precisa. En consecuencia, es necesario desarrollar un nuevo método para contar de forma rápida y precisa las barras de refuerzo de acero con un número mínimo de trabajadores para mejorar la eficiencia del trabajo y reducir los costos de mano de obra en las obras de construcción. En este estudio, los autores desarrollaron un sistema automatizado para estimar el tamaño y contar la cantidad de barras de refuerzo de acero en el empaque de pacas utilizando técnicas de visión por computadora basadas en una red neuronal convolucional (CNN). Se estableció un conjunto de datos que contiene 622 imágenes de barras de refuerzo con un total de 186,522 409 secciones transversales de barras de refuerzo y 1920 etiquetas poli para segmentación de barras de refuerzo y etiquetas poli en imágenes. Las imágenes se recopilaron en una resolución Full HD de 1080 × 512 píxeles y luego se recortaron en el centro a 512 × 4668 píxeles. Además, se llevó a cabo un aumento de datos para crear 30 imágenes para el conjunto de datos de entrenamiento. Con base en el conjunto de datos de entrenamiento, se generó una estimación del tamaño de la barra de acero basada en YOLACT y un modelo de conteo con una caja y una máscara de más de XNUMX mAP para satisfacer el objetivo de este estudio. El método propuesto, que es un modelo CNN combinado con homografía, puede estimar el tamaño y contar la cantidad de barras de refuerzo de acero en una imagen de forma rápida y precisa, y el método desarrollado puede aplicarse a sitios de construcción reales para administrar de manera eficiente el stock de barras de acero. .

 

1. Introducción

 

El hormigón armado es el material estructural predominantemente utilizado en muchos países debido a sus métodos de construcción relativamente simples; su rendimiento superior de resistencia al fuego; la disponibilidad de sus componentes, incluidas las barras de refuerzo, los agregados, el agua y el cemento; y su viabilidad económica, en comparación con otras formas de construcción [1,2,3]. El concreto tiene características únicas; es fuerte en cargas de compresión pero débil en resistencia a la tracción. Debido a estas características, la excesiva resistencia a la tracción del hormigón da lugar al desarrollo de grietas en la superficie de las estructuras de hormigón. Para superar este bajo rendimiento, se proporciona refuerzo para el hormigón mediante barras o alambres de acero incrustados durante la colada del hormigón. En particular, la barra de refuerzo de acero se usa comúnmente para el refuerzo del concreto ya que el coeficiente de expansión térmica del concreto y el acero es casi igual, y la deformación o tensión tanto del concreto como de la barra de acero es casi la misma para evitar que las barras de acero se deslicen. hormigón. El trabajo de hormigón representa alrededor del 23% del costo de construcción de un edificio. Además, el costo del material de las barras de refuerzo de acero constituye aproximadamente el 28% del costo total del material del trabajo de concreto [4,5,6,7]. En consecuencia, las barras de refuerzo de acero son un material de construcción importante en estructuras de hormigón armado debido a sus excelentes propiedades mecánicas y su proporción de costos de construcción sobre la estructura completa.

 

En general, las barras de acero se fabrican en acerías y se transportan a las obras de construcción en fardos. Según estudios previos [8,9,10,11,12], el número de barras de acero debe contarse en el empaque de pacas antes de que salgan de la fábrica y después de que lleguen al sitio de construcción. Sin embargo, la práctica de cuantificar las barras de refuerzo de acero en Corea del Sur se mide por peso en las acerías para mejorar la velocidad y la eficiencia de su envío. Las barras de refuerzo de acero transportadas por peso desde los fabricantes de un centro de distribución se almacenan en el sitio de construcción. En el sitio de construcción, las barras de refuerzo de acero se llevan a un taller de procesamiento de barras de refuerzo luego de que los trabajadores cuenten la cantidad requerida. Si bien el conteo manual de barras de refuerzo es una práctica común en los sitios de construcción, conlleva varios inconvenientes: requiere muchos recursos humanos, requiere mucho tiempo y es propenso a errores, y podría causar lesiones. En particular, es uno de los materiales de construcción más peligrosos del sitio; pueden causar heridas punzantes y tétanos, dado que la forma de estas varillas de acero es alargada y afilada en los extremos. En consecuencia, se debe desarrollar un nuevo método mediante el cual las barras de refuerzo de acero se puedan contar de forma rápida y precisa con un número mínimo de trabajadores para mejorar la eficiencia del trabajo y reducir los costos de mano de obra en el sitio de construcción.

 

En este estudio, los autores desarrollaron un sistema automatizado para estimar el tamaño y contar las barras de refuerzo de acero en el empaque de pacas utilizando técnicas de visión por computadora basadas en una red neuronal convolucional (CNN). La técnica desarrollada genera un modelo CNN para segmentar barras de acero y etiquetas de polietileno del empaque de fardos y otro para convertir imágenes con diferentes tamaños y perspectivas en imágenes con la misma vista frontal mediante la aplicación de homografía. Para generar el modelo CNN, se tomaron las secciones transversales de las barras de refuerzo de acero desde varios ángulos y perspectivas, y se llevó a cabo un aumento de datos para crear varios entornos. El modelo CNN, entrenado con 622 imágenes con anotaciones, puede extraer coordenadas poligonales al segmentar imágenes transversales del conjunto de datos de las barras de refuerzo de acero. Además, el área del polígono de las barras de refuerzo de acero se convirtió en el área escalada real mediante aplicaciones de la matriz de homografía calculada durante la operación de homografía para segmentar las coordenadas del polígono de la etiqueta de polietileno en el empaque de la barra de acero. Esperamos que la aplicación de este sistema permita no solo mejorar la eficiencia de la gestión de materiales de construcción, sino también reducir los costos de mano de obra en el conteo de barras de acero. El resto de este documento se compone de la siguiente manera: Sección 2 revisa brevemente los estudios relevantes en términos de investigación de conteo sobre aprendizaje automático y técnicas de visión por computadora. Sección 3 se ocupa del método de investigación general para segmentar y contar el número de barras de refuerzo de acero. Los resultados de la prueba se muestran en Sección 4. En la sección final, se presentan las conclusiones y limitaciones de este estudio para ser abordadas en futuras investigaciones.

 

2. Trabajos relacionados

 

Convencionalmente, contar el número de varios objetos se basa en el conteo hecho a mano o en el cálculo manual por parte de los humanos. Sin embargo, esta práctica conlleva varios problemas: es lenta, requiere muchos recursos humanos, consume mucho tiempo, es propensa a errores y no es muy precisa [13,14,15,16,17]. Recientemente, el aprendizaje automático (ML), un tipo de inteligencia artificial, ha surgido como un método alternativo para hacer frente a estos desafíos [18,19,20]. En particular, el éxito de la Red Neural Convolucional (CNN) en muchas áreas de investigación se ha utilizado por sus excelentes capacidades para detectar y segmentar objetos a partir de imágenes visuales [16,21,22,23,24]. Además, la capacidad de la CNN para aprender funciones no lineales a partir de imágenes ha sido crucial para contar varios objetos de múltiples objetos en imágenes. En consecuencia, las técnicas de CNN, como la clasificación de imágenes, la detección de objetos y la segmentación de instancias, que tratan con objetos en una imagen, con desarrollos de modelos y algoritmos en combinación con técnicas de procesamiento de imágenes, se han utilizado para contar objetos.

