一种基于神经网络的钢筋检测分类方法、系统及存储介质与流程

1.本发明涉及一种钢筋检测方法，更具体的，涉及一种基于神经网络的钢筋检测分类方法、系统及存储介质。


背景技术：

2.钢筋作为现下建筑工程项目中的主要结构，为了保证工程项目的质量，避免工程事故的发生,提高工程的耐久性和安全性，需要对钢筋进行检测分类，对存有缺陷的钢筋进行分类挑拣。而在传统人工挑拣方案中，只能通过人眼或者人工折弯粗略的进行钢筋的分拣，无法对钢筋内部实现检测分析，导致无法实现钢筋的精拣分类。
3.为了能够对钢筋进行合理科学的检测分类，准确识别出钢筋的缺陷信息，需要开发一款系统阈值匹配，该系统通过获取钢筋样品的参数信息，根据参数信息建立钢筋评价模型；通过所述钢筋评价模型生成钢筋样品的评价信息；通过评分信息与评价指标阈值进行对比判断，将钢筋样品进行分类处理；建立神经网络模型，将参数信息及评价信息导入神经网络模型中，根据神经网络模型输出结果确定钢筋样品的缺陷。在系统的实现过程中，如何通过所述钢筋评价模型生成钢筋样品的评价信息以及如何通过神经网络模型确定钢筋样品的缺陷信息都是亟不可待需要解决的问题。


技术实现要素：

4.为了解决上述至少一个技术问题，本发明提出了一种基于神经网络的钢筋检测分类方法、系统及存储介质。
5.本发明第一方面提供了一种基于神经网络的钢筋检测分类方法，包括：
6.通过电磁波检测模块获取钢筋样品长度信息，横截面面积信息；
7.通过脉冲涡流检测模块获取钢筋样品内部空隙信息；
8.通过太赫兹检测模块获取钢筋样品铁素体和珠光体含量信息；
9.通过钢筋样品的长度信息、重量信息、横截面面积信息、内部空隙信息、铁素体和珠光体含量信息获取钢筋样品的参数信息，根据所述参数信息建立钢筋评价模型；
10.预设参数信息评价权重，通过所述钢筋评价模型生成钢筋样品的评价信息；
11.预设所述钢筋评价指标阈值，通过所述评价信息与所述评价指标阈值进行对比判断，将钢筋样品进行分类处理；
12.通过分析所述钢筋样品的参数信息确定不合格钢筋样品的缺陷。
13.本方案中，根据所述参数信息建立钢筋评价模型，具体包括：
14.获取钢筋样品的参数信息，将所述参数信息中的子信息进行分类，提取自信息特征，生成相应子信息特征数据；
15.对所述子信息特征数据进行权重处理得到权重信息；
16.将所述权重信息与类别特征进行融合，构建各子信息特征数据和类别特征的映射关系
17.将所述映射关系进行表示，建立钢筋评价模型，通过所述钢筋评价模型生成钢筋样品的评价信息。
18.本方案中，构建各子信息特征数据和类别特征的映射关系，则所述映射关系的函数表达式具体为：
[0019][0020]
其中，g表示子信息特征数据和类别特征的映射关系，λ表示比例系数，p表示子信息特征数据总数，i表示子信息特征数据项数，β表示权重信息，f
i
表示表示第i个子信息特征数据，μ(x)表示钢筋评价模型的噪声函数。
[0021]
本方案中，建立神经网络模型，通过所述神经网络模型分析所述钢筋样品的参数信息确定不合格钢筋样品的缺陷，其中神经网络模型的建立具体为:
[0022]
建立初始神经网络模型，将钢筋参数标准数据及钢筋样品检测数据进行预处理，生成初始训练集；
[0023]
将所述初始训练集导入初始神经网络模型中进行迭代训练，根据迭代训练对初始神经网络模型进行相关参数的调整；
[0024]
预设神经网络模型误差阈值，多次迭代训练后对神经网络模型的误差进行计算；
[0025]
当所述误差小于预设误差阈值时，则证明神经网络训练完毕，得到训练后神经网络模型；
[0026]
将钢筋样品参数信息导入训练后神经网络模型，通过神经网络模型对参数信息进行分析，生成钢筋样品的缺陷信息。
[0027]
本方案中，通过神经网络模型对参数信息进行分析，包括：
