本申请涉及图像处理领域，特别是涉及中心位钢筋的识别方法、装置、电子装置和存储介质。
背景技术
钢铁业作为国民经济的重要支柱产业，其发展一直备受关注，在钢铁生产中，企业生产的棒材，交付客户时均是成捆交货，每捆棒材需要粘打标签和悬挂标牌，用于显示棒材的钢种、炉号、规格、长度等信息，相当于棒材的“身份证”，是棒材产品档次的体现，有助于提高棒材产品的附加值，因此受到许多钢铁企业的重视。悬挂标牌的环节称为钢筋打标环节，目前企业主要采用人工进行定位、焊标。然而，随着生产节奏的加快，打标人员在面对高强度、重复性劳作时，很容易产生疲劳和厌倦情绪，进而导致工作效率变低，打标位置出错，同时高粉尘，高噪音等恶劣环境也会给从业人员带来伤害，这些人工作业面临的问题也制约着企业的进一步发展，而智能化、自动化改造，升级则是解决这一难题的有效途径。
而通常在钢筋标牌粘打时，都是将钢筋标牌粘打在整捆钢筋最外侧中心位置的钢筋上，该方式既方便操作又容易辨识，因此如何精确定位外端中心位置的钢筋是实现自动化打标的关键。
针对相关技术中存在中心位钢筋的识别准确率低的问题，目前还没有提出有效的解决方案。
技术实现要素：
在本实施例中提供了一种中心位钢筋的识别方法、装置、电子装置和存储介质，以解决相关技术中存在中心位钢筋的识别准确率低的问题。
第一个方面，在本实施例中提供了一种中心位钢筋的识别方法，包括：
提取待检测图像中的钢筋端面图像；
在所述钢筋端面图像中，构建包含所述钢筋端面图像的中心点的搜索框；
检测所述搜索框包含的圆形，以及确定检测出的各个所述圆形的圆心；
确定的各个所述圆心与所述中心点的偏离度，以及确定各个所述偏离度中的最小值对应的圆形为目标圆形；
将所述目标圆形对应的钢筋确定为中心位钢筋。
在其中的一些实施例中，提取待检测图像中的钢筋端面图像包括：
将所述待检测图像输入训练后的钢筋端面图像检测模型中，得到所述钢筋端面图像；其中，所述钢筋端面检测模型是基于机器学习方法，利用钢筋端面图像进行训练得到的。
在其中的一些实施例中，在所述钢筋端面图像中，构建包含所述钢筋端面图像的中心点的搜索框包括：
确定所述钢筋端面图像的中心点；
以所述中心点为参考点，构建包含所述钢筋端面图像的中心点的搜索框；其中，所述搜索框包含的面积小于所述钢筋端面图像包含的面积。
在其中的一些实施例中，以所述中心点为参考点，构建包含所述钢筋端面图像的中心点的搜索框包括：
确定所述钢筋端面图像的中心点以及所述钢筋端面图像的周长；
以所述钢筋端面图像的中心点作为所述搜索框的中心点，以所述钢筋端面图像的周长的预设倍数作为所述搜索框的周长，构建所述搜索框；其中，所述预设倍数为大于0且小于1的值。
在其中的一些实施例中，检测所述搜索框包含的圆形，以及确定检测出的各个所述圆形的圆心包括：
基于ISODATA聚类算法对所述搜索框内的钢筋端面图像进行聚类；
检测进行聚类之后的所述搜索框包含的圆形，以及确定检测出的各个所述圆形的圆心。
在其中的一些实施例中，检测所述搜索框包含的圆形，以及确定检测出的各个所述圆形的圆心包括：
对进行聚类之后的所述搜索框内的钢筋端面图像进行图像二值化处理，去除进行聚类之后的所述搜索框内的钢筋端面图像的背景区域，得到目标钢筋端面图像；
检测所述目标钢筋端面图像包含的圆形，以及确定检测出的各个所述圆形的圆心。
在其中的一些实施例中，确定的各个所述圆心与所述中心点的偏离度，以及确定各个所述偏离度中的最小值对应的圆形为目标圆形包括：
分别计算各个所述圆心与所述中心点的欧氏距离；
基于各个所述圆心与所述中心点的欧氏距离，确定各个所述圆心与所述中心点的偏离度；
基于各个所述圆心与所述中心点的偏离度，确定各个所述偏离度中的最小值对应的圆形为目标圆形。
第二个方面，在本实施例中提供了一种中心位钢筋的识别装置，其特征在于，包括：
提取模块，用于提取待检测图像中的钢筋端面图像；