 

El conteo de multitudes, como área de investigación, ha sido vital para adoptar modelos de CNN para estimar y contar personas reunidas a partir de imágenes o videoclips. Por ejemplo, Wang et al. [18] aplicó un modelo de regresión profunda para contar personas en condiciones extremadamente densas en imágenes. Los métodos existentes para contar el número de personas mediante la distinción de rostros humanos o humanos auxiliares tienen aplicaciones limitadas cuando la calidad de una imagen es inferior a 10 píxeles. Sin embargo, el método sugerido, que utiliza el modelo de aprendizaje profundo con muestras negativas, puede mejorar la solidez y minimizar las falsas alarmas. Asimismo, Walach y Wolf [25] usó modelos CNN mejorados que combinaron el refuerzo en capas y el muestreo selectivo para aumentar la precisión del conteo y reducir el tiempo de procesamiento. Los estudios de conteo de multitudes se han ocupado de variables tales como factores de escala, diferentes escenarios de fondos y niveles de densidad. Li et al. [22] propuso una red de reconocimiento de escenas congestionadas (CSRN) capaz de contar el número de personas en escenas muy congestionadas. En este estudio, la columna vertebral de la red era un modelo de CNN con extracción de características 2D en el front-end y una CNN dilatada para el back-end. Las capas convolucionales dilatadas de este estudio ayudan a contar personas en escenas muy concurridas. Las escalas inadecuadas son uno de los desafíos a resolver en los estudios de conteo de multitudes y estimación de densidad. Para superar estas dificultades, se han sugerido muchos métodos CNN nuevos y se ha mejorado la métrica de evaluación (error absoluto medio y error cuadrático medio) para estos métodos sugeridos recientemente [22]. Recientemente, la investigación sobre el conteo de multitudes está ampliando el alcance del objetivo de conteo de personas reunidas a vehículos en las carreteras, cultivos de maíz y flores.

 

Del mismo modo, el conteo de vehículos es un campo en el que se aplican de manera vital los métodos de conteo basados ​​en CNN para construir un sistema de monitoreo de tráfico inteligente para el control y la optimización del tráfico, sugerencias de rutas más rápidas, gestión de la seguridad, etc.13,15,23,26]. Abdalwahab [26] adoptó Regiones con una red neuronal convolucional (R-CNN) como método de detección de objetos para contar vehículos en imágenes de carreteras y un rastreador KLT para rastrear las trayectorias de los vehículos contados. sol et al. [15] propuso una nueva red utilizando una red neuronal multicanal y multiconvolucional para contar el número de vehículos directamente a partir de imágenes de CCTV. A pesar de que hubo limitaciones en la detección de vehículos en malas condiciones visuales, como clima nublado y condiciones de poca luz, se demostró que los resultados generales superaron a la multitud CNN y al modelo ConvNet multitud. Del mismo modo, Gomaa et al. [23] usó un algoritmo de conteo de vehículos que combinaba una CNN y el método de seguimiento de características de flujo óptico para mejorar el control y la gestión del tráfico. Este algoritmo constaba de tres etapas: un clasificador basado en CNN para detectar vehículos, un paso de análisis de movimiento de características y un agrupamiento para un proceso de conteo no repetido. En este estudio, mostraron una precisión promedio de detección y conteo de 96.3% y 96.8%, respectivamente. Además, Chung et al. [27], por ejemplo, contó la cantidad de vehículos en una imagen utilizando un modelo de CNN entrenado en otro sitio, sin trabajo de etiquetado adicional al construir el conjunto de datos de entrenamiento para el detector de una etapa. El método sugerido de este estudio permitiría minimizar el nivel de tareas de etiquetado cada vez que se cambian los datos de la imagen.

 

Como se discutió anteriormente, el alcance de la investigación basada en CNN sobre el conteo de objetos ha ampliado su aplicación a una variedad de áreas, y un número creciente de estudios ha tratado de implementar el aprendizaje automático para contar objetos en la industria de la construcción. Los campos de gestión de materiales de construcción y gestión de inventario están aplicando rápidamente métodos de conteo basados ​​en CNN [8,17]. Si bien la CNN tiene una excelente capacidad para detectar objetos en una imagen, también ralentiza el tiempo de cálculo y disminuye la precisión cuando las capas se profundizan y cuando aumenta la cantidad de objetos para detectar a medida que se cuentan las barras de acero. En consecuencia, se han desarrollado varios algoritmos para reducir el tiempo de cálculo y mejorar la precisión de los modelos CNN. Fan et al. [28], por ejemplo, aplicó un método CNN-DC (Distance Clustering) que combinaba la detección de los puntos centrales candidatos de las barras de refuerzo de acero utilizando una CNN y un algoritmo de agrupación para agrupar y ubicar el verdadero centro de las barras de refuerzo de acero desde el centro candidato. puntos. Este estudio mostró que logró una precisión de conteo de barras de refuerzo de acero del 99.26 % y un desplazamiento del centro del 4.1 % para la localización del centro en los conjuntos de datos de barras de refuerzo de acero. De igual forma, Hernández-Ruiz et al. [12] contaron barras de refuerzo de acero a partir de imágenes utilizando SA-CNN-DC (Scale Adaptive-Convolutional Neural Network-Distance Clustering) para mejorar la precisión con pocos recursos informáticos, lo que con frecuencia se señala como uno de los desafíos en la investigación del aprendizaje automático. Los métodos utilizados en este estudio permitirían contar las barras de refuerzo de acero independientemente de su tamaño e indicar resultados satisfactorios con pocos recursos informáticos. A pesar de varias sugerencias para admitir el recuento de barras de acero, el tamaño de las barras de acero en una imagen es relativamente pequeño y sería difícil crear un conjunto de datos de aprendizaje con ellas. Zhu et al. [10] sugirió un método de aumento de objetos pequeños llamado Sliding Window Data Augmentation (SWDA) para mejorar el rendimiento de la localización de objetos pequeños en una imagen. El tiempo de inferencia también se vería afectado por los recursos informáticos y la arquitectura general de los modelos CNN. Por ejemplo, Li et al. [29] adoptó un detector YOLOv3, que es un algoritmo de detección de objetos de una sola etapa para la detección automática de barras de refuerzo de acero y el conteo de alta precisión con un tiempo de inferencia reducido. El modelo aplicado realizó la detección y conteo de barras de acero en paralelo con una precisión promedio de 99.7% y una Intersección sobre Unión (IoU) de 0.5.