[0028]
扫描钢筋样品，利用建模软件生成钢筋三维模型；
[0029]
将钢筋样品参数信息导入神经网络模型；
[0030]
通过反射波于透射波频率特性的变化确定钢筋样品中内部空隙的存在情况；
[0031]
通过样品铁素体和珠光体含量信息分析钢筋脆性和韧性程度信息，确定钢筋样品的最佳折弯区域；
[0032]
根据所述内部空隙的存在情况及钢筋脆性和韧性程度信息结合钢筋重量信息及横截面面积信息生成钢筋样品的缺陷信息；
[0033]
同时通过所述钢筋三维模型将内部空隙及最佳折弯区域进行可视化显示，并将位置区域进行标记。
[0034]
本方案中，所述电磁波检测模块及脉冲涡流检测模块嵌入集成在同一区域，检测激励源产生方波信号或阶跃信号，所述太赫兹检测模块中脉冲源产生太赫兹脉冲信号，通过获取太赫兹脉冲的振幅信息和相位信息，建立钢筋样品中成分信息与时间波形的关系，通过所述时间波形得到钢筋样品的吸收系数和折射率、透射率，确定钢筋样品这种铁素体和珠光体的含量。
[0035]
本发明第二方面还提供了一种基于神经网络的钢筋检测分类系统，该系统包括：存储器、处理器，所述存储器中包括基于神经网络的钢筋检测分类方法程序，所述基于神经网络的钢筋检测分类方法程序被所述处理器执行时实现如下步骤：
[0036]
获取钢筋样品的参数信息，根据所述参数信息建立钢筋评价模型；
[0037]
预设参数信息评价权重，通过所述钢筋评价模型生成钢筋样品的评价信息；
[0038]
预设所述钢筋评价指标阈值，通过所述评价信息与所述评价指标阈值进行对比判断，将钢筋样品进行分类处理；
[0039]
通过分析所述钢筋样品的参数信息确定不合格钢筋样品的缺陷。
[0040]
本方案中，根据所述参数信息建立钢筋评价模型，具体包括：
[0041]
获取钢筋样品的参数信息，将所述参数信息中的子信息进行分类，提取自信息特征，生成相应子信息特征数据；
[0042]
对所述子信息特征数据进行权重处理得到权重信息；
[0043]
将所述权重信息与类别特征进行融合，构建各子信息特征数据和类别特征的映射关系
[0044]
将所述映射关系进行表示，建立钢筋评价模型，通过所述钢筋评价模型生成钢筋样品的评价信息。
[0045]
本方案中，构建各子信息特征数据和类别特征的映射关系，则所述映射关系的函数表达式具体为：
[0046][0047]
其中，g表示子信息特征数据和类别特征的映射关系，λ表示比例系数，p表示子信息特征数据总数，i表示子信息特征数据项数，β表示权重信息，f
i
表示表示第i个子信息特征数据，μ(x)表示钢筋评价模型的噪声函数。
[0048]
本方案中，建立神经网络模型，通过所述神经网络模型分析所述钢筋样品的参数信息确定不合格钢筋样品的缺陷，其中神经网络模型的建立具体为:
[0049]
建立初始神经网络模型，将钢筋参数标准数据及钢筋样品检测数据进行预处理，生成初始训练集；
[0050]
将所述初始训练集导入初始神经网络模型中进行迭代训练，根据迭代训练对初始神经网络模型进行相关参数的调整；
[0051]
预设神经网络模型误差阈值，多次迭代训练后对神经网络模型的误差进行计算；
[0052]
当所述误差小于预设误差阈值时，则证明神经网络训练完毕，得到训练后神经网络模型；
[0053]
将钢筋样品参数信息导入训练后神经网络模型，通过神经网络模型对参数信息进行分析，生成钢筋样品的缺陷信息。
[0054]
本方案中，通过神经网络模型对参数信息进行分析，包括：
[0055]
扫描钢筋样品，利用建模软件生成钢筋三维模型；
[0056]
将钢筋样品参数信息导入神经网络模型；
[0057]
通过反射波于透射波频率特性的变化确定钢筋样品中内部空隙的存在情况；
[0058]
