導讀：近年來，上海建工積極探索人工智慧在建築工程領域的技術應用，自主開發了基於計算機視覺、深度學習與5G技術的“鋼筋雲點數”微信小程式，透過手機拍照，僅用時2.3秒便可自動完成鋼筋/鋼管點數。截至目前，該小程式最佳化至V5.0版本，已在上海建工在建的上海大歌劇院、徐家彙中心、世博酒店等重點工程得到充分應用，並已對外部企業、科研院所、高校等開放使用。小程式呼叫次數約4萬次，涉及實際工程專案300餘個，完成鋼筋/鋼管雲點數約350萬根。
“鋼筋/鋼管雲點數”微信小程式由上海建工四建集團自主研發， 2020年10月26日正式上線釋出，其中的鋼筋/鋼管識別及點數核心演算法全部由四建集團獨立編寫完成，目前已對外部單位開放使用。
截至2022年1月31日，小程式註冊使用者2800餘位，呼叫次數約4萬次，完成鋼筋/鋼管雲點數約350萬根。按照人工點數每根鋼筋/鋼管需2秒計算，人工不間斷點數同等數量鋼筋/鋼管共需1950小時，使用小程式點數僅需32小時，點數效率提高60倍，顯著提升了此項重複性工作的工作效率。
四建集團唐鎮專案鋼管雲點數
四建集團徐匯長橋專案鋼筋雲點數
“鋼筋/鋼管雲點數”微信小程式由小程式前端和後臺記錄管理平臺兩部分組成。小程式前端主要用於輸入待點數鋼筋影象、線上編輯影象、智慧點數鋼筋、校核鋼筋數量、生成鋼筋點數報告；後臺記錄管理平臺主要用於實時記錄小程式前端執行情況，包括記錄使用者姓名、所在專案、單位等使用者資訊以及使用時間、鋼筋雲點數數量、校核後鋼筋數量等小程式使用資訊。
小程式系統架構及執行流程示意圖
小程式使用介面展示
四大技術特點
基於FPN的多尺度特徵融合卷積神經網路模型
影象中的鋼筋具有物體目標小、物體重疊、物體尺寸各異、拍照背景多樣等複雜視覺特徵，為了提升卷積神經網路模型提取鋼筋特徵的效果，四建集團建立了基於FPN的多尺度特徵融合卷積神經網路模型，透過融合檢測目標多尺度特徵圖，提高了模型檢測重疊小物體的準確率。在最新發布的V5.0小程式版本中，鋼筋雲點數準確率接近95%，鋼管雲點數準確率接近98.5%。
FPN特徵金字塔網路結構
基於Adam方法的動態學習率修正策略
深度學習模型中，學習率是一項極其重要的模型超引數，傳統學習率修正方式採用基於經驗的手動調整方法，透過觀察訓練模型loss值隨迭代次數的變化曲線，尋找特定區間內梯度下降速度最快的學習率設定值，此方法需要大量模型試驗，效率較低。鑑於此，四建集團採用基於Adam方法的動態學習率修正策略，透過計算梯度的一階矩估計和二階矩估計，實現學習率自適應調整。
基於Adam方法的梯度最佳化器結構
基於層權重的模型裁剪技術
除了雲點數準確率外，小程式執行速度也是影響使用者使用體驗的關鍵指標。針對此問題，四建集團基於層權重的模型裁剪技術，計算、評估並篩選模型中對模型效果敏感程度較低的模型引數，將其剔除，以最大程度地減小神經網路計算量。同時，搭建80算力64g視訊記憶體的GPU雲端伺服器進行模型加速計算，並利用5G網路，保證手機裝置端與伺服器雲端之間的資料傳輸快速和通暢。在最新發布的V5.0小程式版本中，最快雲點數測試速度可達2.3秒/次，平均雲點數測試時間僅需5秒。
卷積神經網路模型裁剪關鍵環節
基於OpenCV修改傳統矩形識別錨框顯示方式
小程式雲點數測試準確率高達98.5%，當偶爾出現誤點、漏點的情況時，也可以透過人工進行及時、高效的點數校核及修正。傳統深度學習物體檢測模型的顯示方式大多采用矩形識別錨框，給人工校核影象中分佈密集、排列重疊的鋼筋點數結果帶來極大不便。因此四建集團基於OpenCV計算機視覺庫，編寫了獨立的鋼筋識別顯示模組，實現了“矩形透明藍色背景加紅色圓點”的顯示方式，方便使用者校核鋼筋雲點數結果。
小程式鋼筋識別顯示方式最佳化效果
“鋼筋/鋼管雲點數”微信小程式二維碼
目前，“鋼筋/鋼管雲點數”微信小程式已對外部單位開放，包括施工企業、腳手架租賃公司、地產公司、科技公司、高校、科研院等，受到廣泛歡迎。
