李姚舜，劉黎志

（智能機器人湖北省重點實驗室（武漢工程大學），武漢 430205）

0 引言

隨著大數(shù)據(jù)和人工智能（Artificial Intelligence，AI）技術的廣泛應用，社會各領域均向著智慧化方向發(fā)展，例如“智慧城市”“智慧圖書館”“智慧工地”等［1］，其中的理念就是將現(xiàn)有的機器人、大數(shù)據(jù)、人工智能等高新技術植入到工業(yè)設備中。

目標檢測是一種常見的工業(yè)場景分析模塊，隨著卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）的發(fā)展，基于深度學習的目標檢測技術被廣泛研究。近年來，基于錨點（Anchor）框的Anchor-Based 檢測器已成為目標檢測的主流。一些基于RPN（Region Proposal Network）的二階段目標檢測框架，如RCNN（Region-CNN）［2］、Fast R-CNN（Fast Region-CNN）［3］、Faster R-CNN（Faster Region-CNN）［4］和Mask RCNN（Mask Region-CNN）［5］不斷更新目標檢測的最高精度，但這些方法必須依賴強大的GPU 算力。隨后出現(xiàn)了SSD（Single Shot MultiBox Detector）［6］、DSSD（Deconvolutional Single Shot Detector）［7］、YOLO（You Only Look Once）系列［8-11］、RetinaNet［12］等一階段的模型，由于其檢測速度可以同時滿足靜態(tài)圖片及實時視頻需要，在業(yè)界應用十分廣泛。盡管如此，它們仍然需要大量的計算開銷和運行內存來保持良好的檢測性能。

隨著FPN（Feature Pyramid Network）［13］和Focal Loss［12］的提出，學術界的注意力轉向到Anchor-Free 的檢測方法。Anchor-Free 檢測器取消了Anchor 框的設置，將目標檢測看作對象關鍵點的預測。通常包括兩種檢測方法：一種是首先定位幾個預定義的或自學習的關鍵點，然后綁定對象的空間范圍，這種檢測器稱為基于關鍵點的檢測方法［14-16］；另一種使用對象的中心點或區(qū)域來定義目標范圍，然后預測中心點到對象邊界的4 個距離，這種檢測器稱為基于中心點的檢測方法［17-18］。Anchor-Free 檢測器消除了與Anchor 相關的超參數(shù)，簡化了編碼過程，通過一定的訓練可以取得與Anchor-Based 檢測器相似的性能，在泛化能力方面更具潛力；但是Anchor-Free 檢測器訓練時間長、訓練過程不穩(wěn)定，并且在檢測精度上仍然有一定的瓶頸，無法較好地應用在生產(chǎn)和實踐過程中。

