CN115127856B - 一种混凝土试块抗压试验机器人取样识别的方法及装置 - Google Patents
一种混凝土试块抗压试验机器人取样识别的方法及装置 Download PDFInfo
- Publication number
- CN115127856B CN115127856B CN202210824791.4A CN202210824791A CN115127856B CN 115127856 B CN115127856 B CN 115127856B CN 202210824791 A CN202210824791 A CN 202210824791A CN 115127856 B CN115127856 B CN 115127856B
- Authority
- CN
- China
- Prior art keywords
- sample
- sampling
- dimensional code
- identification
- test
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000004567 concrete Substances 0.000 title claims abstract description 44
- 238000005070 sampling Methods 0.000 title claims abstract description 43
- 238000012669 compression test Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 13
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000009749 continuous casting Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Ceramic Engineering (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种混凝土试块抗压试验机器人取样识别的方法及装置,包括,利用混凝土试块抗压试验机器人对待测样品进行取样;基于随机森林算法对取样的样品进行编号生成,得到唯一二维码电子标签;将带有二维码电子标签的样品放置于所分配的样品车上,得到关联后的样品序列号;结合多通道算法构建识别模型,对样品、样品车及样品序列号进行识别处理操作,输出识别结果并反馈给识别装置以完成取样识别自适应试验。本发明通过决策树策略得到精确的样品试块位置和特征,结合编号生成唯一电子二维码,不必担心纸质标签的损坏对样品取样试验造成的影响,根据多通道模型的识别进一步提高了混凝土试块的样品自适应取样识别效率和精度。
Description
技术领域
本发明涉及混凝土试块抗压试验机器人取样识别的技术领域,尤其涉及一种混凝土试块抗压试验机器人取样识别的方法及***。
背景技术
我国目前的房屋建筑和土木工程主要以钢筋混凝土结构为主,在工程项目建设工程中,混凝土工程是量最大、等级最多、原材料品种最复杂的工程,混凝土工程施工质量的好坏,直接影响到整个工程的质量。为了有效提高工程的建设质量,***、铁道部、交通部以及有关政府部门出台了一系列专门针对质量管理的法规和政策,要求各级部门、建设单位大力加强工程建设的质量检验工作。但由于工程建设自身存在的特点,由于缺少必要的技术手段,混凝土的质量,即使在政府监督部门、业主单位、监理单位、施工单位等多方监督检验下,仍然存在管理漏洞。
混凝土试块的送样检测是土建工程试验的一个重要组成部分。《混凝土结构工程施工质量验收规范》和《混凝土强度检验评定标准》对混凝土试块送样过程中出现的问题进行了要求。强度检验评定混凝土强度时应采用28d或设计规定的龄期的标准养护试件,进行立方体抗压强度的试验。立方体抗压强度的标准值是指按照标准方法制作养护的边长150mm的立方体试件,在28d龄期用标准试验方法测得的具有95%保证率的抗压强度。混凝土强度等级应按照立方体抗压强度标准值确定,分为从C10到C100共19个强度等级。
通过使用机器人进行方体抗压强度试验,不仅提高了工作效率,减少了工作噪音对操作人员的影响,极大的减轻了试验人员的工作强度,并保证了试验的公正性、科学性。
