CN111751253A - 一种混凝土骨料检测模型的形成方法及质量检测方法 - Google Patents
一种混凝土骨料检测模型的形成方法及质量检测方法 Download PDFInfo
- Publication number
- CN111751253A CN111751253A CN202010641050.3A CN202010641050A CN111751253A CN 111751253 A CN111751253 A CN 111751253A CN 202010641050 A CN202010641050 A CN 202010641050A CN 111751253 A CN111751253 A CN 111751253A
- Authority
- CN
- China
- Prior art keywords
- image
- aggregate
- concrete
- deep learning
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000013135 deep learning Methods 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000005286 illumination Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 15
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000007493 shaping process Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
- G01B11/285—Measuring arrangements characterised by the use of optical techniques for measuring areas using photoelectric detection means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0272—Investigating particle size or size distribution with screening; with classification by filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N2015/0294—Particle shape
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种混凝土骨料检测模型的形成方法,包括以下步骤:搭建无太阳光照的封闭采集环境;在封闭的采集环境内,在光源照射下,利用图像采集模块采集混凝土骨料的原始图像;采集不同类型的混凝土骨料的原始图像并将其进行质量评分划分为多个等级,将等级划分后的混凝土骨料的原始图像作为深度学习训练集;对深度学习训练集中的混凝土骨料的原始图像进行图像预处理;采用深度学习训练模型对经过图像预处理后的深度学习训练集进行训练,得到混凝土骨料检测模型。本发明还公开一种混凝土骨料质量检测方法。该些方法,检测精度高、检测效率快,能满足实时处理的需求,还能满足在实际生产中或离线监测的稳定检测。
Description
技术领域
本发明涉及骨料检测技术领域,尤其涉及一种混凝土骨料检测模型的形成方法及质量检测方法。
背景技术
混凝土是建筑行业施工过程中最重要的一种材料,骨料作为混凝土最主要的组成部分,体积重量占比达到75%,其颗粒形状、尺寸大小比例、石粉含量、孔隙率等决定了混凝土的质量。在实际应用中立方体或圆球状骨料相对于细针型骨料更易形成较致密的级配结构,具有更好的整体稳定性和耐久性,并且有利于泵送和施工,不易堵塞输送管道。因此,根据骨料的粒形、粒度分布,对混凝土骨料进行质量检测,从而评价混凝土骨料的优劣情况,具有非常重大的意义。
目前,国内外有多种混凝土骨料的质量检测方法,可总结为两大类方法:一类采用物理筛分法;另一类采用图像处理方法。其中,图像处理方法的基本原理是通过对骨料进行视觉采样,然后经过各种图形学算法处理,最终得到处理后的骨料轮廓信息。例如中国专利文献CN106969708A公开了一种骨料形态质量的检测装置和方法,步骤包括:图像采集器采集骨料图像传送至检测分析仪;提取每个骨料的质心坐标;检测分析仪采用几何标定法对骨料的尺寸进行标定;通过粗糙度和棱角参数来表征图像的表面纹理和棱角性;激光扫描仪将扫描得到的骨料高度轮廓传送至检测分析仪;通过对骨料的平面图像反应的形态参数和高度轮廓曲线反应的形参参数,进行多特征的融合,得到每个骨料的形态参数特性。该方法能够在线测量和检测骨料粒形的缺陷,但该方法的缺陷在于检测精度不高、结果不稳定、算法复杂,并且非常受环境光照影响等,很难在实际生产环境中使用。
