摘要
近年来，随着装配式建筑规模的迅速增长，传统的混凝土预制构件材料清点方式难以满足爆发式增长的材料清点需求。材料清点是保障混凝土预制构件生产材料充足供应、确保生产效率的关键工作。在混凝土预制构件的生产制造过程中，以钢筋为代表的棒材和用于埋设水电的管材是确保构件结构安全、功能完备的关键材料，因此材料清点的主要内容是对棒材和管材的清点。若无法及时精确地完成棒材和管材清点，也就无法确保混凝土预制构件正常生产，从而导致工厂构件订单延期交付。目前，混凝土预制构件工厂中棒材和管材清点依赖人工，存在过程繁琐、规模大、效率低的问题。因此，如何快速、精准地完成棒材与管材的清点是混凝土预制构件生产中的重要问题。 当下，基于计算机视觉的深度学习技术具有精度高、灵活性高、适配能力强的特点，非常适合工业场景下的棒材和管材清点应用。棒材和管材通常以水平层叠堆放方式存储，可利用端面图像进行清点。本文使用深度学习技术对棒材和管材的清点问题进行研究，并将所提出的智能清点方法应用到混凝土预制构件材料智能清点系统中。本文的主要工作内容如下: (1)针对棒材清点，提出了基于多尺度点预测网络的棒材清点方法。本方法使用多尺度点预测网络(MultiScalePointPredictionNetwork,MSPPNet)直接完成图像中的棒材清点。首先，针对棒材清点任务特点，MSPPNet中融合了多尺度特征感知模块、CARAFE上采样、优化设计的损失函数和后处理算法。其次，MSPPNet使用低标注成本的点作为标签，分别使用目标中心点坐标回归分支和目标中心点分类分支来生成一系列目标中心预测点，能有效完成大规模棒材端面的识别与检测。最后，在自主构建的数据集上对MSPPNet进行实验评估，相较基准网络提升了1.69％的F1-Score,达到了98.75％的F1-Score,可有效完成棒材清点任务。 (2)针对管材清点，提出了基于目标检测和像素标定的管材清点方法。首先使用改进的YOLOv8目标检测网络进行管材端面检测，标记出图像中的管材端面，得到预测框数据。其中改进的YOLOv8网络在YOLOv8的基础上使用了高频特征增强模块、自适应特征融合结构、Soft-NMS非极大抑制算法和数据扩增设计。然后，使用基于二维码的像素标定技术对图像进行像素标定，将管材端面预测框的像素尺寸转化为实际管材端面物料直径，再将不同直径的管材进行分类汇总，进而完成管材清点。最后，本文在自主构建的管材端面数据集上对改进的YOLOv8网络进行了管材端面检测实验，得到了98.91％的F1-Score,同时在管材直径测量实验上，绝对误差控制在2mm以内，相对误差在2％以内。以上实验结果说明了所提方法可有效完成管材清点任务。 (3)针对混凝土预制构件工厂中材料清点效率低、清点数据更新滞后等问题，本文设计并实现了混凝土预制构件材料智能清点系统。首先该系统支持用户自定义设置算法相关参数，并根据清点具体需求对算法进行训练，系统核心功能模块可调用清点算法完成清点任务。其次，该系统支持用户对清点结果进行修正并保存扩充用作网络模型训练数据集。最后，系统还提供综合管理模块和材料信息管理模块，有效提高了清点人员的协同工作效率。 综上所述，本文将深度学习技术应用到混凝土预制构件材料清点工作中，提升了棒材和管材的清点效率，降低了清点误差。同时设计并实现了混凝土预制构件材料智能清点系统，在提高清点和库存管理效率、优化生产计划、降低成本等方面起着重要作用。
NETL