雖然神經(jīng)網(wǎng)絡模型在各領域都取得了不錯的進展，但是人們發(fā)現(xiàn)其在實踐中經(jīng)常有難以預測的錯誤，這對于要求可靠性較高的系統(tǒng)很危險［19］，因此引起了對神經(jīng)網(wǎng)絡可解釋性的關注。Itti 等［20］提出了圖像的顯著性圖，在此基礎上發(fā)展而來的顯著性目標檢測，通過輸出不同網(wǎng)絡層的顯著性圖，可以看到神經(jīng)網(wǎng)絡關注的圖像位置，從而解釋了神經(jīng)網(wǎng)絡為什么能看到目標［21-22］。此外，注意力機制（Attention Mechanism）也可提高神經(jīng)網(wǎng)絡的可解釋性，近幾年來在圖像、自然語言處理等領域中，注意力機制都取得了重要的突破，有益于提高模型的性能。Hu 等［23］提出的SENet（Squeezeand-Excitation Network）成功地將注意力機制應用到了計算機視覺領域，贏得了最后一屆ImageNet 2017 競賽分類任務的冠軍。Li 等［24］將軟注意力機制融合進網(wǎng)絡提出了SKNet（Selective Kernel Network），使網(wǎng)絡可以獲取不同感受野的信息，提高了網(wǎng)絡的泛化能力。在后續(xù)的研究過程中，Woo等［25］提出了一種輕量的注意力模塊CBAM（Convolutional Block Attention Module），該模塊在通道和空間維度上進行注意力權重推測，相比SENet 只關注通道的注意力機制可以取得更好的效果。Vaswani 等［26］在2017 年首次提出了基于自注意力的Transformer 模型，使用編碼器和解碼器的堆疊自注意層和點向全連接層，并使用注意力替換了原來Seq2Seq 模型中的循環(huán)結構，避免了重復和卷積。Parmar 等［27］把Transformer 模型推廣到具有易于處理的似然性的圖像生成序列建模公式中，最先使用完整的Transformer 做圖像生成的工作。Dosovitskiy 等［28］提出了ViT（Vision Transformer），將純Transformer 模型直接應用于圖像輸入，驗證了基于Transformer 的體系結構可以在基準分類任務上取得有競爭力的結果。Carion 等［29］提出了一種用于目標檢測的DETR（DEtection TRansformer）模型，將目標檢測任務視為一種圖像到集合的問題。給定一張圖像，模型必須預測所有目標的無序集合，每個目標基于類別表示，并且周圍各有一個緊密的邊界框。在定位圖像中的目標以及提取特征時，相比傳統(tǒng)的計算機視覺模型，DETR 使用更為簡單的神經(jīng)網(wǎng)絡，提供了一個真正的端到端深度學習解決方案。與DETR 范式不同，Beal 等［30］將ViT 與RPN 進行結合，即將CNN 主干替換為Transformer，組成 ViT-FRCNN（Vision Transformer-Faster Region-CNN），用于處理復雜的視覺任務（例如目標檢測）。上述基于注意力機制的目標檢測框架，雖然達到了一定的檢測效果，但在檢測小目標和檢測精度上與其他的CNN 框架還有一定的差距，框架中包含的全連接結構使網(wǎng)絡結構的參數(shù)量大幅增加，不僅增加了訓練難度，同時還大幅降低了檢測速度，因此暫時無法部署到實際生產(chǎn)過程中。

在智慧工地的應用中，有一項必不可少的工作就是鋼筋數(shù)量檢測，由于鋼筋本身價格較昂貴，且在實際使用中數(shù)量很多，誤檢和漏檢都需要人工在大量的標記點中找出，所以對檢測精度要求非常高，目前的鋼筋檢測仍為人工盤點。文獻［31-32］中提出可利用傳統(tǒng)的圖像處理技術，對輸入圖像進行預處理，并結合面積、形態(tài)等因素進行匹配計數(shù)，但在密集或有遮擋的情況下效果表現(xiàn)不佳。為進一步提高鋼筋計數(shù)效率和精度，文獻［33-34］中提出利用神經(jīng)網(wǎng)絡算法開展鋼筋識別研究，在檢測效率上顯著提高，但是精度稍顯劣勢。Zhu 等［35］提出了一 種SWDA（Strong-Weak Distribution Alignment）的數(shù)據(jù)增強方法，首先將每根鋼筋的位置進行裁剪，然后輸入全卷積網(wǎng)絡（Fully Convolutional Network，F(xiàn)CN）模型以獲得語義掩碼，最后利用3 個FCN 模型對鋼筋端面進行高質量的語義分割和組合，雖然取得了較好的準確率，但這種多階段的網(wǎng)絡設計模型較大，且要求輸入的圖片清晰度較高，因此，如何在不降低檢測精度的前提下來減少網(wǎng)絡的參數(shù)和模型大小成為一個亟待解決的問題。

文 獻［36］中指出利用殘差網(wǎng)絡（Residual Network，ResNet）可以有效解決神經(jīng)網(wǎng)絡的梯度彌散、爆炸以及網(wǎng)絡退化的問題，使得輸入的信息能夠在網(wǎng)絡中傳播得更遠，也可以提升網(wǎng)絡的性能。由于深層網(wǎng)絡的感受野比較大，語義信息表征能力強，但是特征圖的分辨率低，幾何信息的表征能力弱；低層網(wǎng)絡的感受野比較小，幾何細節(jié)信息表征能力強，雖然分辨率高，但是語義信息表征能力弱。使用金字塔池化可以融合高低層特征，使得網(wǎng)絡最終的語義信息特征和空間信息特征都比較好［37］。在YOLOv3 基礎上，本文結合ResNet、FPN、注意力機制重新設計了一種嵌入注意力機制的輕量級鋼筋檢測網(wǎng)絡RebarNet。與其他鋼筋檢測網(wǎng)絡相比，它具有更小的模型尺寸、更少的可訓練參數(shù)、更快的推理速度，并且沒有降低檢測精度。