构建模块，用于在所述钢筋端面图像中，构建包含所述钢筋端面图像的中心点的搜索框；
检测模块，用于检测所述搜索框包含的圆形，以及确定检测出的各个所述圆形的圆心；
第一确定模块，用于确定的各个所述圆心与所述中心点的偏离度，以及确定各个所述偏离度中的最小值对应的圆形为目标圆形；
第二确定模块，用于将所述目标圆形对应的钢筋确定为中心位钢筋。
第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的中心位钢筋的识别方法。
第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的中心位钢筋的识别方法。
与相关技术相比，在本实施例中提供的中心位钢筋的识别方法、装置、电子装置和存储介质，通过提取待检测图像中的钢筋端面图像；在钢筋端面图像中，构建包含钢筋端面图像的中心点的搜索框；检测搜索框包含的圆形，以及确定检测出的各个圆形的圆心；确定的各个圆心与中心点的偏离度，以及确定各个偏离度中的最小值对应的圆形为目标圆形；将目标圆形对应的钢筋确定为中心位钢筋的方式，解决了相关技术中存在中心位钢筋的识别准确率低的问题，提高了中心位钢筋的识别准确率。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本实施例的中心位钢筋的识别方法的终端的硬件结构框图；
图2是本实施例的中心位钢筋的识别方法的流程图；
图3是本实施例的搜索框的构建的示意图；
图4是本实施例的中心位钢筋的一种识别方法的流程图；
图5是本实施例的中心位钢筋的识别装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的中心位钢筋的识别方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的中心位钢筋的识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种中心位钢筋的识别方法，图2是本实施例的中心位钢筋的识别方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，提取待检测图像中的钢筋端面图像。
在本步骤中，待检测图像可以是通过摄像设备实时获取的，也可以是从存储于待检测图像的数据库获取的；该待检测图像中均是包括有钢筋端面图像。
需要说明的是，本申请实施例中可以使用任意一种能识别图像的方式，提取待检测图像中的钢筋端面图像，例如用深度学习图像识别模型以及传统的图像处理算法等，提取上述钢筋端面图像。
例如，在一些实施例中，提取待检测图像中的钢筋端面图像可以包括：将待检测图像输入训练后的钢筋端面图像检测模型中，得到钢筋端面图像；其中，钢筋端面检测模型是基于机器学习方法，利用钢筋端面图像进行训练得到的。
在本实施例中，通过训练后的钢筋端面图像检测模型来从待检测图像进行初步的筛选出钢筋端面图像的方式，可以实现对钢筋端面图像的提取，以及在一定程度上提高钢筋端面图像提取的准确度。
需要说明的是，该训练后的钢筋端面图像检测模型是基于钢筋端面图像训练而成的且具有一定预设识别度的目标检测模型，其检测目标为钢筋端面图像，对于特征较为明显的钢筋端面的整体，深度学习模型往往比传统图像处理算法表现出更强的优势。
在其中的一些实施例中，在将待检测图像输入训练后的钢筋端面图像检测模型中，得到钢筋端面图像，还可以对待检测图像进行预处理，其中，预处理包括：图像翻转处理、对比度调整处理、亮度调整处理、图像尺寸处理。
在本实施例中，通过对待检测图像进行预处理，即图像翻转处理、对比度调整处理、亮度调整处理、图像尺寸处理的方式，有助于预设钢筋端面图像检测模块快速的训练和预测。