为了使保证全自动化试验的过程的顺利进行,在整个试验过程中,高效、正确对样品编码的识别对于整个自动化过程的连续性起到关键作用,因为样品编码破损等各种非设备原因造成整个自动化流水过程的中断,将极大地影响用户使用全自动设备的效率和体验性。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:针对现有技术中对标签识别、样品识别精度较低和夹取效率太低的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,利用混凝土试块抗压试验机器人对待测样品进行取样;基于随机森林算法对取样的样品进行编号生成,得到唯一二维码电子标签;将带有所述二维码电子标签的所述样品放置于所分配的样品车上,得到关联后的样品序列号;结合多通道算法构建识别模型,对所述样品、所述样品车及所述样品序列号进行识别处理操作,输出识别结果并反馈给识别装置以完成取样识别自适应试验。
作为本发明所述的混凝土试块抗压试验机器人取样识别的方法的一种优选方案,其中:所述取样包括,设置连续浇筑量为1000方;设置3天、7天、28天三组不同周期测试组;按照每200方取样一组执行;每一组由3个样品试块组成;利用所述混凝土试块抗压试验机器人分别对每组的所述样品试块进行夹取检测。
作为本发明所述的混凝土试块抗压试验机器人取样识别的方法的一种优选方案,其中:得到所述二维码电子标签包括,所述混凝土试块抗压试验机器人对夹取的所述样品试块进行视图扫描处理,得到成像特征数据;所述成像特征数据通过spp协议栈传输至识别装置处理中心进行特殊处理,基于所述随机森林算法对所述成像特征数据进行回归编码;所述成像特征在运算过程中沿着决策树的根部向各个树杈节点逐渐生成不同的末梢节点;所述末梢节点彼此之间通过树神经连接,利用神经反馈输出所述末梢节点在所述决策树中的位置;所述位置即为所述样品试块的编号;调取二维码生成包,对所述编号进行二维码生成处理,得到唯一所述二维码电子标签。
作为本发明所述的混凝土试块抗压试验机器人取样识别的方法的一种优选方案,其中:所述关联包括,所述样品车均设置有唯一车牌号,扫描所述二维码电子标签与所述车牌号,生成***记录;利用空间坐标算法对其进行定位计算;将放置于所述样品车上的所述样品的所述二维码电子标签与所述样品车的所述车牌号进行绑定,得到唯一的关联的所述样品序列号。
作为本发明所述的混凝土试块抗压试验机器人取样识别的方法的一种优选方案,其中:所述样品序列号包括,所述样品序列号=所述样品车的所述车牌号+所述样品的所述二维码电子标签;所述二维码电子标签=所述样品的编号+所述二维码生成时间。
作为本发明所述的混凝土试块抗压试验机器人取样识别的方法的一种优选方案,其中:构建所述识别模型包括,
其中,Lcv表示分类器损失函数,通过将可见类别的分类,使得网络M可以保留可见类别之间的差异性,Ns表示可见类别样品的个数,表示第i个样品的标签,/>表示第i个样品的视觉特征,i为常数。
作为本发明所述的混凝土试块抗压试验机器人取样识别的方法的一种优选方案,其中:所述识别模型需提前进行精度训练,包括,利用分类器和关系网络辅助训练所述网络M,保存类别之前的相似性和差异性;利用多通道GAN网络结构训练所述识别模型,将语义特征转化为视觉特征;所述语义特征为所述样品序列号;利用所述视觉特征训练softmax分类器并根据GZSL标准进行测试。
作为本发明所述的混凝土试块抗压试验机器人取样识别的方法的一种优选方案,其中:得到所述识别结果包括,将拍摄的所述样品和所述样品车的图片输入至Imagenet预训练网络M中进行提取,得到可见类别的视觉特征;将所述视觉特征输入至多通道的所述识别模型进行训练,得到可见类别的融合特征;利用所述视觉特征及所述融合特征训练生成所述softmax分类器;对训练好的所述softmax分类器进行识别测试,得到识别结果。
作为本发明所述的混凝土试块抗压试验机器人取样识别的装置的一种优选方案,其中:包括,信息采集模块,用于采集取样数据、拍摄图片信息,并对其进行数据预处理和图片清洗操作;数据处理中心与所述信息采集模块相连接,所述数据处理中心包括计算体、数据库和解码体,所述计算体用于接收所述信息采集模块传输的数据信息,所述计算体搭载随机森林算法和识别模型运行程序,所述计算体调用运行程序进行计算,并将计算结果反馈给所述数据库进行存储和分纳管理,所述解码体用于对所述计算体运算过程中出现的特征、序列号及差异性、相似性进行解码,以保障所述计算体的高效运行;数据输入输出模块与各个模块相连接,其用于为各模块提供数据传输服务;识别模块与所述数据库相连,其用于接收所述数据库内存储的相关数据信息,结合计算结果进行分析,输出识别结果。