1 YOLOv3模型

在YOLOv3 網(wǎng)絡中，32 倍下采樣的13×13 尺寸的特征圖具有大的感受野，適合檢測大目標的物體；16 倍下采樣的26×26 尺寸的特征圖適合檢測中等大小目標的物體；8 倍下采樣的52×52 尺寸的特征圖具有較小的感受野，適合檢測小目標［10］。YOLOv3 模型采用Darknet-53 作為骨干網(wǎng)絡，極大地提高了算法的穩(wěn)定性及目標檢測的準確率，其結構細節(jié)如圖1 所示。

圖1 Darknet-53結構Fig.1 Structure of Darknet-53

YOLOv3 將目標檢測看做目標中心點、目標寬高的預測，并設置Anchor 先驗框。YOLOv3 模型對于特征圖上每個點共預測5 個數(shù)值：該點右下角存在目標中心的概率p、目標中心相對于當前特征點的橫坐標偏移量cx、縱坐標偏移量cy、目標寬高相對于Anchor 框寬高的比例系數(shù)tx、ty。預測過程如圖2 所示。

圖2 特征圖預測過程示意圖Fig.2 Schematic diagram of feature map prediction process

圖2 中黑線框表示預測框，w、h表示預測框的寬高，設Anchor 先驗框的寬高為Awidth、Aheight，比例系數(shù)tx、ty與w、h之間的轉換參見式（1）、（2）：

2 RebarNet

2.1 可行性分析

為了能夠檢測不同尺寸、方向的物體，幫助模型快速收斂，YOLOv3 在COCO 數(shù)據(jù)集上利用K-Means 聚類，為每個檢測通道設置了3個Anchor先驗框（僅包含寬高），如表1所示。

利用Python語言對訓練集圖片中的鋼筋寬高進行統(tǒng)計，所有寬高均歸一化至416×416大小，對應的散點圖如圖3所示。

根據(jù)圖3 所示，鋼筋寬度主要分布在10～40 像素，高度主要分布在10～50 像素，鋼筋的寬高分布比較緊湊，出現(xiàn)異常的寬高值比較少。結合表1 的Anchor 先驗框分析，鋼筋的寬高主要分布在YOLOv3 的52×52 檢測通道中，由此考慮是否可以僅利用YOLOv3 的52×52 檢測通道對鋼筋圖像進行檢測。為驗證這一猜想，本文統(tǒng)計了訓練集和驗證集共250 幅圖像在YOLOv3 檢測過程中，共36 802 根鋼筋真實（Ground True，GT）框的分布情況，其中，包含94.72%（34 859）的鋼筋GT 分布在52×52 的檢測小目標通道中，僅有5.28%（1 943）的GT 分布在26×26 的檢測中等目標通道中，而在檢測大目標的13×13 通道中沒有GT 出現(xiàn)?？梢?3×13、26×26 的檢測通道對于鋼筋圖像的檢測幾乎沒有貢獻，可以嘗試僅保留52×52 的檢測通道。

表1 YOLOv3設置Anchor框Tab.1 Anchors of YOLOv3

圖3 鋼筋寬高分布情況Fig.3 Distribution of width and height of rebar

為了驗證52×52 的通道的檢測效果，本文首先根據(jù)鋼筋的不同數(shù)量級從小到大選取了6 張圖片，如圖4（a）所示；然后將圖片依次輸入訓練完成的YOLOv3 網(wǎng)絡中進行檢測，并將52×52 檢測通道的顯著性圖映射回原圖；最后輸出52×52檢測通道的熱力圖（Heatmap），如圖4（b）所示。

圖4 不同鋼筋檢測網(wǎng)絡52×52通道的HeatmapFig.4 Heatmap of 52×52 channel in different rebar detection networks