 

3. Estimación del tamaño y conteo del número de barras de refuerzo de acero

 

3.1. Método de investigación

 

Si bien varios estudios han intentado contar las barras de refuerzo mediante la adopción de varias arquitecturas CNN propuestas para mejorar la precisión y reducir el tiempo de inferencia, solo se han centrado en contar la cantidad exacta de barras de refuerzo en lugar de discernir también su tamaño, como se discutió en la sección anterior. En este estudio, desarrollamos una técnica automatizada de conteo de barras de refuerzo y estimación del tamaño basada en una red neuronal convolucional (CNN) y procesamiento de imágenes para la gestión eficiente de materiales en sitios de construcción o plantas de fabricación de barras de refuerzo. La detección de imágenes sin contacto puede cubrir varios objetos con una sola cámara y tiene una mejor accesibilidad que otros sensores, como los teléfonos móviles. Además, los CCTV ya están instalados en los sitios de construcción por razones de seguridad y protección. Por lo tanto, es posible aplicar la tecnología basada en imágenes desarrollada sin necesidad de instalar sensores adicionales.

 

El recuento de barras de refuerzo y la estimación del tamaño se pueden lograr mediante la división transversal de las barras de refuerzo individuales en la imagen y el rango de píxeles ocupado por la sección transversal. Por lo tanto, la adquisición de imágenes que contienen la sección transversal y la detección y segmentación de la sección transversal de las barras de refuerzo individuales deben realizarse secuencialmente. Aunque la detección y segmentación de la sección transversal de barras de refuerzo individuales se puede realizar a través de un modelo CNN, se deben abordar otros dos problemas para realizar el conteo de barras de refuerzo y la estimación del tamaño: (1) Se requiere un factor de escala para aplicar las dimensiones reales a las coordenadas de detección y segmentación compuestas por coordenadas de píxeles. (2) En el caso de una imagen capturada desde un ángulo oblicuo, el área de la sección transversal cercana y la de la sección transversal lejana son diferentes, incluso para la misma barra de refuerzo. La homografía basada en visión por computadora es efectiva para resolver simultáneamente estos dos problemas.

 

La homografía es un procesamiento de imágenes que adquiere una imagen desde un ángulo de captura de imagen virtual a través de la relación de transformación entre los puntos correspondientes de dos imágenes.30,31,32,33,34]. La homografía puede transformar la perspectiva de una imagen capturada desde una dirección oblicua en una imagen de vista frontal capturada desde la dirección frontal (donde la cámara mira directamente al objeto). Generalmente, se requieren cuatro puntos correspondientes con tamaños conocidos para realizar esta transformación. Sin embargo, las etiquetas de polietileno de dimensiones uniformes se adjuntan a las pilas de barras de refuerzo y contienen información como el tiempo de producción y las especificaciones de las barras de refuerzo. Esta información se utiliza en homografía para obtener la escala de los píxeles y una imagen de vista frontal virtual.

 

El proceso de investigación del conteo de barras de refuerzo y la estimación del tamaño consta de un algoritmo secuencial de cinco pasos, como se muestra en Figura 1. En primer lugar, se crea un modelo CNN utilizando imágenes que contienen varias secciones transversales de barras de refuerzo para la detección de objetos y la segmentación de instancias. El conjunto de datos consta de un conjunto de datos de entrenamiento para el entrenamiento, un conjunto de datos de validación para evitar el sobreajuste y un conjunto de datos de prueba para verificar el modelo entrenado. En segundo lugar, la imagen de segmentación se obtiene colocando las imágenes para el recuento de barras de refuerzo y la estimación del tamaño en el modelo CNN generado. La imagen de segmentación consiste en barras de refuerzo compuestas por (u, v), un sistema de coordenadas de perspectiva, y cada objeto de la etiqueta poli está compuesto por polígonos. Aquí, la homografía se aplica a toda la imagen ingresando la información de la etiqueta poli por adelantado, y las barras de refuerzo compuestas por (u, v) y los objetos individuales de la etiqueta poli se convierten en el sistema de coordenadas (x, y) de la etiqueta real. escala a través de la matriz de homografía. Por último, la información sobre las barras de refuerzo convertidas, como el número de tipos de barras de refuerzo en la imagen y el número y tamaño de las barras de refuerzo para cada tipo, se obtiene a través de un histograma y un análisis de distribución gaussiana.

 

Figura 1. Diagrama de flujo para estimar el número y tamaño de las barras de refuerzo de acero.

 

Figura 1. Diagrama de flujo para estimar el número y tamaño de las barras de refuerzo de acero.

 

3.2. Adquisición de imágenes para la segmentación de instancias

 

Se han realizado varios estudios sobre técnicas de detección de objetos que expresan el rango mínimo del área que contiene el objeto usando coordenadas rectangulares y técnicas de segmentación de instancias que representan el límite del objeto con un polígono para manejar los objetos en la imagen usando un modelo CNN [19,25,35,36,37]. En general, la detección de objetos expresa la posición del objeto mediante cuatro coordenadas, mientras que la segmentación de instancias utiliza decenas a cientos de coordenadas para representar el límite del objeto, según el tamaño de la imagen y el tamaño y la forma del objeto. Aunque la segmentación de instancias puede extraer con precisión el límite del objeto, consume mucho tiempo y recursos informáticos en comparación con la detección de objetos. Por lo tanto, es importante utilizar un modelo de CNN adecuado para este propósito.

 

Los píxeles ocupados por las secciones transversales de las barras de refuerzo en la imagen se asocian directamente con el tamaño de las barras de refuerzo después de aplicar la homografía. Por lo tanto, los píxeles ocupados por las secciones transversales de las barras de refuerzo deben segmentarse con precisión. La segmentación de instancias de barras de refuerzo individuales representa las coordenadas de los píxeles de la barra de refuerzo correspondiente como un polígono. Para la segmentación de instancias de aprendizaje supervisado basado en CNN, las coordenadas de los bordes del objeto de destino que se segmentará deben ser anotadas por una persona. En este estudio, la anotación se realizó en una imagen que contenía las secciones transversales de las barras de refuerzo que se van a segmentar y una etiqueta polivinílica y se utilizó como conjunto de datos para generar el modelo CNN.

