YOLOv5在钢筋智能盘点中的实践与优化
1. 钢筋盘点技术现状与痛点
在建筑工地和钢铁加工厂，钢筋盘点是项既基础又繁琐的工作。传统人工盘点方式需要工人一根根清点、测量、记录，不仅效率低下（每小时仅能处理200-300根），还容易因疲劳导致15%-20%的误差率。更棘手的是，不同规格的钢筋混放时，人工区分直径误差经常超过±2mm，直接影响后续施工配筋。
2021年某大型桥梁项目曾因钢筋规格误判导致返工，损失超300万元。这类案例促使行业开始寻求技术解决方案。早期尝试过RFID标签方案，但每根钢筋打标成本高达0.8-1.2元，且金属环境干扰严重；后来试过激光扫描，又受限于钢筋堆叠时的遮挡问题。
2. YOLO技术选型依据
在比较过Faster R-CNN、SSD等方案后，我们最终选择YOLOv5作为核心算法，主要基于三点考量：
- 速度优势：在Tesla T4显卡上，YOLOv5s的推理速度达到140FPS，比Faster R-CNN快23倍，满足实时盘点需求
- 精度平衡：针对钢筋这类规则物体，YOLOv5m在自建数据集上达到94.3%mAP，误检率<2%
- 部署友好：支持导出ONNX/TensorRT格式，在Jetson Orin上也能保持30FPS以上的处理速度
特别要说明的是，我们没有盲目追新YOLOv8，因为实测发现v5在钢筋检测场景的精度差异不足1%，但v5的模型体积（14.4MB）比v8小40%，更适合边缘设备部署。
3. 数据采集与标注规范
3.1 现场数据采集要点
我们使用工业相机（Basler ace 2）搭配环形光源搭建采集系统，关键参数设置：
- 分辨率：4096×3000（保持长边像素不变）
- 快门速度：1/500s（冻结钢筋运动）
- ISO：200（控制噪点）
- 拍摄角度：相机轴线与钢筋呈45°夹角
采集时要特别注意：
- 覆盖不同光照条件（晨间/正午/阴天）
- 包含钢筋交叉堆叠场景
- 记录不同直径（8mm/10mm/12mm等）的反射特性差异
3.2 标注标准制定
采用X-AnyLabeling工具标注，规范要求：
- 标注框必须紧贴钢筋边缘，允许误差≤3像素
- 不同直径钢筋使用独立类别（如rebar_8mm）
- 遮挡超过50%的钢筋不作标注
- 每张图至少包含15根以上钢筋
我们发现标注一致性对最终效果影响极大。初期因标注员理解偏差导致mAP波动达8%，后来通过制作标注手册并抽样复核，将差异控制在2%以内。
4. 模型训练关键技巧
4.1 数据增强策略
针对钢筋场景的特殊增强：
# albumentations增强配置 train_transform = A.Compose([ A.HorizontalFlip(p=0.5), A.RandomBrightnessContrast(p=0.3), A.MotionBlur(blur_limit=3, p=0.2), # 模拟快速移动 A.GridDistortion(p=0.2), # 模拟曲面变形 A.RandomGamma(p=0.2) ], bbox_params=A.BboxParams(format='yolo'))禁用旋转增强（钢筋不存在倒置情况），重点加强亮度变化和运动模糊的模拟。
4.2 超参数优化
经过200次超参数搜索后确定的最优配置：
lr0: 0.0032 # 初始学习率 lrf: 0.12 # 最终学习率 momentum: 0.843 weight_decay: 0.00036 warmup_epochs: 2.3关键发现：钢筋检测需要更大的anchor尺寸（原配置会漏检粗钢筋），我们调整anchor为：
anchors: - [12,16, 19,36, 40,28] # P3/8 - [36,75, 76,55, 72,146] # P4/16 - [142,110, 192,243, 459,401] # P5/325. 部署落地实战方案
5.1 边缘设备选型对比
| 设备 | 推理速度(FPS) | 功耗(W) | 单价(元) | 适用场景 |
|---|---|---|---|---|
| Jetson Orin | 38 | 15 | 4500 | 移动巡检车 |
| RK3588 | 25 | 8 | 1200 | 固定监控点位 |
| 昇腾310 | 42 | 20 | 6000 | 云端分析 |
实测发现RK3588性价比最优，通过量化INT8后速度可提升至37FPS，满足大部分场景需求。
5.2 工程化优化技巧
- 多线程处理：采用生产者-消费者模式，相机采集与推理分离
class InferenceThread(QThread): def run(self): while True: img = queue.get() results = model(img) emit_results(results)- 后处理优化：对连续帧检测结果做加权平均，减少抖动
def smooth_boxes(current, history): # 取最近5帧的加权平均值 return 0.6*current + 0.3*history[-1] + 0.1*history[-2]- 温度保护：当设备温度>75℃时自动降低推理分辨率
6. 现场应用效果验证
在某地铁项目中的实测数据：
| 指标 | 人工盘点 | YOLO方案 | 提升幅度 |
|---|---|---|---|
| 计数准确率 | 82.3% | 98.7% | +16.4% |
| 规格识别正确率 | 76.1% | 95.2% | +19.1% |
| 效率(根/小时) | 240 | 5400 | 22.5倍 |
典型问题处理经验：
- 反光问题：在镜头前加装偏振片，误检率降低7%
- 重叠钢筋：通过阴影分析算法，识别率提升12%
- 锈蚀钢筋：增加2000张锈蚀样本后，mAP提升9.3%
7. 持续改进方向
当前系统在以下场景仍需优化：
- 暴雨天气下水膜反射干扰（正在收集雨季数据）
- 直径<6mm的细钢筋检测（考虑引入超分辨率预处理）
- 钢筋捆扎状态下的计数（试验分割算法）
我们开发了主动学习流程：当系统置信度<0.6时自动触发人工复核，并将这些难点案例加入训练集。经过3个迭代周期后，极端场景的识别率提升了21%。