通过样品铁素体和珠光体含量信息分析钢筋脆性和韧性程度信息，确定钢筋样品的最佳折弯区域；
[0059]
根据所述内部空隙的存在情况及钢筋脆性和韧性程度信息结合钢筋重量信息及
横截面面积信息生成钢筋样品的缺陷信息；
[0060]
同时通过所述钢筋三维模型将内部空隙及最佳折弯区域进行可视化显示，并将位置区域进行标记。
[0061]
本方案中，所述电磁波检测模块及脉冲涡流检测模块嵌入集成在同一区域，检测激励源产生方波信号或阶跃信号，所述太赫兹检测模块中脉冲源产生太赫兹脉冲信号，通过获取太赫兹脉冲的振幅信息和相位信息，建立钢筋样品中成分信息与时间波形的关系，通过所述时间波形得到钢筋样品的吸收系数和折射率、透射率，确定钢筋样品这种铁素体和珠光体的含量。
[0062]
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于神经网络的钢筋检测分类方法程序，所述基于神经网络的钢筋检测分类方法程序被处理器执行时，实现如上述任一项所述的基于神经网络的钢筋检测分类方法的步骤。
[0063]
本发明公开了一种基于神经网络的钢筋检测分类方法及系统及存储介质，包括以下步骤：获取钢筋样品的参数信息，根据所述参数信息建立钢筋评价模型；预设参数信息评价权重，通过所述钢筋评价模型生成钢筋样品的评价信息；预设所述钢筋评价指标阈值，通过所述评分信息与所述评价指标阈值进行对比判断，将钢筋样品进行分类处理；建立神经网络模型，将所述参数信息及评价信息导入神经网络模型中，根据神经网络模型输出结果确定钢筋样品的缺陷。本发明在检测过程中还对钢筋评价模型进行精度补偿，使得数据处理结果更加准确。本发明通过建立钢筋评价模型对钢筋样品进行检测，明确钢筋样品的缺陷信息及最佳折弯区域，并根据缺陷信息及最佳折弯区域进行钢筋加工方案的优选匹配，通过钢筋分类能更好的规范钢筋使用及管理工作，同时，分类工作无需人工干预，提高生产效率，降低安全事故风险。
附图说明
[0064]
图1示出了本发明一种基于神经网络的钢筋检测分类方法的流程图；
[0065]
图2示出了本发明建立钢筋评价模型对钢筋样品进行评价的方法流程图；
[0066]
图3示出了本发明建立神经网络模型分析钢筋样品参数信息的方法流程图；
[0067]
图4示出了本发明一种基于神经网络的钢筋检测分类系统的框图。
[0068]
具体实施方法
[0069]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0070]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0071]
图1示出了本发明一种基于神经网络的钢筋检测分类方法的流程图；
[0072]
如图1所示，本发明第一方面提供了一种基于神经网络的钢筋检测分类方法，包括：
[0073]
s102，通过电磁波检测模块获取钢筋样品长度信息、横截面面积信息，通过脉冲涡流检测模块获取钢筋样品内部空隙信息，通过太赫兹检测模块获取钢筋样品铁素体和珠光
体含量信息；
[0074]
s104，通过钢筋样品的长度信息、重量信息、横截面面积信息、内部空隙信息、铁素体和珠光体含量信息获取钢筋样品的参数信息，根据所述参数信息建立钢筋评价模型；
[0075]
s106，预设参数信息评价权重，通过所述钢筋评价模型生成钢筋样品的评价信息；
[0076]
s108，预设所述钢筋评价指标阈值，通过所述评价信息与所述评价指标阈值进行对比判断，将钢筋样品进行分类处理；
[0077]
s110，通过分析所述钢筋样品的参数信息确定不合格钢筋样品的缺陷。
[0078]