发明内容
本发明的目的是提供一种混凝土骨料检测模型的形成方法及质量检测方法,检测精度高、检测效率快,能满足实时处理的需求,还能满足在实际生产中或离线监测的稳定检测。
为实现上述目的,本发明提供了一种混凝土骨料检测模型的形成方法,包括以下步骤:
搭建无太阳光照的封闭采集环境;
在封闭的采集环境内,在光源照射下,利用图像采集模块采集混凝土骨料的原始图像;
采集不同类型的混凝土骨料的原始图像并将其进行质量评分划分为多个等级,将等级划分后的混凝土骨料的原始图像作为深度学习训练集;
对深度学习训练集中的混凝土骨料的原始图像进行图像预处理,以简化数字图像信息,作为深度学习训练模型的输入数据;
采用深度学习训练模型对经过图像预处理后的深度学习训练集进行训练,得到混凝土骨料检测模型。
进一步,采集不同类型的混凝土骨料的原始图像并将其进行质量评分划分为五个等级,等级评价的内容包括混凝土骨料的粒形和粒径,所述粒形的评定指标为整形和针片状形的含量,整形指的是粒形为圆形或者正方形;粒径即为混凝土骨料的尺寸大小;所述五个等级划分如下表:
进一步,所述深度学习训练集中的每种等级的骨料数字图像不少于500张。
进一步,所述深度学习训练集中的每种等级的混凝土骨料的原始图像按照预定比例划分为训练图像和测试图像。
进一步,所述深度学习训练模型为卷积神经网络训练模型。
进一步,还包括:所述卷积神经网络包括多层结构,所述多层结构依次包括第一层卷积层、第一层池化层、第二层卷积层、第二层池化层、第三层卷积层、第三层池化层、第一全连接层、第二全连接层和输出层。
进一步,所述图像预处理的步骤包括:对深度学习训练集中的每张混凝土骨料的原始图像进行数字图像处理,所述数字图像处理包括:
增强对比度,用于使图像中亮的部分更亮,暗的部分更暗,突出孔隙的位置;
阈值分割,用于将采集到的背景图像过滤掉,仅留下含骨料的数字图像部分;
形态学处理,用于使骨料轮廓变得平滑;
面积筛选,用于得到骨料的面积信息,并根据面积的分布情况,进行筛选,剔除无效的骨料数据;
拟圆度计算,用于获得骨料的圆度、等效椭圆长、短轴半径长度和方向。
进一步,所述图像采集模块为CCD或CMOS相机。
本发明还提供一种混凝土骨料质量检测方法,包括以下步骤:
在封闭的混凝土搅拌站内,在光源照射下,利用图像采集模块对混凝土搅拌站内的待测骨料进行图像采集,以获得待测图像;
对待测图像进行图像预处理;
把图像预处理后的待测图像输入混凝土骨料检测模型中,即可得到待测骨料的质量等级;
其中,所述混凝土骨料检测模型利用所述的混凝土骨料检测模型的形成方法形成。
进一步,所述图像预处理的步骤包括:对待测图像进行数字图像处理,所述数字图像处理包括:
增强对比度,用于使图像中亮的部分更亮,暗的部分更暗,突出孔隙的位置;
阈值分割,用于将采集到的背景图像过滤掉,仅留下含骨料的数字图像部分;
形态学处理,用于使骨料轮廓变得平滑;
面积筛选,用于得到骨料的面积信息,并根据面积的分布情况,进行筛选,剔除无效的骨料数据;
拟圆度计算,用于获得骨料的圆度、等效椭圆长、短轴半径长度和方向。
本发明与现有技术相比较具有以下优点:
本发明的混凝土骨料检测模型的形成方法及质量检测方法,混凝土骨料检测模型是基于图像预处理后的数据进行训练,而不是使用常规的原始图像进行训练,可极大降低数据量,加快训练速度,并且由于图像预处理后数据消除了噪音干扰,可提高训练的准确性;并且选择卷积神经网络训练模型,通过尽可能保留重要的参数,去掉大量不重要的参数,来达到更好的学习效果,算法更简单;该检测方法是基于数字图像处理算法和深度学习的混凝土骨料质量检测方法,无需对结果进行标定,能够适应各种使用场合,无需采用国标配比标准进行结果比对,检测精度高、检测效率快,能够满足实时处理的需求,能够满足在在线状态或离线状态下的稳定检测。
附图说明
图1为本发明混凝土骨料检测模型的形成方法的流程图;
图2为本发明混凝土骨料质量检测方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
参见图1所示,本实施例公开了一种混凝土骨料检测模型的形成方法,包括以下步骤:
搭建无太阳光照的封闭采集环境;设置封闭采集环境的原因在于需要模拟封闭设置的搅拌站的环境参数。
封闭的采集环境内,在光源照射下,利用图像采集模块采集混凝土骨料的原始图像;
采集不同类型的混凝土骨料的原始图像并将其进行质量评分划分为多个等级,将等级划分后的混凝土骨料的原始图像作为深度学习训练集;
对深度学习训练集中的混凝土骨料的原始图像进行图像预处理,以简化数字图像信息,作为深度学习训练模型的输入数据;
采用深度学习训练模型对经过图像预处理后的深度学习训练集进行训练,得到混凝土骨料检测模型。此时,深度学习训练集作为深度学习的输入数据。基于前述图像预处理后的数据进行训练,而不是使用常规的原始图像进行训练,可极大降低数据量,加快训练速度,并且由于图像预处理后数据消除了噪音干扰,可提高训练的准确性。