熱力圖中，顏色越亮的位置，表示該處的權重值越大，也就意味著網(wǎng)絡更多地注意到了該位置，該處存在目標的可能性更大。分析圖4（b）可以發(fā)現(xiàn)，YOLOv3 網(wǎng)絡的52×52 檢測通道的熱力圖所有亮度均一致，表示每一個像素點的權重分布相同，即網(wǎng)絡認為鋼筋背景和前景具有同樣的重要性，可以推測網(wǎng)絡僅僅是在盲目地搜索目標。

為進一步驗證注意力機制在目標檢測中的有效性，本文在YOLOv3 網(wǎng)絡中加入CBAM 注意力模塊［25］并重新訓練模型。為了不影響Darknet-53 網(wǎng)絡預訓練參數(shù)的加載，僅在Darknet-53 網(wǎng)絡的第一層和最后一層卷積中加入CBAM 模塊。然后將圖4（a）中的圖片依次輸入網(wǎng)絡中進行檢測，最后再次輸出52×52 檢測通道的Heatmap，如圖4（c）所示。

分析圖4（c），加入CBAM 注意力模塊之后，52×52 檢測通道的權重分布比之前更加集中于鋼筋中心點的位置，由此說明加入注意力模塊之后，網(wǎng)絡更加能注意到鋼筋目標的位置，而并不是盲目地搜索。但是圖4（c）中的網(wǎng)絡也僅僅更多地注意到了小部分鋼筋目標，仍然有大多數(shù)的鋼筋目標被忽略，說明該通道的權重分布仍然有提升的空間。據(jù)此可以推測，如果能夠設計更優(yōu)的網(wǎng)絡結構，進一步調整網(wǎng)絡在檢測鋼筋圖像時的權重分布，使得權重更多地集中于鋼筋目標的位置，就能夠提升52×52 通道的檢測效果。

基于上述實驗的結果，本文結合ResNet［36］、FPN［13］和注意力機制［23-25］設計了一個嵌入注意力機制的輕量級鋼筋檢測網(wǎng)絡RebarNet。

2.2 骨干網(wǎng)絡

為了簡化模型的大小而不顯著降低模型的檢測精度，本文利用殘差塊ResidualBlock 作為網(wǎng)絡的基本單元。

ResidualBlock 組成如下：首先利用BasicBlock_1 和BasicBlock_2 作為特征提取模塊，其中BasicBlock_2 包含一個步長為2 的卷積操作，用于對特征圖進行2 倍下采樣；然后利用1×1 大小、步長為2 的卷積對BasicBlock_1 輸出的特征圖進行2 倍下采樣，將輸出的特征圖與BasicBlock_2 輸出的特征圖進行殘差跳連，以延長網(wǎng)絡記憶特征的距離；然后利用1×1、3×3 的卷積對前述特征圖進行特征提??；最后在末尾添加通道注意力（Channel Attention，CA）和空間注意力（Spatial Attention，SA）模塊［25］，調整特征圖分配權重。

ResidualBlock 會對輸入特征圖進行2 倍下采樣處理。YOLOv3 網(wǎng)絡中52×52 尺寸的檢測通道，是對輸入特征圖進行8 倍下采樣后的結果。2.1 節(jié)的分析表明，仍有少量的GT框分布于26×26 尺寸的檢測通道中，因此本文在骨干網(wǎng)絡的設計過程中，包含了4 個ResidualBlock 模塊，即對輸入特征圖進行24=16 倍下采樣，避免了26×26 通道中的信息丟失。前一個ResidualBlock 輸出的特征圖經(jīng)過1×1 大小、步長為2的卷積進行2 倍下采樣處理后，與后一個ResidualBlock 輸出的特征圖進行殘差跳連，從而延長ResidualBlock 模塊記憶特征的距離。整個骨干網(wǎng)絡共包含3 次模塊間跳連過程。