 

Se estableció un conjunto de datos que contenía 622 imágenes procesadas de barras de refuerzo, incluido un total de 186,522 409 secciones transversales de barras de refuerzo y 1920 etiquetas polivinílicas, para segmentar barras de refuerzo y etiquetas polivinílicas en imágenes. Las imágenes fueron recopiladas en resolución Full HD de 1080 × 1080 píxeles y luego recortadas en el centro a 1080 × 512 píxeles. Luego, las imágenes recortadas se muestrearon a 512 × 50 píxeles para aumentar la velocidad de computación. En el conjunto de datos, la cantidad de secciones transversales de barras de refuerzo capturadas en una sola imagen varía de aproximadamente 1000 a XNUMX. La herramienta de anotación LabelMe [38] se usó para asignar los cuadros delimitadores de la realidad del suelo del polígono a las secciones transversales de las barras de refuerzo, lo cual es necesario para los procedimientos de aprendizaje supervisado. Figura 2 muestra imágenes crudas representativas y un etiquetado de la verdad del terreno. De las 622 imágenes, 409 imágenes contenían etiquetas polivinílicas, pero las 213 imágenes restantes contenían solo secciones transversales de barras de refuerzo sin etiquetas polivinílicas. Las imágenes fueron tomadas desde varios ángulos, así como de frente; se tomaron hasta cuatro imágenes de la misma pila de barras de refuerzo. De las 622 imágenes, 498, 93 y 31 imágenes (o el 80 %, el 15 % y el 5 % de las imágenes) se clasificaron aleatoriamente en los conjuntos de datos de tren, validación y prueba, respectivamente. Además, se anotaron algunas imágenes de conjuntos de datos de prueba en la imagen original de 1920 × 1080 píxeles para mejorar la precisión de objetos diminutos, como barras de refuerzo de menos de D10, adoptando un modelo de aprendizaje automático para mejorar la precisión al reducir la velocidad de reconocimiento de objetos.

 

Figura 2. Imágenes crudas representativas con anotaciones.

 

Figura 2. Imágenes crudas representativas con anotaciones.

 

3.3. Estimación del tamaño de las barras de refuerzo mediante la homologación

 

Figura 3 muestra el proceso detallado de recuento de barras de refuerzo y estimación del tamaño, que se realiza después de que se completa la detección y segmentación de las barras de refuerzo y las etiquetas polivinílicas utilizando el modelo CNN. La detección de esquinas se aplica a la etiqueta poli extraída de la imagen de segmentación; así, se extraen cuatro puntos correspondientes para ser utilizados en la homografía. Las etiquetas poli utilizadas en este estudio tienen dimensiones fijas de 6.5 cm × 9 cm de ancho y largo y se ingresan en el mismo tamaño para todas las tareas homográficas. Una etiqueta poli fotografiada desde una dirección oblicua se convierte a la dirección frontal a través de la homografía. Al mismo tiempo, los píxeles horizontales y verticales tienen una escala real de 6.5 cm × 9 cm. La matriz de homografía creada aquí se aplica por igual a toda la imagen y a las barras de refuerzo individuales, además de la etiqueta polivinílica, para obtener las coordenadas del polígono compuestas por la imagen ordenada de la vista frontal y las coordenadas (x, y) de la escala real.

 

Figura 3. Estimación del tamaño de las barras de refuerzo y el proceso de conteo mediante tomografía.

 

Estimación del tamaño de las barras de refuerzo y el proceso de conteo usando homografía.

 

El área del polígono convertida es el área de la sección transversal de la barra de refuerzo correspondiente; por lo tanto, el análisis de distribución gaussiana se realiza en el histograma que representa todas las áreas del polígono. Aquí, el número de picos en la distribución gaussiana representa los tipos de tamaño de la barra de refuerzo, y el valor de x μ, que es la ubicación del pico, es el promedio del grupo de secciones transversales de la barra de refuerzo en la distribución gaussiana correspondiente. El diámetro de la barra de refuerzo se puede calcular a través de la Ecuación (1).

 

 

dónde, d es el diámetro de las barras de refuerzo de acero (en mm), y μ es el valor máximo del histograma y el análisis de distribución gaussiana. El número de barras de refuerzo para el tamaño correspondiente es el número de muestras de histograma dentro del rango de área propuesto presentado en Tabla 1. Las muestras de histograma en un rango fuera de los tipos de tamaño de barra de refuerzo inferidos de antemano se clasifican como errores que ocurren durante el procesamiento de imágenes. Esto se describe en detalle en Sección 4 de este papel.

 

Tabla 1. Estándar de barras de refuerzo en KS D3504:2021 [39] y el rango de área propuesto para la estimación del tamaño.

 

Estándar de barras de refuerzo en KS D3504:2021 [39] y el rango de área propuesto para la estimación del tamaño.

Debido a que la imagen de muestra utilizada en Figura 3 contiene dos tipos de barras de refuerzo, se generaron dos picos en el análisis de distribución gaussiana. Los valores de x de los dos picos, μ1 y μ2, son 73.5 mm2 y 383.2 mm2, respectivamente. Los diámetros de los dos tipos de barras de refuerzo son 9.7 mm y 22.1 mm, respectivamente. En otras palabras, podemos confirmar que los dos tipos de barras de refuerzo son las barras de refuerzo D10 y D22. Con base en los rangos de área de armadura propuestos en Tabla 1, se contaron 724 barras de refuerzo para las barras de refuerzo D10 y 372 barras de refuerzo para las barras de refuerzo D22.

 

Los estándares existentes reflejan un cierto retraso en los avances de la tecnología en la fabricación de productos con los crecientes requisitos de los usuarios. En el caso de las barras de refuerzo, las normas ISO aún no han sido ampliamente adoptadas y las normas nacionales siguen siendo predominantes. En este documento, las normas nacionales de Corea, KS D3504:2021 [39], se aplicaron los valores de diámetro y área de acuerdo con el tamaño de las barras de refuerzo para la comparación precisa de los datos obtenidos y los resultados del análisis. Porque KS D3504:2021 [39] hace referencia a las normas internacionales ISO 3534-1:2006 [40], y las normas nacionales de EE. UU. ASTM A615 [41], las notaciones y tamaños de las barras de refuerzo son similares a los estándares internacionales. Las barras de refuerzo se clasifican en 18 tipos, desde D4 hasta D57. Los estándares presentan cuantitativamente el diámetro nominal y el área transversal nominal de las barras de refuerzo, y algunos de ellos se enumeran en Tabla 1. Aquí, el valor promedio del área de la sección transversal nominal de dos tipos de barras de refuerzo consecutivos se propuso como el área estimada para determinar el tamaño de la barra de refuerzo obtenido de la imagen. Por ejemplo, el área estimada de D13 oscila entre 99.0 y 162.6. Aquí, el valor mínimo de 99.0 es el valor medio del área de D13 (126.7 mm2) y el de D10 (71.33 mm2), y el valor máximo de 162.6 mm2 es el valor medio del área de D13 (126.7 mm2) y el de D16 (198.6 mm2).