在本实施例中,所述深度学习训练集中的每种等级的骨料数字图像的数量相等。
在本实施例中,采集不同类型的混凝土骨料的原始图像并将其进行质量评分划分为五个等级,等级评价的内容包括混凝土骨料的粒形和粒径,所述粒形的评定指标为整形和针片状形的含量,整形指的是粒形为圆形或者正方形;粒径即为混凝土骨料的尺寸大小;所述五个等级划分如下表:
其中,等级的评定需同时满足表格中粒形及粒径的规定。例如,当粒径范围为10mm-15mmm,同时针片状含量Q为0%≤Q≤2%及整形P为98%<P≤100%,则评定为第一级。
在本实施例中,所述深度学习训练集中的每种等级的骨料数字图像不少于500张。
在本实施例中,所述深度学习训练集中的每种等级的混凝土骨料的原始图像按照预定比例划分为训练图像和测试图像。所述预定比例例如为3:1或4:1或5:1或其他比值。可选的,预定比例为4:1。所述深度学习训练集中的每种等级的骨料数字图像为1000张,其中,训练图像有800张,测试图像有200张。训练图像用于训练使用,测试图像用于测试使用。
在本实施例中,所述深度学习训练模型为卷积神经网络训练模型。所述深度学习不限于卷积神经网络,也可采用其他深度学习的方法。
在本实施例中,所述卷积神经网络包括多层结构,所述多层结构依次包括第一层卷积层、第一层池化层、第二层卷积层、第二层池化层、第三层卷积层、第三层池化层、第一全连接层、第二全连接层和输出层。
在本实施例中,搭建封闭的样品采集环境,在附加光源提供的稳定的光照条件下,采用ccd或者cmos相机对混凝土骨料进行图像采集,得到的图像分辨率为3840×2748,宽度3840像素,高度2748像素,位深度为8,图片格式为BMP文件,图片大小为10M,每个等级采样1000张。
在本实施例中,采用深度学习训练模型对经过图像预处理后的深度学习训练集进行训练,具体包括以下步骤:
对经过图像预处理的深度学习训练集进行输入数据预处理:将经过数字图像处理的图像归一化大小[1,256,256],命名方式为[通道数,图像长度,图像宽度];
搭建卷积神经网络训练模型:
第一层卷积层:卷积核[5,5,1,16],大小为5×5,1通道,数量为16个,用标准差的方式初始化,移动步长为1,填充方式padding=‘SAME’使用16个标准差的偏差,使用relu函数激活;
第一层池化层:使用过滤器为[1,2,2,1],步长为2,进行过滤;
第二层卷积层:卷积核[5,5,16,16],大小为5×5,16通道(即第一层卷积的输出图像),数量为16个,用标准差的方式初始化,移动步长为1,填充方式padding=‘SAME’使用16个标准差的偏差,使用relu函数激活;
第二层池化层:使用过滤器为[1,2,2,1],步长为1,进行过滤;
第三层卷积层:卷积核[5,5,1,16],大小为5×5,1通道,数量为16个,用标准差的方式初始化,移动步长为1,填充方式padding=‘SAME’使用16个标准差的偏差,使用relu函数激活;
第三层池化层:使用过滤器为[1,2,2,1],步长为1,进行过滤;
第一全连接层:连接256个神经元和偏置,使用relu函数激活;
第二全连接层:连接512个神经元和偏置,使用relu函数激活;
输出层:使用softmax_linear作为输出层;
模型训练过程包括:从磁盘中读取所有训练数据,并给每张图像打上等级标签,并将图像和标签分别存储在对应的列表中;将图像列表和标签列表转化为卷积神经网络可以识别的数据结构;每次读取批量大小为32的图像进行训练,使用交叉熵损失函数,学习率为0.001,总迭代步数为5000步;训练结束后保存训练模型到指定的文件夹,以便测试调用,然后对上述所得的模型结构中进行测试后,方可为生产中使用。
所述神经网络模型的训练是指通过采用Python或其他编程语言完成神经网络模型框架,通过不断地迭代进行学习和训练,最后得到模型。
在本实施例中,所述图像预处理的步骤包括:对深度学习训练集中的每张混凝土骨料的原始图像进行数字图像处理,所述数字图像处理包括:
增强对比度,用于使图像中亮的部分更亮,暗的部分更暗,突出孔隙的位置;
阈值分割,用于将采集到的背景图像过滤掉,仅留下含骨料的数字图像部分;
形态学处理,用于使骨料轮廓变得平滑;
面积筛选,用于得到骨料的面积信息,并根据面积的分布情况,进行筛选,剔除无效的骨料数据;
拟圆度计算,用于获得骨料的圆度、等效椭圆长、短轴半径长度和方向。
其中,利用阈值分割的数字图像处理方式,根据经验设置预设阈值,将采集到的背景图像过滤掉,仅留下含骨料的数字图像部分;可选的,只保留阈值47至120之间的信息,其他背景部分过滤掉。利用面积筛选的处理方式,通过计算连通域大小,得到骨料的面积信息,再根据面积的分布情况,进行筛选,剔除无效的骨料数据,可选的,需要剔除面积小于1000像素,大于10000像素的骨料面积,保留1000像素至10000像素的面积信息。利用拟圆度计算的处理方式,通过拟合计算,得到骨料的圆度,并获得等效椭圆长、短轴半径长度和方向。