需要说明的是，图像尺寸处理可以是指将图像处理成与训练后的钢筋端面图像检测模型所预设的训练图像的大小。
步骤S202，在钢筋端面图像中，构建包含钢筋端面图像的中心点的搜索框。
在本步骤中，通过基于在钢筋端面图像上再次建立一个包含钢筋端面图像的中心点的搜索框的方式，实现了对待检测图像的分级处理，以及逐步缩小中心位钢筋的搜索区域，在一定程度上降低了中心位钢筋的定位难度，以及提高了对中心位钢筋定位的准确率和鲁棒性。
步骤S203，检测搜索框包含的圆形，以及确定检测出的各个圆形的圆心。
在本步骤中，钢筋端面图像中的圆可以是代表钢筋端面的圆形状，且一个搜索框内的钢筋端面图像中可能存在一个或多个钢筋端面的圆形状，在本实施例中，通过检测搜索框包含的圆形，以及确定检测出的各个圆形的圆心的方式，实现了对搜索框内的钢筋的检测，以便于后续根据该每根钢筋在钢筋端面图像所对应的圆，来确定中心位钢筋。
步骤S204，确定的各个圆心与中心点的偏离度，以及确定各个偏离度中的最小值对应的圆形为目标圆形。
步骤S205，将目标圆形对应的钢筋确定为中心位钢筋。
基于上述步骤S201至S205，通过在钢筋端面图像中，构建包含钢筋端面图像的中心点的搜索框的方式，实现了对待检测图像的分级处理，以及逐步缩小中心位钢筋的搜索区域，在一定程度上降低了中心位钢筋的定位难度，之后再通过检测搜索框包含的圆形，以及确定检测出的各个圆形的圆心，确定的各个圆心与中心点的偏离度，以及确定各个偏离度中的最小值对应的圆形为目标圆形，将目标圆形对应的钢筋确定为中心位钢筋的方式，实现了对中心位钢筋的标记，避免了相关技术中采用深度学习算法实现自动化打标，而造成的中心位钢筋的识别准确率低的问题，提高了中心位钢筋的识别准确率。
在其中的一些实施例中，在钢筋端面图像上构建搜索框包括：确定钢筋端面图像的中心点以及钢筋端面图像的周长；以钢筋端面图像的中心点作为搜索框的中心点，以钢筋端面图像的周长的预设倍数作为搜索框的周长，构建搜索框；其中，预设倍数为大于0且小于1的值。
在本实施例中，通过以钢筋端面图像的中心点作为搜索框的中心点，以钢筋端面图像的周长的预设倍数作为搜索框的周长，构建搜索框的方式，实现了搜索框根据实际的钢筋端面图像的大小来进行适应性变换，以达到逐步缩小中心位钢筋的搜索区域的效果，在一定程度上降低了中心位钢筋的定位难度，以及提高了对中心位钢筋定位的准确率和鲁棒性。
理想情况下，上述搜索框即为目标钢筋的位置，但是由于钢筋分布不规律，搜索框位置会存在偏差等问题，需要对中心坐标进行容错处理。如图3所示，以钢筋端面图像中心点(x，y)为搜索框的中心点，以钢筋端面图像的周长L的1/10(即上述实施例中的预设倍数)作为搜索框的周长L/10，构建中心位钢筋的搜索框，后续中心位钢筋的检测则只在该搜索框中进行，通过该方式使得了待检测图像的两级缩减与定位，一方面增加中心点坐标的容错率，一方面降低图像整体的检测难度。
在其中的一些实施例中，检测搜索框包含的圆形，以及确定检测出的各个圆形的圆心包括：基于ISODATA聚类算法对搜索框内的钢筋端面图像进行聚类；检测进行聚类之后的搜索框包含的圆形，以及确定检测出的各个圆形的圆心。
在本实施例中，在中心位钢筋检测的场景下，使用归并与分裂的机制的ISODATA聚类算法，与常见的基于划分的聚类算法(例如K-means聚类算法)相比主要优势是：ISODATA聚类算法的聚类的类别数目是通过算法迭代自动确定的，在聚类的过程中，当聚类结果某一类中样本数太少，或两个类间的距离太近时，将这两个类别合并成一个类别，反之当聚类结果中某一类的类别方差太大，将该类进行分裂，分裂成两个类别，通过迭代，不断调整这些类别数目及对应的中心，最终得到的聚类效果往往会优于K-means等算法，通过该基于ISODATA聚类算法对搜索框内的钢筋端面图像进行聚类的方式，实现了钢筋聚类中心点的检测，提高了对搜索框内的钢筋端面图像的聚类效果，同时基于ISODATA聚类算法进行聚类的方式，使得了软件拓展性强，便于算法的迭代升级。