需要说明的是，所述电磁波检测模块及脉冲涡流检测模块嵌入集成在同一区域，检测激励源产生方波信号或阶跃信号，所述太赫兹检测模块中脉冲源产生太赫兹脉冲信号，通过获取太赫兹脉冲的振幅信息和相位信息，建立钢筋样品中成分信息与时间波形的关系，通过所述时间波形得到钢筋样品的吸收系数和折射率、透射率，确定钢筋样品这种铁素体和珠光体的含量。
[0079]
需要说明的是，通过脉冲涡流检测模块获取钢筋样品内部空隙信息中由于脉冲脉冲涡流信号容易受到外界干扰，需要对脉冲涡流信号进行预处理，确定脉冲涡流信号的噪声强度，利用基于噪声强度的加权平均算法完成特征量的估算，抑制噪声对信号特征量的影响；完成预处理后，对脉冲涡流信号曲线进行切割分析，剔除偏移点，通过指数拟合或线性拟合得到特征量，从所述特征值中提取频率分量，通过分析频率分量实现对钢筋样品内部空隙信息的监测。
[0080]
图2示出了本发明建立钢筋评价模型对钢筋样品进行评价的方法流程图。
[0081]
根据本发明实施例，根据所述参数信息建立钢筋评价模型，具体包括：
[0082]
s202，获取钢筋样品的参数信息，将所述参数信息中的子信息进行分类，提取自信息特征，生成相应子信息特征数据；
[0083]
s204，对所述子信息特征数据进行权重处理得到权重信息；
[0084]
s206，将所述权重信息与类别特征进行融合，构建各子信息特征数据和类别特征的映射关系；
[0085]
s208，将所述映射关系进行表示，建立钢筋评价模型，通过所述钢筋评价模型生成钢筋样品的评价信息。
[0086]
需要说明的是，构建各子信息特征数据和类别特征的映射关系，则所述映射关系的函数表达式具体为：
[0087][0088]
其中，g表示子信息特征数据和类别特征的映射关系，λ表示比例系数，p表示子信息特征数据总数，i表示子信息特征数据项数，β表示权重信息，f
i
表示表示第i个子信息特征数据，μ(x)表示钢筋评价模型的噪声函数。
[0089]
本方案中，建立神经网络模型，通过所述神经网络模型分析所述钢筋样品的参数信息确定不合格钢筋样品的缺陷，其中神经网络模型的建立具体为:
[0090]
建立初始神经网络模型，将钢筋参数标准数据及钢筋样品检测数据进行预处理，生成初始训练集；
[0091]
将所述初始训练集导入初始神经网络模型中进行迭代训练，根据迭代训练对初始神经网络模型进行相关参数的调整；
[0092]
预设神经网络模型误差阈值，多次迭代训练后对神经网络模型的误差进行计算；
[0093]
当所述误差小于预设误差阈值时，则证明神经网络训练完毕，得到训练后神经网络模型；
[0094]
将钢筋样品参数信息导入训练后神经网络模型，通过神经网络模型对参数信息进行分析，生成钢筋样品的缺陷信息。
[0095]
需要说明的是，将钢筋参数标准数据及钢筋样品检测数据进行预处理，生成初始训练集具体为：获取足够多的钢筋参数标准数据及钢筋样品检测数据，或直接连接相关数据库，将获取的钢筋数据信息进行整理分类、数据分析等预处理，将钢筋数据信息进行分组，得到若干个训练信息数据集，将若干个数据集导入初始神经网络模型生成第一次学习后的输出结果，根据得到的第一次输出结果进行分析计算出每组训练集的初始学习率，初始学习率与离散系数成正比，将第一次学习后的输出结果再次导入神经网络模型，继续进行n次学习，在每次学习的过程中使得若干组训练信息数据集的损失函数保持线性相关，根据多个训练集以及损失函数对神经网络模型进行相关参数的调整，输出初始神经网络模型进行n次学习后的输出结果，设定神经网络模型误差阈值，比较计算若干组训练信息数据集的输出结果得到误差值，判断误差值是否小于预设误差阈值，若所述误差值小于预设误差阈值，则证明神经网络训练完毕，得到训练后神经网络模型。
[0096]
图3示出了本发明建立神经网络模型分析钢筋样品参数信息的方法流程图。
[0097]
根据本发明实施例，通过神经网络模型对参数信息进行分析，包括：
[0098]