在本实施例中,所述形态学处理为形态学处理开运算,使用开运算使骨料轮廓变得平滑,使狭窄的连接断开和消除毛刺,使用闭运算弥合较窄的间断,消除较小的孔洞和填充轮廓线的断裂,然后通过填充运算,消除骨料表面的孔洞。可选的,使用半径为3(像素)的圆形结构元素对图像区域进行开运算,使得骨料轮廓变得平滑。
在本实施例中,所述图像采集模块为CCD或CMOS相机。
参见图2所示,本实施例还公开了一种混凝土骨料质量检测方法,包括以下步骤:
在封闭的混凝土搅拌站内,在光源照射下,利用图像采集模块对混凝土搅拌站内的待测骨料进行图像采集,以获得待测图像;
对待测图像进行图像预处理;
把图像预处理后的待测图像输入混凝土骨料检测模型中,即可得到待测骨料的质量等级;
其中,所述混凝土骨料检测模型利用上述的混凝土骨料检测模型的形成方法形成。混凝土搅拌站内为封闭环境。该质量检测方法能够满足在在线状态或离线状态下的稳定检测,实际生产中即在线状态下。通过前期建模,后续直接输入经过图像预处理后的待测图像,经过模型内计算,即可根据图像中反映骨料的质量得到对应等级。基于前述图像图像预处理后的数据进行训练,而不是使用常规的原始图像进行训练,可极大降低数据量,加快训练速度,并且由于图像预处理后数据消除了噪音干扰,可提高训练的准确性。
在本实施例中,所述图像预处理的步骤包括:对待测图像进行数字图像处理,所述数字图像处理包括:
增强对比度,用于使图像中亮的部分更亮,暗的部分更暗,突出孔隙的位置;
阈值分割,用于将采集到的背景图像过滤掉,仅留下含骨料的数字图像部分;
形态学处理,用于使骨料轮廓变得平滑;
面积筛选,用于得到骨料的面积信息,并根据面积的分布情况,进行筛选,剔除无效的骨料数据;
拟圆度计算,用于获得骨料的圆度、等效椭圆长、短轴半径长度和方向。
本发明的混凝土骨料检测模型的形成方法及质量检测方法,混凝土骨料检测模型是基于图像预处理后的数据进行训练,而不是使用常规的原始图像进行训练,可极大降低数据量,加快训练速度,并且由于图像预处理后数据消除了噪音干扰,可提高训练的准确性;并且选择卷积神经网络训练模型,通过尽可能保留重要的参数,去掉大量不重要的参数,来达到更好的学习效果,算法更简单;该检测方法是基于数字图像处理算法和深度学习的混凝土骨料质量检测方法,无需对结果进行标定,能够适应各种使用场合,无需采用国标配比标准进行结果比对,提高了检测精度和检测效率,能够满足实时处理的需求,能够满足在在线状态或离线状态下的稳定检测。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种混凝土骨料检测模型的形成方法,其特征在于,包括以下步骤:
搭建无太阳光照的封闭采集环境;
在封闭的采集环境内,在光源照射下,利用图像采集模块采集混凝土骨料的原始图像;
采集不同类型的混凝土骨料的原始图像并将其进行质量评分划分为多个等级,将等级划分后的混凝土骨料的原始图像作为深度学习训练集;
对深度学习训练集中的混凝土骨料的原始图像进行图像预处理,以简化数字图像信息,作为深度学习训练模型的输入数据;
采用深度学习训练模型对经过图像预处理后的深度学习训练集进行训练,得到混凝土骨料检测模型。
3.根据权利要求1所述的混凝土检测模型的形成方法,其特征在于,所述深度学习训练集中的每种等级的骨料数字图像不少于500张。
4.根据权利要求1或2或3所述的混凝土检测模型的形成方法,其特征在于,所述深度学习训练集中的每种等级的混凝土骨料的原始图像按照预定比例划分为训练图像和测试图像。
5.根据权利要求1或2或3所述的混凝土检测模型的形成方法,其特征在于,所述深度学习训练模型为卷积神经网络训练模型。
6.根据权利要求5所述的混凝土检测模型的形成方法,其特征在于,还包括:所述卷积神经网络包括多层结构,所述多层结构依次包括第一层卷积层、第一层池化层、第二层卷积层、第二层池化层、第三层卷积层、第三层池化层、第一全连接层、第二全连接层和输出层。
7.根据权利要求1或2或3或6所述的混凝土检测模型的形成方法,其特征在于,所述图像预处理的步骤包括:对深度学习训练集中的每张混凝土骨料的原始图像进行数字图像处理,所述数字图像处理包括:
增强对比度,用于使图像中亮的部分更亮,暗的部分更暗,突出孔隙的位置;
阈值分割,用于将采集到的背景图像过滤掉,仅留下含骨料的数字图像部分;
形态学处理,用于使骨料轮廓变得平滑;
面积筛选,用于得到骨料的面积信息,并根据面积的分布情况,进行筛选,剔除无效的骨料数据;
拟圆度计算,用于获得骨料的圆度、等效椭圆长、短轴半径长度和方向。
8.根据权利要求1所述的混凝土检测模型的形成方法,其特征在于,所述图像采集模块为CCD或CMOS相机。