本发明的有益效果:本发明通过决策树策略得到精确的样品试块位置和特征,结合编号生成唯一电子二维码,不必担心纸质标签的损坏对样品取样试验造成的影响,根据多通道模型的识别进一步提高了混凝土试块的样品自适应取样识别效率和精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的混凝土试块抗压试验机器人取样识别的方法的流程示意图;
图2为本发明第一个实施例所述的混凝土试块抗压试验机器人取样识别的方法的再一种取样示意图;
图3为本发明第一个实施例所述的混凝土试块抗压试验机器人取样识别的方法的决策树网络拓扑结构示意图;
图4为本发明第二个实施例所述的混凝土试块抗压试验机器人取样识别的装置的模块结构分布示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图3,为本发明的第一个实施例,提供了一种混凝土试块抗压试验机器人取样识别的方法,包括:
S1:利用混凝土试块抗压试验机器人对待测样品进行取样。其中需要说明的是,取样包括:
设置连续浇筑量为1000方;
设置3天、7天、28天三组不同周期测试组;
按照每200方取样一组执行;
每一组由3个样品试块组成;
利用混凝土试块抗压试验机器人分别对每组的样品试块进行夹取检测。
S2:基于随机森林算法对取样的样品进行编号生成,得到唯一二维码电子标签。参照图3,本步骤需要说明的是,得到二维码电子标签包括:
混凝土试块抗压试验机器人对夹取的样品试块进行视图扫描处理,得到成像特征数据;
成像特征数据通过spp协议栈传输至识别装置处理中心进行特殊处理,基于随机森林算法对成像特征数据进行回归编码;
成像特征在运算过程中沿着决策树的根部向各个树杈节点逐渐生成不同的末梢节点;
末梢节点彼此之间通过树神经连接,利用神经反馈输出末梢节点在决策树中的位置;
位置即为样品试块的编号;
调取二维码生成包,对编号进行二维码生成处理,得到唯一二维码电子标签。
S3:将带有二维码电子标签的样品放置于所分配的样品车上,得到关联后的样品序列号。其中还需要说明的是,关联包括:
样品车均设置有唯一车牌号,扫描二维码电子标签与车牌号,生成***记录;
利用空间坐标算法对其进行定位计算;
将放置于样品车上的样品的二维码电子标签与样品车的车牌号进行绑定,得到唯一的关联的样品序列号。
具体的,样品序列号包括:
样品序列号=样品车的车牌号+样品的二维码电子标签;
二维码电子标签=样品的编号+二维码生成时间。
S4:结合多通道算法构建识别模型,对样品、样品车及样品序列号进行识别处理操作,输出识别结果并反馈给识别装置以完成取样识别自适应试验。本步骤还需要说明的是,构建识别模型包括:
其中,Lcv表示分类器损失函数,通过将可见类别的分类,使得网络M可以保留可见类别之间的差异性,Ns表示可见类别样品的个数,表示第i个样品的标签,/>表示第i个样品的视觉特征,i为常数。
进一步的,识别模型需提前进行精度训练,包括:
利用分类器和关系网络辅助训练网络M,保存类别之前的相似性和差异性;
利用多通道GAN网络结构训练识别模型,将语义特征转化为视觉特征;
语义特征为样品序列号;
利用视觉特征训练softmax分类器并根据GZSL标准进行测试。
再进一步的,得到识别结果包括:
将拍摄的样品和样品车的图片输入至Imagenet预训练网络M中进行提取,得到可见类别的视觉特征;
将视觉特征输入至多通道的识别模型进行训练,得到可见类别的融合特征;
利用视觉特征及融合特征训练生成softmax分类器;
对训练好的softmax分类器进行识别测试,得到识别结果。
参照图2,样品在小车上码放时,将包含二维码的一面朝向小车的同一个侧面,一组样品三个试块放在同一行上,显露在侧面的二维码标识代表三块一组的样品编码;样品在小车上码放完成后,使用手机APP正对样品小车侧面进行整体拍照,照片上传到电脑,由电脑对照片进行视觉识别,确定样品的层数和每层的数量,并将识别的样品二维码编号与试块样品位置对应;对于未识别出的编码,由试验人员对应该组试块在n*m的网格中的位置进行手工输入,该车样品处理完成后,将每车试块的处理结果按车号保存到数据库中供全自动试验机调用;上述过程为全自动试验的前置部分,对样品车上的试块编码进行预处理识别,以确保在试验过程中不会因为标识破损等各种原因造成试验中断。
样品识别预处理完成后,将样品车推入试验机前的样品区域,由样品区上方的工业相机进行样品定位识别,获取每个样品的xy坐标,试验时从列表中选择已经预处理完成的小车编号,对该车上的试块进行立方体抗压全自动试验,试验过程中不再对样品的编码进行识别。
实施例2
参照图4,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种混凝土试块抗压试验机器人取样识别的装置,具体包括:
信息采集模块100,用于采集取样数据、拍摄图片信息,并对其进行数据预处理和图片清洗操作。
数据处理中心200与信息采集模块100相连接,数据处理中心200包括计算体201、数据库202和解码体203,计算体201用于接收信息采集模块100传输的数据信息,计算体201搭载随机森林算法和识别模型运行程序,计算体201调用运行程序进行计算,并将计算结果反馈给数据库202进行存储和分纳管理,解码体203用于对计算体201运算过程中出现的特征、序列号及差异性、相似性进行解码,以保障计算体201的高效运行。
数据输入输出模块300与各个模块相连接,其用于为各模块提供数据传输服务。
识别模块400与数据库202相连,其用于接收数据库202内存储的相关数据信息,结合计算结果进行分析,输出识别结果。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“***”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地***、分布式***中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它***进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种混凝土试块抗压试验机器人取样识别的方法,其特征在于:包括,
利用混凝土试块抗压试验机器人对待测样品进行取样;
基于随机森林算法对取样的样品进行编号生成,得到唯一二维码电子标签;
将带有所述二维码电子标签的所述样品放置于所分配的样品车上,得到关联后的样品序列号;
结合多通道算法构建识别模型,对所述样品、所述样品车及所述样品序列号进行识别处理操作,输出识别结果并反馈给识别装置以完成取样识别自适应试验;
所述取样包括,设置连续浇筑量为1000方;
设置3天、7天、28天三组不同周期测试组;
按照每200方取样一组执行;
每一组由3个样品试块组成;
利用所述混凝土试块抗压试验机器人分别对每组的所述样品试块进行夹取检测;
所述得到唯一二维码电子标签包括,所述混凝土试块抗压试验机器人对夹取的所述样品试块进行视图扫描处理,得到成像特征数据;
所述成像特征数据通过spp协议栈传输至识别装置处理中心进行特殊处理,基于所述随机森林算法对所述成像特征数据进行回归编码;
所述成像特征在运算过程中沿着决策树的根部向各个树杈节点逐渐生成不同的末梢节点;
所述末梢节点彼此之间通过树神经连接,利用神经反馈输出所述末梢节点在所述决策树中的位置;
所述位置即为所述样品试块的编号;
调取二维码生成包,对所述编号进行二维码生成处理,得到唯一所述二维码电子标签;
所述关联包括,
所述样品车均设置有唯一车牌号,扫描所述二维码电子标签与所述车牌号,生成***记录;
利用空间坐标算法对其进行定位计算;
将放置于所述样品车上的所述样品的所述二维码电子标签与所述样品车的所述车牌号进行绑定,得到唯一的关联的所述样品序列号;
所述样品序列号包括,所述样品序列号=所述样品车的所述车牌号+所述样品的所述二维码电子标签;
所述二维码电子标签=所述样品的编号+所述二维码生成时间;
构建所述识别模型包括,
其中,Lcv表示分类器损失函数,通过将可见类别的分类,使得网络M可以保留可见类别之间的差异性,Ns表示可见类别样品的个数,表示第i个样品的标签,/>表示第i个样品的视觉特征,i为常数。
2.根据权利要求1所述的混凝土试块抗压试验机器人取样识别的方法,其特征在于:所述识别模型需提前进行精度训练,包括,
利用分类器和关系网络辅助训练所述网络M,保存类别之前的相似性和差异性;
利用多通道GAN网络结构训练所述识别模型,将语义特征转化为视觉特征;
所述语义特征为所述样品序列号;
利用所述视觉特征训练softmax分类器并根据GZSL标准进行测试。
3.根据权利要求2所述的混凝土试块抗压试验机器人取样识别的方法,其特征在于:得到所述识别结果包括,
将拍摄的所述样品和所述样品车的图片输入至Imagenet预训练网络M中进行提取,得到可见类别的视觉特征;
将所述视觉特征输入至多通道的所述识别模型进行训练,得到可见类别的融合特征;
利用所述视觉特征及所述融合特征训练生成所述softmax分类器;
对训练好的所述softmax分类器进行识别测试,得到识别结果。
4.一种应用于如权利要求1~3中任一项所述的混凝土试块抗压试验机器人取样识别方法的取样识别装置,其特征在于:包括,
信息采集模块(100),用于采集取样数据、拍摄图片信息,并对其进行数据预处理和图片清洗操作;