s302，扫描钢筋样品，利用建模软件生成钢筋三维模型；
[0099]
s304，将钢筋样品参数信息导入神经网络模型；
[0100]
s306，通过反射波于透射波频率特性的变化确定钢筋样品中内部空隙的存在情况；
[0101]
s308，通过样品铁素体和珠光体含量信息分析钢筋脆性和韧性程度信息，确定钢筋样品的最佳折弯区域；
[0102]
s310，根据所述内部空隙的存在情况及钢筋脆性和韧性程度信息结合钢筋重量信息及横截面面积信息生成钢筋样品的缺陷信息；
[0103]
s312，同时通过所述钢筋三维模型将内部空隙及最佳折弯区域进行可视化显示，并将位置区域进行标记。
[0104]
需要说明的是，所述电磁波检测模块及脉冲涡流检测模块嵌入集成在同一区域，检测激励源产生方波信号或阶跃信号，所述太赫兹检测模块中脉冲源产生太赫兹脉冲信号，通过获取太赫兹脉冲的振幅信息和相位信息，建立钢筋样品中成分信息与时间波形的关系，通过所述时间波形得到钢筋样品的吸收系数和折射率、透射率，确定钢筋样品这种铁素体和珠光体的含量。
[0105]
根据本发明实施例，还对钢筋评价模型进行精度补偿，具体为：
[0106]
通过钢筋评价模型获取钢筋样品的参数信息生成评价得分信息，并按照所述评价得分信息生成分类信息；
[0107]
通过神经网络模型对钢筋样品参数信息进行分析，提取神经网络模型输出结果特
征信息；
[0108]
将所述特征信息反馈到钢筋评价模型，将所述特征信息与分类信息进行对比分析，生成偏差率；
[0109]
判断所述偏差率是否大于预设偏差率阈值；
[0110]
若大于，则分析噪声干扰信息，根据所述噪声干扰信息计算修正参数；
[0111]
根据所述修正参数，对钢筋评价模型进行修正。
[0112]
根据本发明实施例，本发明还可根据钢筋最佳弯折区域匹配钢筋加工方案，按照加工方案对钢筋进行分类，具体为：
[0113]
获取钢筋样品的缺陷信息及最佳弯折区域的位置信息，根据所述位置信息提取位置特征信息，并将钢筋样品进行编号，生成编号信息；
[0114]
获取钢筋加工方案进行匹配，提取钢筋加工方案的方案特征信息；
[0115]
将所述位置特征信息与所述方案特征信息进行匹配，得到匹配度；
[0116]
预设匹配度阈值，将所述匹配度与匹配度阈值进行分析比较；
[0117]
获取大于预设匹配阈值的钢筋样品，并按匹配度由大到小进行排序，根据钢筋加工方案中的数量信息进行选取；
[0118]
若所述匹配度小于匹配度阈值，则按照钢筋样品的编号信息暂时挂起，当有新钢筋加工方案接入时，按照编号排序进行新一轮匹配。
[0119]
图4示出了本发明一种基于神经网络的钢筋检测分类系统的框图。
[0120]
本发明第二方面还提供了一种基于神经网络的钢筋检测分类系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于神经网络的钢筋检测分类方法程序，所述一种基于神经网络的钢筋检测分类方法程序被所述处理器执行时实现如下步骤：
[0121]
获取钢筋样品的参数信息，根据所述参数信息建立钢筋评价模型；
[0122]
预设参数信息评价权重，通过所述钢筋评价模型生成钢筋样品的评价信息；
[0123]
预设所述钢筋评价指标阈值，通过所述评价信息与所述评价指标阈值进行对比判断，将钢筋样品进行分类处理；
[0124]
通过分析所述钢筋样品的参数信息确定不合格钢筋样品的缺陷。
[0125]
需要说明的是，所述电磁波检测模块及脉冲涡流检测模块嵌入集成在同一区域，检测激励源产生方波信号或阶跃信号，所述太赫兹检测模块中脉冲源产生太赫兹脉冲信号，通过获取太赫兹脉冲的振幅信息和相位信息，建立钢筋样品中成分信息与时间波形的关系，通过所述时间波形得到钢筋样品的吸收系数和折射率、透射率，确定钢筋样品这种铁素体和珠光体的含量。