為了使最終輸出的52×52 檢測通道的特征圖包含26×26檢測通道的信息，此處將16 倍下采樣后的26×26 尺寸的特征圖進行2 倍上采樣（Upsample）處理，得到52×52 尺寸的特征圖，與8 倍下采樣后得到的52×52 尺寸的特征圖進行特征金字塔融合，以增大網(wǎng)絡的感受野，最后輸出52×52 尺寸的特征圖。將得到的特征圖再次利用1×1、3×3 的卷積進行特征提取，并對輸出的特征圖添加通道注意力和空間注意力模塊［23］，調整特征圖分配權重，最后輸出52×52 尺寸的特征圖用于檢測鋼筋。骨干網(wǎng)絡的結構如圖5 所示。

圖5 本文模型的骨干網(wǎng)絡結構Fig.5 Backbone structure of the proposed model

利用本文網(wǎng)絡重新訓練鋼筋數(shù)據(jù)集至模型擬合，輸出52×52 檢測通道的熱力圖如圖4（d）所示。

分析圖4（d）可以發(fā)現(xiàn)，本文網(wǎng)絡更多地聚焦到了鋼筋中心點所在的位置，抑制了無關的背景特征，可見網(wǎng)絡提取鋼筋特征的能力增強。結合圖4、5 進行分析，本文網(wǎng)絡相比添加了CBAM 模塊后的Darknet-53 網(wǎng)絡更能關注到圖像中鋼筋的位置，是否可以推測本文網(wǎng)絡檢測鋼筋的性能得到了一定的提升，后續(xù)3.3 節(jié)將驗證此推論。

每個特征點對應3 個Anchor 先驗框，因此骨干網(wǎng)絡輸出大小為52×52×（5×3），每個特征點輸出3 個預測框。后處理部分首先對輸出的52×52×3=8112 個預測框進行置信度篩選，然后對篩選出來的預測框進行非極大值抑制（Non-Maximum Suppression，NMS）［37］處理，刪去重復的預測框，最后將預測框映射回原圖進行輸出。

RebarNet 網(wǎng)絡檢測鋼筋的流程如圖6 所示。

圖6 RebarNet網(wǎng)絡檢測鋼筋流程Fig.6 Flowchart of rebar detection by RebarNet network

本文選取了EfficientDet（Scalable and Efficient Object Detection）［38］、SSD（Single Shot MultiBox Detector）［6］、CenterNet［18］、RetinaNet［12］、Faster RCNN（Faster Region-CNN）［4］、YOLOv3［10］、YOLOv4［11］、YOLOv5m（YOLOv5s 模型的檢測精度偏低，適合檢測大物體；YOLOv5l模型和YOLOv5x模型的參數(shù)量過大，鋼筋檢測的速度不理想，因此本文選取了YOLOv5m 做對比實驗）等8個經(jīng)典的目標檢測網(wǎng)絡與本文網(wǎng)絡做對比。各模型的參數(shù)量、訓練占用顯存以及訓練模型權重比較如表2所示。

表2 模型參數(shù)量對比Tab.2 Comparison of model parameters

分析表2 可知，本文提出的網(wǎng)絡包含的參數(shù)量最少，較YOLOv3、YOLOv4 模型減少了約95%，較YOLOv5m 模型減少了84%，參數(shù)量的大幅減少，使得訓練模型訓練所占用的GPU 顯存也大幅減少。模型參數(shù)減少意味著訓練過程所需時間同樣會減少，后續(xù)的3.2 節(jié)的實驗將證實此推論。

2.3 損失函數(shù)

本文網(wǎng)絡的損失函數(shù)由兩個部分組成：一部分是預測框位置與真實框位置帶來的誤差損失LOSSLocation；另一部分是目標置信度帶來的交叉熵損失LOSSClassification。

LOSSLocation包括：預測框中心點(x，y)相對于特征圖上對應位置的 偏移量損 失，采用二元交叉熵（BinaryCrossEntropyLoss，BCELoss）進行計算；預測框寬高相對于Anchor 先驗框的比例損失，采用MSE（Mean Square Error）均方誤差進行計算。LOSSLocation參見式（3）。

LOSSClassification包括：預測框正樣本相對于GT 的置信度損失，采用BCELoss 進行計算；預測框負樣本相對于GT 的置信度損失，此處考慮到訓練集中負樣本中的難易檢測樣本不平衡，采用Focal Loss［12］計算損失，對其中的易分負樣本進行懲罰。LOSSClassification參見式（4）。