数据处理中心(200)与所述信息采集模块(100)相连接,所述数据处理中心(200)包括计算体(201)、数据库(202)和解码体(203),所述计算体(201)用于接收所述信息采集模块(100)传输的数据信息,所述计算体(201)搭载随机森林算法和识别模型运行程序,所述计算体(201)调用运行程序进行计算,并将计算结果反馈给所述数据库(202)进行存储和分纳管理,所述解码体(203)用于对所述计算体(201)运算过程中出现的特征、序列号及差异性、相似性进行解码,以保障所述计算体(201)的高效运行;
数据输入输出模块(300)与各个模块相连接,其用于为各模块提供数据传输服务;
识别模块(400)与所述数据库(202)相连,其用于接收所述数据库(202)内存储的相关数据信息,结合计算结果进行分析,输出识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210824791.4A CN115127856B (zh) | 2022-07-13 | 2022-07-13 | 一种混凝土试块抗压试验机器人取样识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210824791.4A CN115127856B (zh) | 2022-07-13 | 2022-07-13 | 一种混凝土试块抗压试验机器人取样识别的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115127856A CN115127856A (zh) | 2022-09-30 |
CN115127856B true CN115127856B (zh) | 2024-06-04 |
Family
ID=83384658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210824791.4A Active CN115127856B (zh) | 2022-07-13 | 2022-07-13 | 一种混凝土试块抗压试验机器人取样识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115127856B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116038861A (zh) * | 2023-02-20 | 2023-05-02 | 南京中建八局智慧科技有限公司 | 一种混凝土试块全自动制作设备及其控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223077A (zh) * | 2015-09-29 | 2016-01-06 | 广东省建筑材料研究院 | 一种混凝土抗压强度自动检测方法及其检测*** |
CN105478371A (zh) * | 2015-12-04 | 2016-04-13 | 广东省建筑材料研究院 | 一种混凝土试块自动分拣及储存方法与其*** |
CN107748144A (zh) * | 2017-11-13 | 2018-03-02 | 中国科学院昆明植物研究所 | 快速测定土壤碳氮及其稳定同位素的中红外光谱检测*** |
CN111914490A (zh) * | 2020-08-31 | 2020-11-10 | 中国水利水电科学研究院 | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 |
CN112378697A (zh) * | 2020-11-09 | 2021-02-19 | 刘平亮 | 焦煤智能取样*** |
CN113358887A (zh) * | 2021-05-31 | 2021-09-07 | 南京德阳科技有限公司 | 一种钢材试验机器人取样识别的方法及装置 |
CN216208149U (zh) * | 2021-10-20 | 2022-04-05 | 绍兴市容纳测控技术有限公司 | 一种全自动混凝土抗压强度检测装置 |
-
2022
- 2022-07-13 CN CN202210824791.4A patent/CN115127856B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223077A (zh) * | 2015-09-29 | 2016-01-06 | 广东省建筑材料研究院 | 一种混凝土抗压强度自动检测方法及其检测*** |