 

4. Resultados

 

4.1. Capacitación y Evaluación

 

En esta sección presentamos los resultados de la investigación. El hardware para la prueba del algoritmo utilizó la unidad de procesamiento de gráficos (GPU) NVIDIA GeForce RTX 2080 Ti. YOLACTO [42] se utilizó para crear un modelo basado en CNN que puede segmentar las secciones transversales de las barras de refuerzo y las etiquetas polivinílicas en la imagen. Transfiera el aprendizaje basado en los pesos preentrenados del conjunto de datos COCO [43] y se realizaron aumentos de datos basados ​​en el procesamiento de imágenes. El aprendizaje de transferencia se realizó primero en un gran conjunto de datos, y los pesos previamente entrenados se usaron luego para la inicialización o como extractores de características fijas para una nueva tarea de destino para mejorar la precisión del aprendizaje. El aprendizaje de transferencia se realizó en dos pasos: (1) Los pesos preentrenados en el conjunto de datos COCO se utilizan para inicializar los módulos de backbone y posprocesamiento. Solo los parámetros de peso del módulo de procesamiento posterior se optimizan en función del conjunto de datos del marco de acero. (2) Los parámetros de peso de toda la red se restauran y se ajustan utilizando el mismo conjunto de datos.

 

El aumento de datos tiene como objetivo aumentar la variabilidad de la misma imagen para hacer que el modelo entrenado sea resistente a las imágenes obtenidas en diferentes entornos. Las técnicas de brillo, zoom, volteo y rotación se aplicaron aleatoriamente 10 veces, de modo que la misma técnica se podía aplicar de forma redundante hasta dos veces para una imagen. El brillo se aplicó dentro de un rango de ±40 % basado en HSV (tono, saturación y valor), y el zoom se aplicó dentro de un rango del 20 % de los píxeles máximos. Se aplicó el giro dentro de un rango del 20 % del tamaño horizontal y vertical, respectivamente, y se aplicó la rotación dentro de un rango de 360° alrededor del centro. La relación de área de la etiqueta poli antes y después del aumento de datos se calcula para estas técnicas, excepto para el zoom. Si la relación se vuelve más pequeña que uno, indica que una parte de la etiqueta de polietileno está dañada. En consecuencia, esa imagen se excluye del conjunto de datos de entrenamiento. Figura 4 muestra un ejemplo de cada técnica.

 

Figura 4. Aumento de datos aplicado a imágenes.

 

Figura 4. Aumento de datos aplicado a imágenes.

 

La técnica de aumento de datos se aplicó a 498 imágenes del conjunto de datos de entrenamiento preconfigurado y se utilizó un total de 4668 imágenes para el entrenamiento final. Se realizaron un total de 10,000 iteraciones de entrenamiento en el conjunto de datos. Tabla 2 enumera el mAP (precisión media media) para cada 500, 1000, 5000 y 10,000 0.5 iteraciones para las dos clases de barras de refuerzo de acero y etiquetas de polietileno en diferentes umbrales de IoU, de 0.95 a 50. En todos los rangos de IoU se obtuvieron mAps mayores o iguales a 1000 para la Caja y Máscara en la iteración 52.21. Posteriormente, se obtuvo un modelo con una Caja de 52.83 y una Máscara de 10,000 en la iteración final número XNUMX.

 

Tabla 2. mAP por entrenamiento basado en YOLACT.

 

mAP por entrenamiento basado en YOLACT.

 

4.2. Estimación del tamaño de las barras de refuerzo y resultados del conteo

 

Figura 5 presenta los resultados de cuatro imágenes de muestra del conjunto de datos de prueba para la estimación y el conteo del tamaño de las barras de refuerzo. Para cada imagen, se enumeran secuencialmente la imagen de segmentación, que es la salida del modelo de segmentación, la imagen de homografía por detección de esquinas para etiquetas poli, y el histograma y el gráfico de distribución gaussiana. Tabla 3 presenta estos resultados. El número real de barras de refuerzo es el número de anotaciones etiquetadas por una persona.

 

Figura 5. Ejemplo de resultados de barras de refuerzo. (a) Imagen de muestra en una pila de barras de refuerzo de un solo tipo tomadas desde un ángulo oblicuo. (b) Imagen de muestra en la pila de muestra de barras de refuerzo que se muestra en (a) tomado de la dirección de origen. (c) Imagen de muestra en una pila de barras de refuerzo a las que se adjunta una pequeña etiqueta de polietileno. (d) Imagen de muestra en una pila de dos tipos de barras de refuerzo.

 

Ejemplo de resultados de barras de refuerzo.

 

Tabla 3. Detalles sobre los resultados de las muestras.

 

Detalles sobre los resultados de las muestras.

 

Figura 5a,b son imágenes capturadas de la misma pila de barras de refuerzo de tamaño D13. Figura 5a es la imagen tomada desde una dirección oblicua hacia la derecha, y Figura 5b es la imagen capturada desde la dirección frontal. La media de los parámetros gaussianos μ y la desviación estándar σ son μ=128.1 y σ=10.7 en Figura 5a y son μ=124.5 y σ=7.8 en Figura 5B. Los diámetros de las barras de refuerzo calculados con μ son 12.77 y 12.59, respectivamente, y las tasas de error son 1.7 % y 3.1 %, respectivamente. Así, la desviación estándar de Figura 5b es 2.9 más bajo que el de Figura 5B. Este resultado confirma que la imagen tomada desde la dirección frontal tiene una distribución de área más estable.

 

Figura 5c muestra una pila de barras de refuerzo D16 y el tamaño de la etiqueta de polietileno es aproximadamente 1/30 del tamaño de la imagen. Por lo tanto, es una imagen de muestra para un caso en el que el objetivo de homografía es muy pequeño. De manera similar, en esta muestra se reconoció la esquina de la etiqueta polivinílica y la homografía se realizó sin problemas. Se obtuvo un resultado de μ=201.7 con un tamaño de 16.03.

 

Figura 6b muestra una imagen que contiene dos tipos de barras de refuerzo, D10 y D22. Se generaron dos picos en el histograma y análisis de distribución Gaussiana, y se obtuvieron los valores de μ1=76.1 y μ2=383.2. El tamaño de cada tipo de barra de refuerzo es 9.85 y 22.09, respectivamente, lo que indica una estimación muy precisa.

 

Figura 6. Análisis de muestras fuera del rango del área de la barra de refuerzo. (a) Análisis de histograma y rango de error fuera del rango del área de armadura D13. (b) Muestra de barras de refuerzo observadas en el rango de error.

 

Análisis de muestras fuera del rango del área de la barra de refuerzo. (a) Análisis de histograma y rango de error fuera del rango del área de la barra de refuerzo D13. (b) Barras de refuerzo de muestra observadas en el rango de error.

