闫天冉，马晓静，饶颖露，杜延丽，马思乐

（山东大学 海洋研究院，山东 青岛 266237）

0 概述

钢筋自身直径尺寸与搭建间距是否符合标准直接决定了建筑结构质量的好坏，其已成为建筑监理行业隐蔽工程验收中非常重要的检测环节。传统钢筋监理验收主要依靠人工视觉检测，监理人员需攀爬楼体建筑物，巡检范围有限且效率低，安全性和检测效果也难以保证。此外，测量现场存在某些企业或个人私自放低验收标准的情况，人工验收环节存在漏洞，建筑监理行业亟待向自动化和智能化转型。然而，基于机器视觉的建筑智能监理在应用和发展中面临诸多困难，例如背景、遮挡、杂质干扰、光照等问题会对钢筋尺寸检测精度产生很大影响，检测精度无法达到验收精度要求。因此，如何在建筑智能监理行业中实现高精度钢筋尺寸检测的智能化是应用和研究的难点。

近年来，与目标检测和语义分割相关的深度学习算法迅速发展，以卷积神经网络（Convolutional Neural Network，CNN）为原型衍生的各种方法被广泛应用，这些方法主要分为2 类：基于区域的目标检测算法和基于端到端的目标检测算法。前者在检测精度和定位精度上占优，主要包括Fast R-CNN、Faster R-CNN［1］等；后者在检测速度上占优，主要包括Yolo［2-3］系 列、SSD［4］等。由Faster R-CNN 发展而来的Mask R-CNN［5］神经网络算法利用矩形边界框标记目标位置，能够在很大程度上排除工地现场复杂环境对钢筋目标提取的干扰。同时，像素级的语义分割能够为钢筋轮廓覆盖准确的掩膜，令高精度尺寸检测成为了可能。……