建筑工地在鋼筋成車來料時，需要人工清點數量，然后才能開展后續工作，不僅效率低，而且增加運營成本。隨著大數據時代的到來，建筑行業希望借助智能終端設備來減少勞動力的投入，打破傳統的桎梏。本文利用YOLO算法實現鋼筋數量的智能盤點。

在工地現場，對于進場的鋼筋車，驗收人員需要對車上的鋼筋進行現場人工點根，確認數量后鋼筋車才能完成進場卸貨。目前現場采用人工計數的方式。

鋼筋點跟現場場景上述過程繁瑣、消耗人力且速度很慢（一般一車鋼筋需要半小時，一次進場盤點需數個小時）。針對上述問題，希望通過手機拍照-》目標檢測計數-》人工修改少量誤檢的方式智能、高效的完成此任務：

主要難點

（1）精度要求高（High precision requirement ）

鋼筋本身價格較昂貴，且在實際使用中數量很大，誤檢和漏檢都需要人工在大量的標記點中找出，所以需要精度非常高才能保證驗收人員的使用體驗。需要專門針對此密集目標的檢測算法進行優化，另外，還需要處理拍攝角度、光線不完全受控，鋼筋存在長短不齊、可能存在遮擋等情況。

（2）鋼筋尺寸不一（Various dimensions of rebars）

鋼筋的直徑變化范圍較大（12-32中間很多種類）且截面形狀不規則、顏色不一，拍攝的角度、距離也不完全受控，這也導致傳統算法在實際使用的過程中效果很難穩定。

（3）邊界難以區分（Indistinguishable boundaries ）

一輛鋼筋車一次會運輸很多捆鋼筋，如果直接全部處理會存在邊緣角度差、遮擋等問題效果不好，目前在用單捆處理+最后合計的流程，這樣的處理過程就會需要對捆間進行分割或者對最終結果進行去重，難度較大。

基于鋼筋進場現場的圖片和標注，綜合運用計算機視覺和機器學習/深度學習等技術，實現拍照即可完成鋼筋點根任務，大幅度提升建筑行業關鍵物料的進場效率和盤點準確性，將建筑工人從這項極其枯燥繁重的工作中解脫出來。

審核編輯：郭婷