9.一种混凝土骨料质量检测方法,其特征在于,包括以下步骤:
在封闭的混凝土搅拌站内,在光源照射下,利用图像采集模块对混凝土搅拌站内的待测骨料进行图像采集,以获得待测图像;
对待测图像进行图像预处理;
把图像预处理后的待测图像输入混凝土骨料检测模型中,即可得到待测骨料的质量等级;
其中,所述混凝土骨料检测模型利用权利要求1至8任一项所述的混凝土骨料检测模型的形成方法形成。
10.根据权利要求9所述的混凝土骨料质量检测方法,其特征在于,所述图像预处理的步骤包括:对待测图像进行数字图像处理,所述数字图像处理包括:
增强对比度,用于使图像中亮的部分更亮,暗的部分更暗,突出孔隙的位置;
阈值分割,用于将采集到的背景图像过滤掉,仅留下含骨料的数字图像部分;
形态学处理,用于使骨料轮廓变得平滑;
面积筛选,用于得到骨料的面积信息,并根据面积的分布情况,进行筛选,剔除无效的骨料数据;
拟圆度计算,用于获得骨料的圆度、等效椭圆长、短轴半径长度和方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641050.3A CN111751253B (zh) | 2020-07-06 | 2020-07-06 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641050.3A CN111751253B (zh) | 2020-07-06 | 2020-07-06 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111751253A true CN111751253A (zh) | 2020-10-09 |
CN111751253B CN111751253B (zh) | 2022-10-14 |
Family
ID=72679533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641050.3A Active CN111751253B (zh) | 2020-07-06 | 2020-07-06 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111751253B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504160A (zh) * | 2020-11-25 | 2021-03-16 | 贵州兴达兴建材股份有限公司 | 混凝土用粗骨料的圆度测定仪以及检测方法 |
CN112907578A (zh) * | 2021-03-25 | 2021-06-04 | 清华四川能源互联网研究院 | 水下混凝土磨损的评估方法 |
CN112924654A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
CN112927184A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 基于深度学习的自密实混凝土性能检测方法及装置 |
CN113155710A (zh) * | 2021-04-29 | 2021-07-23 | 山东交通学院 | 一种沥青拌合楼粗骨料形态质量检测***及方法 |
CN113591830A (zh) * | 2021-07-12 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | 基于列队竞争算法的骨料规格智能识别方法及设备 |
CN113655002A (zh) * | 2021-08-30 | 2021-11-16 | 华侨大学 | 基于高光谱技术的表面含砂浆的再生骨料质量检测*** |
CN113740216A (zh) * | 2021-09-09 | 2021-12-03 | 北京师范大学 | 一种宽级配混合骨料空地一体检测方法 |
CN114118266A (zh) * | 2021-11-24 | 2022-03-01 | 华侨大学 | 一种表面含砂浆的再生骨料的视觉检测分类方法和*** |
CN114800873A (zh) * | 2022-04-28 | 2022-07-29 | 郑州三和水工机械有限公司 | 一种基于5g数据传输的混凝土搅拌站砂石料位ai智能检测方法及*** |
WO2023142262A1 (zh) * | 2022-01-26 | 2023-08-03 | 福建南方路面机械股份有限公司 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