2.4 模型評價指標

衡量模型的性能指標為：TrainTime、FPS（Frames Per Second）、mAP（mean Average Precision）及 Accuracy。TrainTime 為訓練1 個epoch 的平均時間，F(xiàn)PS 為模型每秒可連續(xù)檢測圖片的數(shù)量，用來評價模型的檢測速度。下面重點分析mAP 及Accuracy 這兩個評價指標。

2.4.1 mAP

mAP 是用于目標檢測模型的性能評價指標，通過計算Precision-Recall 曲線下的面積，得到每個類別的AP（Average Precision）值，所有類別的AP求均值便得到mAP，mAP計算參見式（5）：

其中n為訓練集中類別的個數(shù)，由于鋼筋檢測中n=1，即mAP=AP。

交并比（Intersection Over Union，IOU）是度量預測框與GT 的重疊程度的指標，用于衡量邊界框是否正確標識了目標在圖像中的位置，其計算參見式（6）：

其中：Bp表示預測框，Bgt表示真實框。一般認為若IOU＞0.5，則表示預測框正確標識了目標在圖像中的位置。

圖像目標檢測任務的Precision（P）的計算參見式（7）；Recall（R）的計算參見式（8）：

TP（True Positive）表示Bp與Bgt的IOU＞0.5 的Bp的數(shù)量，每個Bgt只計算一次；FP（False Positive）表示表示Bp與Bgt的IOU＜0.5 的Bp的數(shù)量，或者檢測到同一個Bgt多余的數(shù)量；FN（False Negative）表示沒有檢測到的Bgt的數(shù)量。將訓練得到的網(wǎng)絡模型用于預測驗證集Val，對大于置信度閾值0.5 的Bp經(jīng)過NMS算法［26］處理后，將得到的有效預測框集合BVal按置信度進行排序。對集合BVal中的每一個Bp確定其是TP還是FP，然后根據(jù)Pascal Voc2010的規(guī)定的算法計算AP。

2.4.2 Accuracy

鋼筋點數(shù)問題的關鍵在于點數(shù)是否準確，即識別出的鋼筋數(shù)量和實際數(shù)量的差距，本文設置了Accuracy（A）評價指標，對鋼筋檢測的準確性進行評價，計算參見式（9）：

其中：n為鋼筋圖像的數(shù)量，Ri為第i張圖像中的鋼筋的實際數(shù)量，PRi為第i張圖像通過模型識別的數(shù)量，|Ri-PRi|為Ri與PRi計數(shù)差異的絕對值。

3 實驗及分析

本文實驗采用Pytorch 框架進行網(wǎng)絡結構修改和量化的操作，操作系統(tǒng)為Windows 10，GPU 顯存為6 GB。

3.1 實驗數(shù)據(jù)集

本文數(shù)據(jù)集來自“智能盤點-鋼筋數(shù)量AI 識別大賽（https：//www.datafountain.cn/competitions/332/datasets），數(shù)據(jù)集劃分及用途如表3 所示。

表3 數(shù)據(jù)集劃分及用途Tab.3 Partition and usage of dataset

分析表3 可知，Train 數(shù)據(jù)集中僅有225 張圖片，為提高模型的魯棒性，本文采用翻轉、旋轉、縮放、裁剪等數(shù)據(jù)增強的方式在訓練過程中擴充數(shù)據(jù)集。數(shù)據(jù)增強方式如圖7所示。

圖7 數(shù)據(jù)增強Fig.7 Data augmentation

經(jīng)過上述方式的隨機數(shù)據(jù)增強后，訓練集可擴充至原有大小的4～5 倍，可極大提高網(wǎng)絡的健壯性。

3.2 評價結果

為了驗證所提網(wǎng)絡的有效性，本文基于Pytorch 框架實現(xiàn)各個目標檢測網(wǎng)絡，并將Train 數(shù)據(jù)集分別在各個網(wǎng)絡上進行訓練，訓練過程中設置BatchSize=5，統(tǒng)計訓練過程中的TrainTime指標。本文將不同網(wǎng)絡訓練得到的收斂模型用于Val 數(shù)據(jù)集、Test 數(shù)據(jù)集檢測，統(tǒng)計檢測過程中的mAP、Accuracy、FPS指標。統(tǒng)計結果如表4 所示。