 

Entre las cuatro imágenes de muestra, Figura 5a muestra el error de conteo más alto. En consecuencia, se realizó un análisis de los objetos fuera del rango del área de la armadura en Figura 5a, que son barras de refuerzo que han sido clasificadas como errores. El rango del área de la barra de refuerzo de las barras de refuerzo D13 es de 99.0 mm2 a 162.7 mm. Por lo tanto, si el área del polígono segmentado es inferior a 99.0 mm2 o superior a 162.7 mm2, la barra de refuerzo correspondiente no se reconoce como una barra de refuerzo D13, como se muestra Figura 6a. Figura 6b presenta una imagen que solo muestra las barras de refuerzo de la imagen de homografía que se encuentran en el rango de error. Si el área es mayor de 162.7 mm2, indica que la barra de refuerzo proyectada se ha producido debido a una indentación desigual. Si el área es inferior a 99.0 mm2, indica que una parte de la barra de refuerzo se ha cortado del borde de la imagen o de la etiqueta de polietileno. A partir de este análisis, se dedujo que la pila de barras de refuerzo debe organizarse ordenadamente para reducir la tasa de ocurrencia de errores de conteo, o que la fotografía debe tomarse de manera que garantice que todas las barras de refuerzo estén incluidas en la imagen.

 

Figura 7 muestra las imágenes para las que la estimación del tamaño no se realizó correctamente. Figura 7a muestra un caso en el que la etiqueta de polietileno se separa de las barras de refuerzo o se deforma. En tales casos, se podía reconocer la etiqueta polivinílica, pero la detección de esquinas fallaba en la mayoría de los casos. Incluso cuando la detección de esquinas tuvo éxito, la homografía no se pudo realizar correctamente. Figura 7b es una imagen en la que se corta una parte de la etiqueta polivinílica. Aunque es posible la detección de esquinas, la homografía se aplica con un tamaño incorrecto porque el tamaño de la entrada de la etiqueta polivinílica se ha establecido de antemano en 6.5 cm × 9 cm. Para Figura 7c, las orientaciones de la barra de refuerzo y la etiqueta de polietileno no coinciden porque la etiqueta de polietileno no se adjuntó correctamente a las barras de refuerzo. En este caso, aunque el reconocimiento de etiquetas polivinílicas, la detección de esquinas y la homografía se realizan correctamente, la sección transversal de la barra de refuerzo no está alineada con la vista frontal. Esta desalineación provoca una diferencia en el área debido a la perspectiva, aunque las barras de refuerzo tienen el mismo tamaño. En consecuencia, el tamaño de la barra de refuerzo se estima incorrectamente. Por lo tanto, para aplicar la técnica de estimación de tamaño desarrollada en este estudio, se debe colocar una etiqueta de polietileno que no esté cortada ni deformada en la dirección que coincida con la orientación de las barras de refuerzo.

 

Figura 7. Casos de fallo en la estimación del tamaño de las barras de refuerzo. (a) Etiqueta de polietileno desprendida o deformada. (b) La etiqueta de polietileno está cortada. (c) Desajuste de orientación.

 

Casos de falla en la estimación del tamaño de las barras de refuerzo

 

5. Conclusiones

 

Las barras de refuerzo de acero son un material de construcción importante en las estructuras de hormigón armado debido a sus excelentes propiedades mecánicas, así como a la proporción de los costos de construcción sobre la estructura completa. Si bien el conteo manual de barras de refuerzo es una práctica común en los sitios de construcción, conlleva varios inconvenientes: requiere muchos recursos humanos, requiere mucho tiempo, es propenso a errores y posiblemente nocivo. En este estudio, los autores desarrollaron un sistema automatizado para estimar el tamaño y contar la cantidad de barras de refuerzo de acero en el empaque de balas basado en técnicas de visión por computadora basadas en CNN. Los resultados de esta investigación muestran lo siguiente:

 

  • El método propuesto, un modelo CNN combinado con homografía, puede estimar el tamaño y contar la cantidad de barras de refuerzo de acero en una imagen de manera rápida y precisa, y el método puede aplicarse a sitios de construcción reales para administrar el stock de barras de acero de manera eficiente.
  • La aplicación de una imagen de homografía por detección de esquinas para etiquetas poli así como un histograma y un gráfico de distribución gaussiana se pueden utilizar para estimar de manera efectiva el tamaño y contar la cantidad de barras de refuerzo de acero a partir de imágenes con diferentes perspectivas.
  • En este estudio, se etiquetaron manualmente 622 imágenes tomadas desde varios ángulos y que incluyen un total de 182,522 4668 barras de refuerzo de acero para crear el conjunto de datos. El aumento de datos se llevó a cabo para crear 30 imágenes para el conjunto de datos de entrenamiento. Con base en el conjunto de datos de entrenamiento, se generó una estimación del tamaño de la barra de acero basada en YOLACT y un modelo de conteo con una caja y una máscara de más de XNUMX mAP para satisfacer el objetivo de este estudio.
  • Los resultados de la prueba muestran que la tasa de error máxima para estimar el tamaño y contar la cantidad de barras de refuerzo de acero en una imagen fue del 3.1 % y el 9.6 %, respectivamente. La mayoría de los errores mostrados en este estudio fueron causados ​​por imágenes de barras de refuerzo de acero cuyos bordes estaban cortados o que sufrían hendiduras desiguales.

 

Si bien el método propuesto en este estudio muestra un nivel aceptable de rendimiento, la tasa de error al estimar el tamaño y contar el número de barras de acero debe mejorarse para aplicaciones prácticas de sitios de construcción reales complicados. Además, la aplicación del método propuesto debe expandirse, por ejemplo, a vigas en H, canales, ángulos y tuberías para administrar de manera eficiente los materiales de construcción en los sitios de construcción.

 

Contribuciones de autor

 

Conceptualización YS, SH (Sekojae Heo) y JK; Curación de datos YS y SH (Sehee Han); Análisis formal YS, SH (Sekojae Heo) y SN; Metodología YS, SH (Sekojae Heo) y JK; Financiamiento Adquisición SH (Sekojae Heo); Redacción-borrador original YS y SN; Administración del proyecto SH (Sekojae Heo) y SN; Redacción-revisión y edición SH (Sehee Han) y SN Todos los autores han leído y aceptado la versión publicada del manuscrito.

 

Financiamiento

 

Este trabajo fue apoyado por la subvención de la Fundación Nacional de Investigación de Corea (NRF) financiada por el Ministerio de Educación del gobierno de Corea (No. NRF-2018R1A6A1A07025819 y NRF-2020R1C1C1005406).

 

Declaración de disponibilidad de datos

 

Los datos utilizados para respaldar los resultados de esta investigación se incluyen en el artículo. Además, algunos de los datos de este artículo están respaldados por las referencias mencionadas en el documento. Si tiene alguna consulta con respecto a los datos, los datos de esta investigación estarían disponibles en la correspondencia a pedido.

