ISSN:
Website: www.jomc.vn
Tự động hóa quy trình đếm cốt thép và lập báo cáo hiện trường dựa trên công nghệ thị giác máy tính và học sâu
Tóm tắt
Hiện nay, công tác kiểm soát chất lượng tại công trường xây dựng vẫn còn phức tạp và yêu cầu nhiều thao tác thủ công, đặc biệt đối với công việc kiểm đếm số lượng cốt thép, vốn tiêu tốn nhiều thời gian và dễ xảy ra sai sót. Trong quá trình xây dựng, mặc dù số lượng lớn hình ảnh vẫn được ghi lại hàng ngày, dữ liệu này chủ yếu được sử dụng cho mục đích lưu trữ, chưa được tận dụng hiệu quả trong việc kiểm soát chất lượng tự động. Sự phát triển mạnh mẽ gần đây của công nghệ học sâu, đặc biệt trong lĩnh vực thị giác máy tính, đã mở ra nhiều cơ hội ứng dụng tiềm năng nhằm tự động hóa quy trình kiểm đếm cốt thép trực tiếp tại công trường một cách hiệu quả. Bài báo này đề xuất một khung giải pháp dựa trên công nghệ học sâu để tự động hóa công tác kiểm đếm cốt thép, góp phần nâng cao hiệu quả và độ chính xác trong kiểm soát chất lượng xây dựng. Khung giải pháp gồm bốn bước chính: (1) Thu thập dữ liệu, bao gồm việc chụp ảnh cốt thép, và truyền tải dữ liệu về máy chủ để xử lý; (2) Nhận diện cốt thép, sử dụng các mô hình thị giác máy tính tiên tiến để nhận diện cốt thép; (3) Đếm cốt thép tự động; và (4) Lập báo cáo theo thời gian thực. Nhằm đạt được hiệu quả nhận diện tốt nhất, các mô hình phát hiện đối tượng phổ biến như Faster-RCNN, YOLOv8, YOLOv11, YOLOv12 và RF-DETR được huấn luyện và so sánh. Kết quả kiểm chứng cho thấy mô hình YOLOv8 đạt hiệu suất vượt trội với độ chính xác trung bình (mAP@50) lên đến 98%, xử lý tác vụ trong thời gian thực. Giải pháp đề xuất giúp giảm đáng kể khối lượng công việc thủ công, hạn chế sai sót trong quá trình kiểm đếm cốt thép, góp phần nâng cao hiệu quả tổng thể công tác kiểm soát chất lượng xây dựng.
Tài liệu tham khảo
- TCVN (2018), TCVN 1651-1:2018 Thép cốt bê tông – Phần 1: Thép thanh tròn trơn, Bộ Khoa học và Công nghệ, Việt Nam.
- TCVN (2018), TCVN 1651-2:2018 Thép cốt bê tông – Phần 2: Thép thanh vằn Bộ Khoa học và Công nghệ, Việt Nam.
- Gibb S., La H. M. (2016), "Automated rebar detection for ground-penetrating radar", International Symposium on Visual Computing, Springer, 815-824.
- Ghazali M. F., Wong L.-K., See J. (2016), "Automatic detection and counting of circular and rectangular steel bars", 9th International Conference on Robotic, Vision, Signal Processing and Power Applications: Empowering Research and Innovation, Springer, 199-207.
- Wang S., Kim M., Hae H., Cao M., Kim J. (2023), "The development of a rebar-counting model for reinforced concrete columns: Using an unmanned aerial vehicle and deep-learning approach", Journal of Construction Engineering and Management, 149 (11): 04023111.
- Chen M., Shi X., Zhang Y., Wu D., Guizani M. (2017), "Deep feature learning for medical image analysis with convolutional autoencoder neural network", IEEE transactions on big data, 7 (4): 750-758.
- He K., Zhang X., Ren S., Sun J. (2016), "Deep residual learning for image recognition", Proceedings of the IEEE conference on computer vision and pattern recognition, 770-778.
- Li Y., Lu Y., Chen J. (2021), "A deep learning approach for real-time rebar counting on the construction site based on YOLOv3 detector", Automation in Construction, 124: 103602.
- Long P. Đ. (2014), "Đếm thép cây tự đồng bằng xử lý ảnh", Tạp chí KHOA HỌC & CÔNG NGHỆ, 118 (4): 119-124.
- Liu C., Zhu L., Zhang X. (2019), "Bundled round bars counting based on iteratively trained SVM", International Conference on Intelligent Computing, Springer, 156-165.
- Su Z., Fang K., Peng Z., Feng Z. (2010), "Rebar automatically counting on the product line", 2010 IEEE International Conference on Progress in Informatics and Computing, IEEE, 756-760.
- Ying X., Wei X., Pei-xin Y., Qing-da H., Chang-hai C. (2010), "Research on an automatic counting method for steel bars' image", 2010 International Conference on Electrical and Control Engineering, IEEE, 1644-1647.
- Xu X., Xia T., Venkatachalam A., Huston D. (2013), "Development of high-speed ultrawideband ground-penetrating radar for rebar detection", Journal of Engineering Mechanics, 139 (3): 272-285.
- Wang H., Polden J., Jirgens J., Yu Z., Pan Z. (2019), "Automatic rebar counting using image processing and machine learning", 2019 IEEE 9th Annual International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER), IEEE, 900-904.
- Zhang D., Xie Z., Wang C. (2008), "Bar section image enhancement and positioning method in on-line steel bar counting and automatic separating system", 2008 Congress on Image and Signal Processing, IEEE, 319-323.
- Wu Y., Zhou X., Zhang Y. (2015), "Steel bars counting and splitting method based on machine vision", 2015 IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems (CYBER), IEEE, 420-425.
- Fang Q., et al. (2018), "Detecting non-hardhat-use by a deep learning method from far-field surveillance videos", Automation in construction, 85: 1-9.
- Zhang Z., et al. (2024), "DSSO-YOLO: A fast detection model for densely stacked small object", Displays, 82: 102659.
- Zhao Y., et al. (2024), "Detrs beat yolos on real-time object detection", Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 16965-16974.
- Wang G., Sun D., Li H., Cheng J., Yan P., Li H. (2025), "Helmet Detection in Underground Coal Mines via Dynamic Background Perception with Limited Valid Samples", Machine Learning and Knowledge Extraction, 7 (3): 64.
- Hernández-Ruiz A. C., Martínez-Nieto J. A., Buldain-Pérez J. D. (2021), "Steel bar counting from images with machine learning", Electronics, 10 (4): 402.
- Fan W., et al. (2021), "Machine learning applied to the design and inspection of reinforced concrete bridges: Resilient methods and emerging applications", Structures, Elsevier, 3954-3963.