需要说明的是，ISODATA聚类算法是在k-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法；在本实施例中，还可以通过迭代次数的方式来改变ISODATA聚类算法的最终结果，以使得ISODATA聚类算法的结果更加准确。
在其中的一些实施例中，检测搜索框包含的圆形，以及确定检测出的各个圆形的圆心包括：对进行聚类之后的搜索框内的钢筋端面图像进行图像二值化处理，去除进行聚类之后的搜索框内的钢筋端面图像的背景区域，得到目标钢筋端面图像；检测目标钢筋端面图像包含的圆形，以及确定检测出的各个圆形的圆心。
在本实施例中，可以对进行聚类之后的搜索框内的钢筋端面图像中的类间像素值取均值来代表该类数据，之后以类为单位，采用图像二值化处理进行阈值分割，区分钢筋与背景区域，并且去除背景区域，实现了对目标钢筋端面图像的提取，以便于后续对钢筋端面图像中的圆的检测。
需要说明的是，图像二值化处理可以是采用相关技术中的大律法等二值化处理方式，也可以是其他能够实现背景去除的方式。
在其中的一些实施例中，检测目标钢筋端面图像中的圆以及每个圆对应的圆心包括：基于霍夫变换检测目标钢筋端面图像中的圆形，以及输出每个圆形的圆心。
在本实施例中，基于上述图像二值化处理并去除背景区域的目标钢筋端面图像，采用霍夫变换检测目标钢筋端面图像中的所有的圆形，并输出其对应的圆心和半径的方式，实现了对目标钢筋端面图像中的，以便于后续基于每个圆的圆心对中心位钢筋的定位。
在其中一些实施例中，确定的各个圆心与中心点的偏离度，以及确定各个偏离度中的最小值对应的圆形为目标圆形包括：分别计算各个圆心与中心点的欧氏距离；基于各个圆心与中心点的欧氏距离，确定各个圆心与中心点的偏离度；基于各个圆心与中心点的偏离度，确定各个偏离度中的最小值对应的圆形为目标圆形。
在本实施例中，根据各个圆心与中心点的欧氏距离大小，来确定各个圆心与中心点的偏离度，即欧式距离大，则可以判定为该圆心距离中心点的距离大，通过上述方式，即可实现圆心与中心点之间的偏离度计算，以便于确定确定各个偏离度中的最小值对应的圆形为目标圆形。
需要说明的是，欧几里得度量(euclidean metric)，也称欧氏距离，是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
下面通过优选实施例对本实施例进行描述和说明。
图4是本实施例的中心位钢筋的一种识别方法的流程图，如图4所示，该中心位钢筋的识别方法包括如下步骤：
步骤S401，获取待检测图像。
步骤S402，对待检测图像进行图像预处理。
步骤S403，通过训练后的钢筋端面图像检测模型提取待检测图像中的钢筋端面图像。
需要说明的是，训练后的钢筋端面图像检测模型可以是经过深度学习模型训练得到的。
步骤S404，确定钢筋端面图像的中心点。
步骤S405，在钢筋端面图像中，构建包含钢筋端面图像的中心点的搜索框。
步骤S406，基于ISODATA聚类算法对搜索框内的钢筋端面图像进行聚类。
步骤S407，对进行聚类之后的搜索框内的钢筋端面图像以类为单位进行图像二值化处理，得到目标钢筋端面图像。
步骤S408，基于霍夫变换检测目标钢筋端面图像中的圆形以及每个圆形对应的圆心。
步骤S409，基于欧式距离算法确定与中心点的偏离度最小的圆形所对应的钢筋。
在本步骤中，可以是基于中心点与圆心点之间的欧式距离来确定圆形与中线之间的偏离度。
步骤S410，将与中心点的偏离度最小的圆形所对应的钢筋确定为中心位钢筋。
