桩检测算法

总体流程

  1. 基于规则的桩检测
    • 采用基于规则的方法检测桩，检测时不区分桩类别。这一步保证绝对的准确率（100%），较高的召回率（>60%）。
  2. 生成桩检测数据集
    • 使用规则检测的结果作为标注生成桩检测数据集【pile_v0.1】。
  3. 模型训练
    • 使用YOLO算法在桩检测数据集上训练一个初步的桩检测模型【model_v0.1】。
  4. 自监督训练
    • 使用训练好的模型对基于规则无法检测的图纸进行检测，将置信度较高的结果加入到训练集继续训练。

基于规则的桩检测

  • 过滤干扰线
    • 长度 < 1500
    • 直径 < 1500
    • 面积 < 1500×1500
    • 只保留直线，多段线，圆，椭圆，圆弧，实体，填充
  • 桩检测
    • 将去除干扰线后的实体导出图像求连通域
    • 在每个连通域内进行桩检测，提高效率
    • 圆检测：圆实体，多段线实体（只包含曲线，且构成360度），圆弧实体（构成360度），椭圆实体（长轴=短轴）
    • 矩形检测：基于最近邻算法，遍历直线和它最近邻的直线是否组成矩形
    • 交叉线检测：基于扫描线算法检测线是否交叉，判断交点是否在上述圆或矩形中心附近
    • 填充检测：检测填充是否在上述圆或矩形内
    • 将检测结果导出图像，再求一次连通域，重复上述桩检测算法，保证准确率

生成桩检测数据集

  • 生成桩边界框
    • 根据基于规则的检测结果生成桩边界框
  • 处理图像
    • 将原始图纸和过滤干扰线后的图纸都导出图片，增加数据规模和多样性
    • 以640×640为滑动窗口，窗口重合度20%，将导出图像切分为小图
    • 将边界框转为图像坐标下的结果，并转为小图坐标下的标注
    • 筛除没有边界框的小图，剩余图像作为训练集

模型训练

  • 使用YOLOv8n
    • 将数据集转为YOLOv8模型需要的格式，并修改数据集配置文件
    • 加载预训练权重，使用batch=32，epoch=120进行训练，其他参数默认
    • 训练出桩检测模型【model_v0.1】

自监督训练

  • 测试集使用规则检测遗漏的桩
    • 将基于规则无法检测的桩作为测试集，使用桩检测模型【model_v0.1】对测试集的数据进行检测
    • 将测试集中置信度较高的生成标签，合并原有数据集【pile_v0.1】中，生成新数据集【pile_v0.2】
    • 在新数据集【pile_v0.2】上继续训练桩检测模型，训练结束后生成新的桩检测模型【model_v0.2】
    • 使用新的模型重复上述步骤，循环5轮。