[0126]
需要说明的是，通过脉冲涡流检测模块获取钢筋样品内部空隙信息中由于脉冲脉冲涡流信号容易受到外界干扰，需要对脉冲涡流信号进行预处理，确定脉冲涡流信号的噪声强度，利用基于噪声强度的加权平均算法完成特征量的估算，抑制噪声对信号特征量的影响；完成预处理后，对脉冲涡流信号曲线进行切割分析，剔除偏移点，通过指数拟合或线性拟合得到特征量，从所述特征值中提取频率分量，通过分析频率分量实现对钢筋样品内部空隙信息的监测。
[0127]
根据本发明实施例，根据所述参数信息建立钢筋评价模型，具体包括：
[0128]
获取钢筋样品的参数信息，将所述参数信息中的子信息进行分类，提取自信息特
征，生成相应子信息特征数据；
[0129]
对所述子信息特征数据进行权重处理得到权重信息；
[0130]
将所述权重信息与类别特征进行融合，构建各子信息特征数据和类别特征的映射关系
[0131]
将所述映射关系进行表示，建立钢筋评价模型，通过所述钢筋评价模型生成钢筋样品的评价信息。
[0132]
需要说明的是，构建各子信息特征数据和类别特征的映射关系，则所述映射关系的函数表达式具体为：
[0133][0134]
其中，g表示子信息特征数据和类别特征的映射关系，λ表示比例系数，p表示子信息特征数据总数，i表示子信息特征数据项数，β表示权重信息，f
i
表示表示第i个子信息特征数据，μ(x)表示钢筋评价模型的噪声函数。
[0135]
根据本发明实施例，建立神经网络模型，通过所述神经网络模型分析所述钢筋样品的参数信息确定不合格钢筋样品的缺陷，其中神经网络模型的建立具体为:
[0136]
建立初始神经网络模型，将钢筋参数标准数据及钢筋样品检测数据进行预处理，生成初始训练集；
[0137]
将所述初始训练集导入初始神经网络模型中进行迭代训练，根据迭代训练对初始神经网络模型进行相关参数的调整；
[0138]
预设神经网络模型误差阈值，多次迭代训练后对神经网络模型的误差进行计算；
[0139]
当所述误差小于预设误差阈值时，则证明神经网络训练完毕，得到训练后神经网络模型；
[0140]
将钢筋样品参数信息导入训练后神经网络模型，通过神经网络模型对参数信息进行分析，生成钢筋样品的缺陷信息。
[0141]
需要说明的是，将钢筋参数标准数据及钢筋样品检测数据进行预处理，生成初始训练集具体为：获取足够多的钢筋参数标准数据及钢筋样品检测数据，或直接连接相关数据库，将获取的钢筋数据信息进行整理分类、数据分析等预处理，将钢筋数据信息进行分组，得到若干个训练信息数据集，将若干个数据集导入初始神经网络模型生成第一次学习后的输出结果，根据得到的第一次输出结果进行分析计算出每组训练集的初始学习率，初始学习率与离散系数成正比，将第一次学习后的输出结果再次导入神经网络模型，继续进行n次学习，在每次学习的过程中使得若干组训练信息数据集的损失函数保持线性相关，根据多个训练集以及损失函数对神经网络模型进行相关参数的调整，输出初始神经网络模型进行n次学习后的输出结果，设定神经网络模型误差阈值，比较计算若干组训练信息数据集的输出结果得到误差值，判断误差值是否小于预设误差阈值，若所述误差值小于预设误差阈值，则证明神经网络训练完毕，得到训练后神经网络模型。
[0142]
根据本发明实施例，通过神经网络模型对参数信息进行分析，生成钢筋样品的缺陷信息，包括：
[0143]
扫描钢筋样品，利用建模软件生成钢筋三维模型；
[0144]
将钢筋样品参数信息导入神经网络模型；
[0145]
通过反射波于透射波频率特性的变化确定钢筋样品中内部空隙的存在情况；
[0146]
通过样品铁素体和珠光体含量信息分析钢筋脆性和韧性程度信息，确定钢筋样品的最佳折弯区域；
[0147]
