《AUTOMATION IN CONSTRUCTION》：Automatic rebar spacing measurement using YOLOv11-rebar-light and simplified Hough transform
编辑推荐：
自动钢筋间距测量方法基于YOLOv11-Rebar-Light轻量模型和优化Hough变换，结合便携设备实现工地实时检测，实验室误差≤1.12mm，现场误差≤5mm，提升效率47.8%并降低安全隐患。
Jiayin Song|Teng Lu|Haibin Wang|Jiancai Zhou|Qinglin Zhu|Jinlong Wang|Wenlong Song
中国哈尔滨市东北林业大学计算机与控制工程学院，邮编150040
摘要
在建筑工程中，验证钢筋间距对于确保钢筋混凝土的质量至关重要，但手动测量既费时又效率低下。本文提出了一种自动钢筋间距测量方法，用于建筑项目的检查和验收，以减少劳动力并提高效率。YOLOv11-Rebar-Light模型在保持检测准确性的同时提高了计算速度。简化的霍夫变换（Hough transform）算法能够快速精确地拟合钢筋边界。此外，还开发了一种便携式测量设备，适用于现场实时应用。测量精度受拍摄距离和倾斜角度的影响，建议拍摄距离约为1.0米，倾斜角度小于15°。实验室测试表明，在4×4网格的情况下，该方法的最小平均绝对误差为1.12毫米，平均相对误差为0.75%，计算时间减少了47.8%。在500千伏大庆试验变电站的现场应用中，测量误差控制在5毫米以内，满足了精度要求并提高了效率，展示了其在工业应用中的潜力。
引言
钢筋混凝土是现代建筑中最常用的复合材料，其中嵌入的钢筋主要增强了材料的刚度和强度。钢筋混凝土施工中的一个关键质量问题是钢筋的合理布置[1]。排列整齐、间距均匀的钢筋网格有助于有效分配荷载并减少应力集中，从而提高结构的耐久性[2]。相反，如果钢筋布置不当，会增加变形和屈曲的风险，可能导致结构因承载能力不足而失效[3]。因此，钢筋结构的检测和测量在学术界受到了广泛关注。Sun等人[4]在实验条件下构建了不同类型钢筋的检测和分割数据集，为钢筋结构识别研究提供了数据基础。Huang等人[5]提出了一种基于合成BIM数据和领域适应技术的无监督标注方法，成功构建了钢筋分割数据集，在一定程度上降低了钢筋数据采集和标注的成本。
在实际的钢筋混凝土施工中，钢筋间距是衡量钢筋混凝土结构性能的关键指标。目前通常使用卷尺手动测量钢筋间距，但这种方法既费时又效率低下[6]。此外，卷尺的柔韧性和可拉伸性可能导致较大的人为误差[7]。在危险环境中（如正在扩建的变电站），出于安全考虑，严禁使用金属卷尺[8]。因此，迫切需要一种非接触式、高效且安全的钢筋间距测量方法，以减少劳动力、提高可靠性并确保人员安全。
随着计算机视觉技术的进步，机器视觉技术在建筑行业中的应用日益增多[9][10]。非接触式测量技术已成为钢筋质量检测的研究焦点。一种常见的方法是利用3D重建技术获取钢筋的点云或3D模型，从而提取空间坐标进行测量[11][12]。例如，Kim等人[13]使用激光扫描获取钢筋点云，并提出了一种基于密度的建模方法用于直径测量和分类。Moreu等人[14]利用LiDAR分析钢筋混凝土结构以实现空间定位和钢筋评估。Yuan等人[15]结合LiDAR和SARI算法提取钢筋交点以检测钢筋间距。尽管这些方法具有高精度，但LiDAR系统成本高昂、点云生成耗时较长，并且依赖于专用硬件和人员，不适合实时现场应用[16]。
相比之下，摄影测量提供了一种更具成本效益的替代方案[17]。Qureshi等人[18]在施工现场部署了相机，并使用Agisoft Metashape进行点云重建，随后采用SREM模型进行自动化评估。Chang等人[19]结合SfM-MVS重建工作流程和基于AprilTag的尺度校准技术实现了钢筋的3D建模和测量。Zhang等人[20]使用亚像素边界定位方法（SPBLM）和快速拼接方法（FSM）检测钢筋，并通过尺度转换实现高精度间距计算。虽然这些方法简化了硬件设置，但它们依赖于复杂的图像处理和重建流程，计算量较大。此外，精确的图像尺度校准需要精确的相机位置和拍摄角度，限制了其在复杂现场环境中的应用。