表4 不同網(wǎng)絡的評測指標Tab.4 Evaluation indexes of different networks

分析TrainTime結果可知，本文所提網(wǎng)絡訓練所需時間短于大多數(shù)網(wǎng)絡，大致與CenterNet 網(wǎng)絡相近，從而驗證了2.2 節(jié)中網(wǎng)絡訓練時間縮短的推論。

從衡量網(wǎng)絡整體性能的mAP值可以發(fā)現(xiàn)，EfficientDet、SSD、CenterNet、RetinaNet 和Faster RCNN 在鋼筋檢測過程中錯誤較多，mAP值處于0.7 以下；YOLOv3 表現(xiàn)良好，mAP達到了0.889；YOLOv4 相比YOLOv3提高了2.5 個百分點；YOLOv5m 模型的mAP值最高達到了0.931，而本文提出網(wǎng)絡的mAP值雖然沒有超過YOLOv5m，但與其僅相差0.4 個百分點，幾乎達到了一致的檢測效果。

進一步比較Accuracy指標可以發(fā)現(xiàn)，本文網(wǎng)絡與YOLOv5m 的Accuracy指標表現(xiàn)最優(yōu)，與mAP檢測結果一致。此處結果說明了本文所提網(wǎng)絡在檢測效果上滿足要求，同時驗證了2.2 節(jié)中鋼筋檢測性能提升的推論。

分析FPS指標可知，本文提出的網(wǎng)絡相比其他檢測網(wǎng)絡在鋼筋檢測速度上有極大提升。除了YOLOv5m 以外，其他模型的檢測速度均在50 FPS 以下。雖然YOLOv5m 的mAP檢測指標比本文網(wǎng)絡略優(yōu)0.4 個百分點，但是本文網(wǎng)絡的檢測速度達到了106.8 FPS，是YOLOv5m 檢測速度的1.8 倍，對生產(chǎn)環(huán)境中的使用更加友好。

3.3 檢測效果

為驗證各網(wǎng)絡在實際生產(chǎn)環(huán)境中的檢測效果，本文在Test 數(shù)據(jù)集中按不同鋼筋數(shù)量級選取了6 張圖片，如圖8（a）所示。本文將圖8（a）中圖片依次輸入9 個檢測網(wǎng)絡中，輸出檢測后的結果如圖8（b）～（j）所示，圖片中用矩形框包圍的部分表示網(wǎng)絡檢測出來的鋼筋目標位置，圖片左上角的數(shù)字為網(wǎng)絡檢測出的實際數(shù)量。

分析圖8（b）～（j）可見，在鋼筋數(shù)量、圖片光線、角度不同的情況下，YOLOv3、YOLOv4、YOLOv5m、本文網(wǎng)絡相比其他模型有更高的檢測精度，更低的誤檢、漏檢率，其中，YOLOv5m、本文網(wǎng)絡的檢測效果最優(yōu)，兩者相差不大，這里同時驗證了3.2 節(jié)中對應網(wǎng)絡的評價結果，并且進一步驗證了本文所提網(wǎng)絡在實際檢測過程中的有效性。

圖8 Test數(shù)據(jù)集上的鋼筋實際檢測效果Fig.8 Actual detection effect on Test dataset

4 結語

本文基于YOLOv3 模型，結合ResNet、FPN、注意力機制等技術，提出了一種嵌入注意力機制的輕量級鋼筋檢測網(wǎng)絡RebarNet。實驗結果表明，本文所提網(wǎng)絡在不降低檢測精度的前提下，訓練速度更快、模型文件更小，極大提升了檢測速度，對于智慧工地的鋼筋檢測應用有著推動的作用；但是該網(wǎng)絡對于鋼筋數(shù)量比較密集、光線不夠明亮的圖片，檢測效果仍然存在一定的誤差。下一步將對模型結構進行繼續(xù)改進，進一步提高模型精度，使其能適應更多的環(huán)境，在生產(chǎn)實踐中真正發(fā)揮作用。