导读：近年来，上海建工积极探索人工智能在建筑工程领域的技术应用，自主开发了基于计算机视觉、深度学习与5G技术的“钢筋云点数”微信小程序，通过手机拍照，仅用时2.3秒便可自动完成钢筋/钢管点数。截至目前，该小程序优化至V5.0版本，已在上海建工在建的上海大歌剧院、徐家汇中心、世博酒店等重点工程得到充分应用，并已对外部企业、科研院所、高校等开放使用。小程序调用次数约4万次，涉及实际工程项目300余个，完成钢筋/钢管云点数约350万根。
“钢筋/钢管云点数”微信小程序由上海建工四建集团自主研发， 2020年10月26日正式上线发布，其中的钢筋/钢管识别及点数核心算法全部由四建集团独立编写完成，目前已对外部单位开放使用。
截至2022年1月31日，小程序注册用户2800余位，调用次数约4万次，完成钢筋/钢管云点数约350万根。按照人工点数每根钢筋/钢管需2秒计算，人工不间断点数同等数量钢筋/钢管共需1950小时，使用小程序点数仅需32小时，点数效率提高60倍，显著提升了此项重复性工作的工作效率。
四建集团唐镇项目钢管云点数
四建集团徐汇长桥项目钢筋云点数
“钢筋/钢管云点数”微信小程序由小程序前端和后台记录管理平台两部分组成。小程序前端主要用于输入待点数钢筋图像、在线编辑图像、智能点数钢筋、校核钢筋数量、生成钢筋点数报告；后台记录管理平台主要用于实时记录小程序前端运行情况，包括记录用户姓名、所在项目、单位等用户信息以及使用时间、钢筋云点数数量、校核后钢筋数量等小程序使用信息。
小程序系统架构及运行流程示意图
小程序使用界面展示
四大技术特点
基于FPN的多尺度特征融合卷积神经网络模型
图像中的钢筋具有物体目标小、物体重叠、物体尺寸各异、拍照背景多样等复杂视觉特征，为了提升卷积神经网络模型提取钢筋特征的效果，四建集团建立了基于FPN的多尺度特征融合卷积神经网络模型，通过融合检测目标多尺度特征图，提高了模型检测重叠小物体的准确率。在最新发布的V5.0小程序版本中，钢筋云点数准确率接近95%，钢管云点数准确率接近98.5%。
FPN特征金字塔网络结构
基于Adam方法的动态学习率修正策略
深度学习模型中，学习率是一项极其重要的模型超参数，传统学习率修正方式采用基于经验的手动调整方法，通过观察训练模型loss值随迭代次数的变化曲线，寻找特定区间内梯度下降速度最快的学习率设定值，此方法需要大量模型试验，效率较低。鉴于此，四建集团采用基于Adam方法的动态学习率修正策略，通过计算梯度的一阶矩估计和二阶矩估计，实现学习率自适应调整。
基于Adam方法的梯度优化器结构
基于层权重的模型裁剪技术
除了云点数准确率外，小程序运行速度也是影响用户使用体验的关键指标。针对此问题，四建集团基于层权重的模型裁剪技术，计算、评估并筛选模型中对模型效果敏感程度较低的模型参数，将其剔除，以最大程度地减小神经网络计算量。同时，搭建80算力64g显存的GPU云端服务器进行模型加速计算，并利用5G网络，保证手机设备端与服务器云端之间的数据传输快速和通畅。在最新发布的V5.0小程序版本中，最快云点数测试速度可达2.3秒/次，平均云点数测试时间仅需5秒。
卷积神经网络模型裁剪关键环节
基于OpenCV修改传统矩形识别锚框显示方式
小程序云点数测试准确率高达98.5%，当偶尔出现误点、漏点的情况时，也可以通过人工进行及时、高效的点数校核及修正。传统深度学习物体检测模型的显示方式大多采用矩形识别锚框，给人工校核图像中分布密集、排列重叠的钢筋点数结果带来极大不便。因此四建集团基于OpenCV计算机视觉库，编写了独立的钢筋识别显示模块，实现了“矩形透明蓝色背景加红色圆点”的显示方式，方便用户校核钢筋云点数结果。
小程序钢筋识别显示方式优化效果
目前，“钢筋/钢管云点数”微信小程序已对外部单位开放，包括施工企业、脚手架租赁公司、地产公司、科技公司、高校、科研院等，受到广泛欢迎。