与构建复杂的点云模型相比，深度相机生成的深度图像提供了一种更简单、更高效的获取3D结构信息的方法[21]。深度图保留了空间信息，同时大幅减少了计算负担。结合高分辨率RGB图像，可以进一步提高定位精度[22]。Yuri等人[23]应用R-CNN网络处理立体相机的深度图像，实现了钢筋间距测量的平均绝对误差为±2.4毫米。然而，该模型的复杂架构导致计算开销较高。Xi等人[24]提出了一种基于Faster R-CNN的深度图分析方法来测量钢筋间距。但由于Faster R-CNN的计算要求较高，该系统依赖于高性能硬件，导致设备体积庞大且需要固定相机位置。Deng等人[25]使用RGB-D相机和YOLOv8姿态关键点检测算法检测钢筋关键点并测量间距。然而，这种方法依赖于大型机器人平台，且测量视角相对固定。为了满足实时测量需求，Woo等人[26]开发了一种便携式系统，结合了Intel D455深度相机和Windows平板电脑，实现了2米范围内的94%检测精度。尽管如此，该系统仍需要手动选择点，从而引入了人为误差。
在以往研究的基础上，我们探索了几种替代方案。在早期工作中，我们提出了一种基于Rebar-YOLOv8-seg的钢筋分割模型，并结合点云数据来测量钢筋间距。该方法能够精确提取结构化的3D坐标。然而，由于依赖点云提取和分割模型，计算负担较大，限制了其在边缘设备和实时建筑环境中的应用[27]。为了提高实用性，我们随后提出了一种基于YOLOv8-GB的检测方法，该方法直接提取3D钢筋的坐标进行间距测量。该方法可在边缘设备上高效部署，但在测量倾斜角度较大的钢筋时性能下降，显示出在某些使用场景中的局限性[28]。
总之，现有的自动钢筋间距测量方法在提高测量精度方面取得了一定进展。然而，在实际建筑现场应用中，它们通常存在计算复杂度高、设备笨重以及部署灵活性有限的问题，难以在实时性能、便携性和工程适应性之间取得平衡。此外，对于轻量级模型设计和系统级工程部署的关注不足。特别是在施工现场，对设备便携性、实时性能和可靠性的实际需求使得检测模型的计算效率和结构简洁性成为制约系统实用性的关键因素。因此，有必要为钢筋检测和测量模型实施针对性的轻量化设计，同时确保检测精度。
为了解决这些问题，本文提出了一种基于YOLOv11-Rebar-Light模型、简化的霍夫变换算法和定制设计的便携式测量设备的自动钢筋间距测量方法。通过引入轻量级检测模型和简化的边界拟合算法，实现了检测、拟合和间距计算流程的系统级集成优化。这种方法显著降低了计算开销，同时保持了测量精度，并使系统能够在边缘设备上高效部署，以满足实时现场测量需求。此外，改进的边界提取和定向约束策略在复杂场景（如包含倾斜钢筋的场景）中提高了测量精度。与依赖语义分割或其他技术获取细粒度边界信息的方法相比，本文提出的方法侧重于简化模型架构并高效整合处理流程，同时确保测量精度，从而提供了一种更具工程导向性和部署便利性的钢筋间距测量解决方案。本文的主要创新点如下：
(1)提出了一种基于YOLOv11-Rebar-Light的钢筋检测模型。该模型结合了自定义的LB（LiteBlock）、DSC（深度可分离卷积）和GCBlocks（全局上下文块），在保持检测准确性的同时显著提高了推理速度。
(2)提出了一种基于简化霍夫变换的钢筋边界线拟合方法。通过利用PCA估计的主方向来约束角度搜索空间，该方法比传统的霍夫变换更快、更准确、更稳健，有效提高了边界线提取的稳定性和精度。
(3)开发了一种便携式钢筋间距测量设备。该设备无需固定角度或距离设置，满足了施工现场对实时性和精度的要求，显著提高了现场可用性和工作效率。
方法论
所提出的自动钢筋间距测量方法结合了目标检测网络、霍夫变换和双目立体视觉，是一种非接触式测量方法。基于此开发的整体系统如图1所示，支持在施工现场实时测量多组钢筋。
该系统包括三个主要模块：
(1)首先校准立体相机，以获得立体匹配所需的内禀参数和外禀参数。
实验结果与讨论
本节通过消融实验和对比实验定量分析了YOLOv11-Rebar-Light网络的性能。此外，还进行了不同环境下的钢筋边界线拟合实验、各种测量条件下的钢筋间距测试以及现场验证实验，以系统地评估本文提出的钢筋间距测量方法。
结论
本文提出了一种自动测量钢筋间距的方法，以提高建筑项目的运营效率。该方法结合了对象检测算法、边缘检测和霍夫变换技术，通过分析RGB图像来定位钢筋，并利用深度图像获取其对应的3D坐标，从而实现精确的间距测量。一系列实验验证了该方法的有效性，得出以下结论：
(1)CRediT作者贡献声明
Jiayin Song：撰写 – 审稿与编辑、项目管理、资金获取、概念构思。Teng Lu：撰写 – 审稿与编辑、初稿撰写、验证、方法论、概念构思。Haibin Wang：资源提供、形式分析。Jiancai Zhou：验证、调查。Qinglin Zhu：验证、资金获取。Jinlong Wang：资金获取。Wenlong Song：监督。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本项工作得到了国家电网黑龙江省电力有限公司（授权号：5224012300A）的支持。