 

Referencias

 

  1. MacGregor, JG; Wight, JK Hormigón Armado: Mecánica y Diseño, 6ª ed.; Prentice Hall Superior: Saddle River, Nueva Jersey, EE. UU., 1997; Volumen 3. [Google Scholar]
  2. Na, S.; Paik, I. Aplicación de datos de imágenes térmicas para detectar la corrosión de barras de refuerzo en estructuras de hormigón. Apl. Sci. 20199, 4700. ElGoogle Scholar] [CrossRef]
  3. Kmiecik, P.; Kamiński, M. Modelado de estructuras de hormigón armado y estructuras compuestas teniendo en cuenta la degradación de la resistencia del hormigón. Arco. civ. mecánico Ing. 201111, 623 – 636. ElGoogle Scholar] [CrossRef]
  4. Kaming, PF; Olomolaiye, PO; Holt, G.; Harris, FC Factores que influyen en el tiempo de construcción y los sobrecostos en proyectos de gran altura en Indonesia. Constr. Administrar economía 199715, 83 – 94. ElGoogle Scholar] [CrossRef]
  5. Duggal, SK Materiales de construcción; Routledge: Londres, Reino Unido, 2017. [Google Scholar]
  6. Kodur, V.; Harmathy, T. Propiedades de los materiales de construcción. En Manual de ingeniería de protección contra incendios de la SFPE; Springer: Cham, Suiza, 2016; págs. 277–324. [Google Scholar]
  7. Allen, E.; Iano, J. Fundamentos de la Construcción de Edificios: Materiales y Métodos; John Wiley & Sons: Hoboken, NJ, EE. UU., 2019. [Google Scholar]
  8. Kim, MK-K.; Thedja, JPP; Chi, H.-L.; Lee, D.-E. Clasificación automatizada del diámetro de las barras de refuerzo mediante aprendizaje automático basado en datos de nubes de puntos. automático Constr. 2021122, 103476. ElGoogle Scholar] [CrossRef]
  9. Zhang, D.; Xie, Z.; Wang, C. Método de posicionamiento y mejora de la imagen de la sección de barras en el sistema de separación automática y conteo de barras de acero en línea. En Actas del Congreso de 2008 sobre procesamiento de imágenes y señales, Washington, DC, EE. UU., 27–30 de mayo de 2008; Instituto de Ingenieros Eléctricos y Electrónicos (IEEE): Piscataway, NJ, EE. UU., 2008; Volumen 2, págs. 319–323. [Google Scholar]
  10. Zhu, Y.; Tang, C.; Liu, H.; Huang, P. Localización y segmentación de la cara final de la barra de acero basada en la red neuronal de convolución. IEEE Access 20208, 74679 – 74690. ElGoogle Scholar] [CrossRef]
  11. Ying, X.; Wei, X.; Pei-Xin, Y.; Qing-Da, H.; Chang-Hai, C. Investigación sobre un método de conteo automático para la imagen de las barras de acero. En Actas de la Conferencia Internacional sobre Ingeniería Eléctrica y de Control de 2010, Washington, DC, EE. UU., 25–27 de junio de 2010; Instituto de Ingenieros Eléctricos y Electrónicos (IEEE): Piscataway, NJ, EE. UU., 2010; págs. 1644–1647. [Google Scholar]
  12. Hernández-Ruiz, A.; Martínez-Nieto, JA; Buldain-Pérez, JD Conteo de barras de acero a partir de imágenes con aprendizaje automático. Electrónica 202110, 402. ElGoogle Scholar] [CrossRef]
  13. Xia, Y.; Shi, X.; Canción, G.; Geng, Q.; Liu, Y. Hacia la mejora de la calidad del método de conteo de vehículos basado en video para la estimación del flujo de tráfico. Proceso de señal. 2016120, 672 – 681. ElGoogle Scholar] [CrossRef]
  14. Sindagi, VA; Patel, VM Una encuesta de los avances recientes en el conteo de multitudes y la estimación de densidad de una sola imagen basada en CNN. Reconocimiento de patrones. Letón. 2018107, 3 – 16. ElGoogle Scholar] [CrossRef]
  15. Sol, M.; Wang, Y.; Iluminado.; Lv, J.; Wu, J. Conteo de vehículos en escenas llenas de gente con redes neuronales convolucionales multicanal y multitarea. J. Vis. común Imagen Representar. 201749, 412 – 419. ElGoogle Scholar] [CrossRef]
  16. Shen, J.; Xiong, X.; Xue, Z.; Bian, Y. Un modelo de conteo de peatones basado en redes neuronales convolucionales para varias escenas llenas de gente. computar Civilización asistida. Infraestructura Ing. 201934, 897 – 914. ElGoogle Scholar] [CrossRef]
  17. Asadi, P.; Gindy, M.; Alvarez, M. Un enfoque basado en el aprendizaje automático para la detección automática de barras de refuerzo y la cuantificación del deterioro en las imágenes de escaneo B del radar de penetración en el suelo de la cubierta del puente de hormigón. KSCE J. Civ. Ing. 201923, 2618 – 2627. ElGoogle Scholar] [CrossRef]
  18. Wang, C.; Zhang, H.; Yang, L.; Liu, S.; Cao, X. Conteo profundo de personas en multitudes extremadamente densas. En Actas de la 23.ª conferencia internacional ACM sobre multimedia, Brisbane, Australia, 26 al 30 de octubre de 2015; Asociación de Maquinaria de Computación: Nueva York, NY, EE. UU., 2015; págs. 1299–1302. [Google Scholar]
  19. Miikkulainen, R.; Liang, J.; Meyerson, E.; Rawal, A.; Fink, D.; Francon, O.; Raju, B.; Shahrzad, H.; Navruzyan, A.; Duffy, N.; et al. Redes neuronales profundas en evolución. En Inteligencia artificial en la era de las redes neuronales y la computación cerebral; Elsevier: Ámsterdam, Países Bajos, 2019; págs. 293–312. [Google Scholar]
  20. Sam, DB; Surya, S.; Babu, Red neuronal convolucional de conmutación RV para conteo de multitudes. En Actas de la Conferencia IEEE de 2017 sobre visión por computadora y reconocimiento de patrones (CVPR), Honolulu, HI, EE. UU., 21 al 26 de julio de 2017; págs. 4031–4039. [Google Scholar]
  21. Ilias, N.; Shahzad, A.; Kim, K. Recuento de multitudes de imágenes basado en redes neuronales convolucionales: revisión, categorización, análisis y evaluación del rendimiento. Sensores 201920, 43. ElGoogle Scholar] [CrossRef] [PubMed]
  22. Li, Y.; Zhang, X.; Chen, D. CSRNet: redes neuronales convolucionales dilatadas para comprender las escenas altamente congestionadas. En Actas de la Conferencia IEEE/CVF de 2018 sobre visión por computadora y reconocimiento de patrones, Salt Lake City, UT, EE. UU., 18 al 23 de junio de 2018; págs. 1091–1100. [Google Scholar]