在本实施例中，通过上述方式，实现了使用轻量级的计算既可实现对中心位钢筋的识别和定位，使得摄像设备在采集到待检测图像数据后即可本地计算，将计算结果返回到运算控制中心，极大的减少传输带宽，能够保证图像数据处理的实时性。同时结合了深度学习与传统的图像处理，实现了对待检测图像的分级处理，以及逐步缩小中心位钢筋的搜索区域，在一定程度上降低了中心位钢筋的定位难度，以及提高了对中心位钢筋定位的准确率和鲁棒性；进一步的通过构建搜索框的方式，避免了外界因素的干扰，进而可以精准的适配任何环境的中心位钢筋的识别和定位。
在本实施例中还提供了一种中心位钢筋的识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是本实施例的中心位钢筋的识别装置的结构框图，如图5所示，该装置包括：
提取模块51，用于提取待检测图像中的钢筋端面图像；
构建模块52，耦合至提取模块51，用于在钢筋端面图像中，构建包含钢筋端面图像的中心点的搜索框；
检测模块53，耦合至构建模块52，用于检测搜索框包含的圆形，以及确定检测出的各个圆形的圆心；
第一确定模块54，耦合至检测模块53，用于确定的各个圆心与中心点的偏离度，以及确定各个偏离度中的最小值对应的圆形为目标圆形；
第二确定模块55，耦合至第一确定模块54，用于将目标圆形对应的钢筋确定为中心位钢筋。
在其中的一些实施例中，提取模块51包括：输入单元，用于将待检测图像输入到训练后的钢筋端面图像检测模型中，得到钢筋端面图像，其中，钢筋端面检测模型是基于机器学习方法，利用钢筋端面图像进行训练得到的。
在其中的一些实施例中，构建模块52包括：第一确定单元，用于确定钢筋端面图像的中心点；构建单元，用于以中心点为参考点，构建包含钢筋端面图像的中心点的搜索框；其中，搜索框包含的面积小于钢筋端面图像包含的面积。
在其中的一些实施例中，构建单元包括：确定子单元，用于确定钢筋端面图像的周长；构建子单元，用于以钢筋端面图像的中心点作为搜索框的中心点，以钢筋端面图像的周长的预设倍数作为搜索框的周长，构建搜索框；其中，预设倍数为大于0且小于1的值。
在其中的一些实施例中，检测模块53包括：聚类单元，用于基于ISODATA聚类算法对搜索框内的钢筋端面图像进行聚类；检测单元，用于检测进行聚类之后的搜索框包含的圆形，以及确定检测出的各个圆形的圆心。
在其中的一些实施例中，检测单元包括：二值化处理子单元，用于对进行聚类之后的搜索框内的钢筋端面图像进行图像二值化处理，去除进行聚类之后的搜索框内的钢筋端面图像的背景区域，得到目标钢筋端面图像；检测子单元，用于检测目标钢筋端面图像包含的圆形，以及确定检测出的各个圆形的圆心。
在其中的一些实施例中，第一确定模块54包括：计算单元，用于分别计算各个圆心与中心点的欧氏距离；第二确定单元，用于基于各个圆心与中心点的欧氏距离，确定各个圆心与中心点的偏离度；第三确定单元，用于基于各个圆心与中心点的偏离度，确定各个偏离度中的最小值对应的圆形为目标圆形。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
步骤S201，提取待检测图像中的钢筋端面图像。
步骤S202，在钢筋端面图像中，构建包含钢筋端面图像的中心点的搜索框。
步骤S203，检测搜索框包含的圆形，以及确定检测出的各个圆形的圆心。
步骤S204，确定的各个圆心与中心点的偏离度，以及确定各个偏离度中的最小值对应的圆形为目标圆形。
步骤S205，将目标圆形对应的钢筋确定为中心位钢筋。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的中心位钢筋的识别方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种中心位钢筋的识别方法。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