根据所述内部空隙的存在情况及钢筋脆性和韧性程度信息结合钢筋重量信息及横截面面积信息生成钢筋样品的缺陷信息；
[0148]
同时通过所述钢筋三维模型将内部空隙及最佳折弯区域进行可视化显示，并将位置区域进行标记。
[0149]
根据本发明实施例，还对钢筋评价模型进行精度补偿，具体为：
[0150]
通过钢筋评价模型获取钢筋样品的参数信息生成评价得分信息，并按照所述评价得分信息生成分类信息；
[0151]
通过神经网络模型对钢筋样品参数信息进行分析，提取神经网络模型输出结果特征信息；
[0152]
将所述特征信息反馈到钢筋评价模型，将所述特征信息与分类信息进行对比分析，生成偏差率；
[0153]
判断所述偏差率是否大于预设偏差率阈值；
[0154]
若大于，则分析噪声干扰信息，根据所述噪声干扰信息计算修正参数；
[0155]
根据所述修正参数，对钢筋评价模型进行修正。
[0156]
根据本发明实施例，本发明还可根据钢筋最佳弯折区域匹配钢筋加工方案，按照加工方案对钢筋进行分类，具体为：
[0157]
获取钢筋样品的缺陷信息及最佳弯折区域的位置信息，根据所述位置信息提取位置特征信息，并将钢筋样品进行编号，生成编号信息；
[0158]
获取钢筋加工方案进行匹配，提取钢筋加工方案的方案特征信息；
[0159]
将所述位置特征信息与所述方案特征信息进行匹配，得到匹配度；
[0160]
预设匹配度阈值，将所述匹配度与匹配度阈值进行分析比较；
[0161]
获取大于预设匹配阈值的钢筋样品，并按匹配度由大到小进行排序，根据钢筋加工方案中的数量信息进行选取；
[0162]
若所述匹配度小于匹配度阈值，则按照钢筋样品的编号信息暂时挂起，当有新钢筋加工方案接入时，按照编号排序进行新一轮匹配。
[0163]
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于神经网络的钢筋检测分类方法程序，所述基于神经网络的钢筋检测分类方法程序被处理器执行时，实现如上述任一项所述的基于神经网络的钢筋检测分类方法的步骤。
[0164]
本发明公开了一种基于神经网络的钢筋检测分类方法及系统及存储介质，包括以下步骤：获取钢筋样品的参数信息，根据所述参数信息建立钢筋评价模型；预设参数信息评价权重，通过所述钢筋评价模型生成钢筋样品的评价信息；预设所述钢筋评价指标阈值，通过所述评分信息与所述评价指标阈值进行对比判断，将钢筋样品进行分类处理；建立神经网络模型，将所述参数信息及评价信息导入神经网络模型中，根据神经网络模型输出结果确定钢筋样品的缺陷。本发明在检测过程中还对钢筋评价模型进行精度补偿，使得数据处理结果更加准确。本发明通过建立钢筋评价模型对钢筋样品进行检测，明确钢筋样品的缺陷信息及最佳折弯区域，并根据缺陷信息及最佳折弯区域进行钢筋加工方案的优选匹配，
通过钢筋分类能更好的规范钢筋使用及管理工作，同时，分类工作无需人工干预，提高生产效率，降低安全事故风险。
[0165]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0166]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0167]
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0168]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0169]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0170]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。