WO2024066664A1 (zh) * | 2022-09-26 | 2024-04-04 | 三一汽车制造有限公司 | 一种混凝土可泵性类别识别方法、装置及电子设备 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103408240A (zh) * | 2013-07-26 | 2013-11-27 | 重庆理工大学 | 利用微波固化的酚醛型微胶囊化功能添加剂及制备方法 |
US20160259994A1 (en) * | 2015-03-04 | 2016-09-08 | Accenture Global Service Limited | Digital image processing using convolutional neural networks |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN106228536A (zh) * | 2016-07-12 | 2016-12-14 | 四川大学 | 基于数字图像处理的土石坝筑坝材料颗粒级配检验方法 |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和*** |
CN107437099A (zh) * | 2017-08-03 | 2017-12-05 | 哈尔滨工业大学 | 一种基于机器学习的特定服饰图像识别与检测方法 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** |
US20180284747A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment |
KR101936218B1 (ko) * | 2018-07-11 | 2019-01-08 | 주식회사 삼표 | 인공지능 학습기반 레디믹스트 콘크리트 생산 시스템 |
US10345987B1 (en) * | 2016-10-07 | 2019-07-09 | Snap Inc. | Content collection navigation queue |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
CN110298830A (zh) * | 2019-06-24 | 2019-10-01 | 天津大学 | 基于卷积神经网络的新拌混凝土振捣表观质量识别方法 |
CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
CN110610061A (zh) * | 2019-09-30 | 2019-12-24 | 湖南大学 | 一种融合多源信息的混凝土塌落度高精度预测方法 |
CN110852395A (zh) * | 2019-11-15 | 2020-02-28 | 鞍钢集团矿业有限公司 | 一种基于自主学习和深度学习的矿石粒度检测方法和*** |
US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN111242909A (zh) * | 2020-01-07 | 2020-06-05 | 同济大学 | 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 |
CN111311668A (zh) * | 2020-02-12 | 2020-06-19 | 东南大学 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
-
2020
- 2020-07-06 CN CN202010641050.3A patent/CN111751253B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103408240A (zh) * | 2013-07-26 | 2013-11-27 | 重庆理工大学 | 利用微波固化的酚醛型微胶囊化功能添加剂及制备方法 |
US20160259994A1 (en) * | 2015-03-04 | 2016-09-08 | Accenture Global Service Limited | Digital image processing using convolutional neural networks |
US20180284747A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment |
CN106228536A (zh) * | 2016-07-12 | 2016-12-14 | 四川大学 | 基于数字图像处理的土石坝筑坝材料颗粒级配检验方法 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