  23. Gomaa, A.; Abdelwahab, MM; Abo-Zahhad, M.; Minematsu, T.; Taniguchi, R.-I. Algoritmo robusto de detección y conteo de vehículos que emplea una red neuronal de convolución y flujo óptico. Sensores 201919, 4588. ElGoogle Scholar] [CrossRef]
  24. Caqui, S.; Safaei, N.; Pham, H.; Wang, L. Wheatnet: una red neuronal convolucional liviana para la detección y el conteo de cabezas de trigo basadas en imágenes de alto rendimiento. arXiv 2021, arXiv:2103.09408. [Google Scholar]
  25. Walach, E.; Wolf, L. Aprendiendo a contar con el impulso de CNN. En Conferencia europea sobre visión artificial; Springer: Cham, Suiza, 2016. [Google Scholar]
  26. Abdelwahab, MA Enfoque preciso de conteo de vehículos basado en redes neuronales profundas. En Actas de la Conferencia Internacional sobre Tendencias Innovadoras en Ingeniería Informática (ITCE) de 2019, Asuán, Egipto, 2 al 4 de febrero de 2019; Instituto de Ingenieros Eléctricos y Electrónicos (IEEE): Piscataway, NJ, EE. UU., 2019; págs. 1 a 5. [Google Scholar]
  27. Chung, J.; Kim, G.; Sohn, K. Transferibilidad de una red neuronal convolucional (CNN) para medir la densidad del tráfico. Electrónica 202110, 1189. ElGoogle Scholar] [CrossRef]
  28. Abanico, Z.; Lu, J.; Qiu, B.; Jiang, T.; An, K.; Josephraj, AN; Wei, C. Recuento automatizado de barras de acero y localización central con redes neuronales convolucionales. arXiv 2019, arXiv:1906.00891. [Google Scholar]
  29. Li, Y.; Lu, Y.; Chen, J. Un enfoque de aprendizaje profundo para el conteo de barras de refuerzo en tiempo real en el sitio de construcción basado en el detector YOLOv3. automático Constr. 2021124, 103602. ElGoogle Scholar] [CrossRef]
  30. Dubrofsky, E. Estimación de Homografía. Diplomová Práce; Univerzita Britské Kolumbie: Vancouver, BC, Canadá, 2009; Volumen 5, disponible en línea: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.186.5926&rep=rep1&type=pdf (accedido en 1 septiembre 2021).
  31. DeTone, D.; Malisiewicz, T.; Rabinovich, A. Estimación de homografía de imágenes profundas. arXiv 2016, arXiv:1606.03798. [Google Scholar]
  32. Sukthankar, R.; Stockton, RG; Mullin, MD Presentaciones más inteligentes: Explotación de la homografía en sistemas de cámara y proyector. En Proceedings of the Eighth IEEE International Conference on Computer Vision, ICCV 2001, Vancouver, BC, Canadá, 7–14 de julio de 2001; Instituto de Ingenieros Eléctricos y Electrónicos (IEEE): Piscataway, NJ, EE. UU., 2002. [Google Scholar]
  33. Benhimane, S.; Malis, E. Servoing y seguimiento visual 2D basado en homografía. En t. J.Robot. Res. 200726, 661 – 676. ElGoogle Scholar] [CrossRef]
  34. Malis, E.; Vargas, M. Comprensión más profunda de la descomposición de la homografía para el control basado en la visión. INRIA. 2007. Disponible en línea: https://hal.inria.fr/inria-00174036/ (accedido en 1 septiembre 2021).
  35. Albaui, S.; Mohamed, TA; Al-Zawi, S. Comprensión de una red neuronal convolucional. En Actas de la Conferencia Internacional sobre Ingeniería y Tecnología (ICET) de 2017, Antalya, Turquía, 21 a 23 de agosto de 2017; págs. 1 a 6. [Google Scholar]
  36. Lorenzo, S.; Giles, CL; Tsoi, AC; Atrás, AD Reconocimiento facial: un enfoque de red neuronal convolucional. IEEE Trans. Redes neuronales. 19978, 98 – 113. ElGoogle Scholar] [CrossRef] [PubMed]
  37. Lin, X.; Zhao, C.; Pan, W. Hacia una red neuronal convolucional binaria precisa. arXiv 2017, arXiv:1711.11294. [Google Scholar]
  38. Russell, BC; Torralba, A.; Murphy, KP; Freeman, WT LabelMe: una base de datos y una herramienta basada en la Web para la anotación de imágenes. En t. J. Cómputo. Vis. 200877, 157 – 173. ElGoogle Scholar] [CrossRef]
  39. Agencia Coreana de Tecnología y Normas. KS D 3504: 2021 Barras de acero para refuerzo de hormigón; Normas y certificaciones de Corea: Seúl, Corea, 2021. [Google Scholar]
  40. Organización Internacional de Normalización. ISO 3534-1:2006 Estadísticas: Vocabulario y Símbolos: Parte 1: Términos estadísticos generales y términos utilizados en probabilidad; Organización Internacional de Normalización: Ginebra, Suiza, 2016. [Google Scholar]
  41. Normas ASTM. ASTM A615/A615M-20: Especificación estándar para barras de acero al carbono lisas y deformadas para refuerzo de hormigón; Normas ASTM: West Conshohocken, PA, EE. UU., 2020. [Google Scholar]
  42. Bolya, D.; Zhou, C.; Xiao, F.; Lee, YJ Yolact: Segmentación de instancias en tiempo real. En Actas de la Conferencia internacional IEEE/CVF sobre visión artificial (ICCV) de 2019, Seúl, Corea, 27 de octubre a 2 de noviembre de 2019. [Google Scholar]
  43. Lin, T.-Y.; Maire, M.; Belongie, S.; Hays, J.; Perona, P.; Ramanan, D.; Dollár, P.; Zitnick, CL Microsoft COCO: Objetos comunes en contexto. En Visión artificial—ECCV 2014; Fleet, D., Pajdla, T., Schiele, B., Tuytelaars, T., Eds.; Springer: Cham, Suiza, 2014. [Google Scholar]

 

Este artículo fue publicado originalmente por el Licenciatario MDPI, Basilea, Suiza, el 09 de octubre de 2021, y se volvió a publicar de acuerdo con la Licencia pública internacional Reconocimiento-No comercial-Sin derivados 4.0 de Creative Commons. Puedes leer el artículo original aquí . Las opiniones expresadas en este artículo son solo del autor y no de WorldRef.

 


¡Explore los servicios de WorldRef para saber cómo estamos haciendo que su expansión global sea más fácil y económica!

Energía Térmica y Cogeneración | Minería y Minerales | Control de polución de aire | Sistemas de manipulación de materiales | Tratamiento de agua y aguas residuales | Repuestos, herramientas y consumibles |  Soluciones para plantas de energía | Procesamiento de acero y metales