CN105478371A (zh) * | 2015-12-04 | 2016-04-13 | 广东省建筑材料研究院 | 一种混凝土试块自动分拣及储存方法与其*** |
CN107748144A (zh) * | 2017-11-13 | 2018-03-02 | 中国科学院昆明植物研究所 | 快速测定土壤碳氮及其稳定同位素的中红外光谱检测*** |
CN111914490A (zh) * | 2020-08-31 | 2020-11-10 | 中国水利水电科学研究院 | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 |
CN112378697A (zh) * | 2020-11-09 | 2021-02-19 | 刘平亮 | 焦煤智能取样*** |
CN113358887A (zh) * | 2021-05-31 | 2021-09-07 | 南京德阳科技有限公司 | 一种钢材试验机器人取样识别的方法及装置 |
CN216208149U (zh) * | 2021-10-20 | 2022-04-05 | 绍兴市容纳测控技术有限公司 | 一种全自动混凝土抗压强度检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115127856A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ukhwah et al. | Asphalt pavement pothole detection using deep learning method based on YOLO neural network | |
CN105426530B (zh) | 一种商标检索方法、装置和*** | |
CN110569856B (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN110490181B (zh) | 一种基于ocr识别技术的表单填写审核方法、装置、设备以及计算机存储介质 | |
CN115127856B (zh) | 一种混凝土试块抗压试验机器人取样识别的方法及装置 | |
CN109241986B (zh) | 用于轨道交通车辆零部件图像识别模型的样本制作方法 | |
CN108764456B (zh) | 机载目标识别模型构建平台、机载目标识别方法及设备 | |
CN105930257A (zh) | 一种确定目标测试用例的方法及装置 | |
CN109726499A (zh) | 基于bim技术的钢筋施工管理方法 | |
CN112770265B (zh) | 一种行人身份信息获取方法、***、服务器和存储介质 | |
CN111958595B (zh) | 一种变电站巡检机器人多传感器异步信息融合***及方法 | |
CN116342606B (zh) | 一种基于铜合金加工成品的缺陷追溯分析方法 | |
CN113989627A (zh) | 一种基于异步联邦学习的城市防控图像检测方法和*** | |
CN114332004A (zh) | 一种瓷砖表面缺陷检测方法、装置、电子设备及存储介质 | |
CN110793501A (zh) | 一种地铁隧道限界检测方法 | |
CN115984486A (zh) | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 | |
CN115268910A (zh) | 基于多Excel子表的数据可视化模型构建方法 | |
CN109088793B (zh) | 用于检测网络故障的方法和装置 | |
CN113947564A (zh) | 一种电力行业低压台区计量设备图像校验方法及*** | |
CN109544514B (zh) | 一种融合表观特征的锯材身份辨识方法、装置及设备 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN114240928B (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
CN115660622A (zh) | 一种应用于差旅的数据处理方法及*** | |
CN109794432A (zh) | 一种基于视觉识别的稀土金属自动分拣***及方法 | |
CN116543327A (zh) | 作业人员工种识别的方法、装置、计算机设备及存储介质 |
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 |