US10345987B1 (en) * | 2016-10-07 | 2019-07-09 | Snap Inc. | Content collection navigation queue |
US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和*** |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
CN107437099A (zh) * | 2017-08-03 | 2017-12-05 | 哈尔滨工业大学 | 一种基于机器学习的特定服饰图像识别与检测方法 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** |
KR101936218B1 (ko) * | 2018-07-11 | 2019-01-08 | 주식회사 삼표 | 인공지능 학습기반 레디믹스트 콘크리트 생산 시스템 |
CN110298830A (zh) * | 2019-06-24 | 2019-10-01 | 天津大学 | 基于卷积神经网络的新拌混凝土振捣表观质量识别方法 |
CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
CN110610061A (zh) * | 2019-09-30 | 2019-12-24 | 湖南大学 | 一种融合多源信息的混凝土塌落度高精度预测方法 |
CN110852395A (zh) * | 2019-11-15 | 2020-02-28 | 鞍钢集团矿业有限公司 | 一种基于自主学习和深度学习的矿石粒度检测方法和*** |
CN111242909A (zh) * | 2020-01-07 | 2020-06-05 | 同济大学 | 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 |
CN111311668A (zh) * | 2020-02-12 | 2020-06-19 | 东南大学 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
Non-Patent Citations (2)
Title |
---|
FANGMING DENG 等: ""Compressive strength prediction of recycled concrete based on deep learning"", 《CONSTRUCTION AND BUILDING MATERIALS》 * |
余罗兼 等: ""运用GA-SVM模型的砂石骨料分类方法"", 《华侨大学学报(自然科学版)》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504160A (zh) * | 2020-11-25 | 2021-03-16 | 贵州兴达兴建材股份有限公司 | 混凝土用粗骨料的圆度测定仪以及检测方法 |
CN112924654A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
CN112927184A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 基于深度学习的自密实混凝土性能检测方法及装置 |
CN112924654B (zh) * | 2021-01-15 | 2023-06-02 | 重庆交通大学 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
WO2022198797A1 (zh) * | 2021-03-25 | 2022-09-29 | 清华四川能源互联网研究院 | 水下混凝土磨损的评估方法 |
CN112907578A (zh) * | 2021-03-25 | 2021-06-04 | 清华四川能源互联网研究院 | 水下混凝土磨损的评估方法 |
CN113155710B (zh) * | 2021-04-29 | 2022-11-01 | 山东交通学院 | 一种沥青拌合楼粗骨料形态质量检测***及方法 |
CN113155710A (zh) * | 2021-04-29 | 2021-07-23 | 山东交通学院 | 一种沥青拌合楼粗骨料形态质量检测***及方法 |
CN113591830A (zh) * | 2021-07-12 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | 基于列队竞争算法的骨料规格智能识别方法及设备 |
CN113655002A (zh) * | 2021-08-30 | 2021-11-16 | 华侨大学 | 基于高光谱技术的表面含砂浆的再生骨料质量检测*** |
