Deep learning-based rebar detection and instance segmentation in images
Notice bibliographique
Résumé
• A high-quality image benchmark is developed for rebar detection and segmentation. • The dataset covers two types of rebars under various shooting views and placement patterns. • The comparison test provides the basis for selecting deep learning models. • Six data augmentation strategies are discussed to improve the best models. • Three downstream tasks in real-world scenarios validate the developed model. Automated rebar cage assembly and quality inspection rely on reliable rebar perception. Recent studies have explored image-based rebar perception via object detection and instance segmentation algorithms. However, existing models are limited across various scenarios, especially with different rebar categories, arrangement patterns, and camera views, which limits their application. This is primarily attributed to the absence of a benchmark considering these factors. This study introduces an image benchmark designed for the effective training and selection of rebar detection and instance segmentation algorithms. It is the first to encompass two types of commonly used rebars, multiple camera views, and various rebar placement patterns at different assembly phases in a single dataset. Six object detection methods and four instance segmentation methods are evaluated to assess the applicability of the state-of-the-art methods. Additionally, a new shape-prior-based post-processing method is developed to address the merged detection problem in clustering. The experiment shows that Deformable DETR and Mask2Former achieved the highest bounding box mAP (80.4) and mask mAP (66.3) respectively. The Simple Copy-Paste technique was introduced, improving the mask mAP of Mask2Former by 2.8 points. Finally, the developed model was validated in the real-world scenarios of three downstream tasks. Notably, in the rebar spacing measurement task, the proposed post-processing method improves Mask2Former by increasing its bounding box mAP by 18.0 and mask mAP by 2.4.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».