CN113655002B (zh) * | 2021-08-30 | 2023-11-24 | 华侨大学 | 基于高光谱技术的表面含砂浆的再生骨料质量检测*** |
CN113740216A (zh) * | 2021-09-09 | 2021-12-03 | 北京师范大学 | 一种宽级配混合骨料空地一体检测方法 |
CN113740216B (zh) * | 2021-09-09 | 2022-05-24 | 北京师范大学 | 一种宽级配混合骨料空地一体检测方法 |
CN114118266A (zh) * | 2021-11-24 | 2022-03-01 | 华侨大学 | 一种表面含砂浆的再生骨料的视觉检测分类方法和*** |
WO2023142262A1 (zh) * | 2022-01-26 | 2023-08-03 | 福建南方路面机械股份有限公司 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
CN114800873A (zh) * | 2022-04-28 | 2022-07-29 | 郑州三和水工机械有限公司 | 一种基于5g数据传输的混凝土搅拌站砂石料位ai智能检测方法及*** |
CN114800873B (zh) * | 2022-04-28 | 2024-04-12 | 郑州三和水工机械有限公司 | 一种基于5g数据传输的混凝土搅拌站砂石料位ai智能检测方法及*** |
WO2024066664A1 (zh) * | 2022-09-26 | 2024-04-04 | 三一汽车制造有限公司 | 一种混凝土可泵性类别识别方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111751253B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111751253B (zh) | 一种混凝土骨料检测模型的形成方法及质量检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN109087274B (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与*** | |
Wang et al. | Comparison analysis on present image-based crack detection methods in concrete structures | |
CN110766664B (zh) | 一种基于深度学习的电子元器件外观不良品的检测方法 | |
CN106096563A (zh) | 植物自动识别***和方法 | |
CN111127429A (zh) | 基于自训练深度神经网络的水利***管螺纹缺陷检测方法 | |
CN103499585A (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN105891233A (zh) | 基于机器视觉的镜片表面缺陷智能检测***及其实现方法 | |
CN112734662B (zh) | 一种针对锥齿轮磨损的机器视觉检测方法及*** | |
CN112330663B (zh) | 一种基于变径圆的计算机视觉烟丝宽度检测方法 | |
CN107290347A (zh) | 蜂窝载体缺陷自动化检测方法 | |
CN111368825A (zh) | 一种基于语义分割的指针定位方法 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及*** | |
CN108335310B (zh) | 一种便携式粒形粒度检测方法及*** | |
CN114820471A (zh) | 一种面向智能制造精微结构表面缺陷的视觉检测方法 | |
CN115601379A (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
CN112102287B (zh) | 一种基于图像的生球裂纹自动检测与识别方法 | |
CN113313081A (zh) | 融合车载三维激光点云与影像的道路交通杆状物分类方法 | |
CN107742287A (zh) | 护套检测***及方法 | |
CN116958645A (zh) | 一种全自动一体化汽车补漆的刮痕识别方法 | |
CN114549403B (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 | |
CN114463258B (zh) | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |