CN115808425B - 在混凝土构件回弹检测过程中的缺陷识别和应对方法 - Google Patents
在混凝土构件回弹检测过程中的缺陷识别和应对方法 Download PDFInfo
- Publication number
- CN115808425B CN115808425B CN202310044327.8A CN202310044327A CN115808425B CN 115808425 B CN115808425 B CN 115808425B CN 202310044327 A CN202310044327 A CN 202310044327A CN 115808425 B CN115808425 B CN 115808425B
- Authority
- CN
- China
- Prior art keywords
- defect
- area
- wall surface
- wall
- rebound
- 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
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种在混凝土构件回弹检测过程中的缺陷识别和应对方法。该缺陷识别方法首先实时采集当前所定位测区的壁面图像并输入至训练好的壁面缺陷识别模型中,识别出壁面图像中的缺陷位置以及缺陷特征类别,并得到缺陷像素占比。从而将壁面图像中的缺陷特征类别数目以及缺陷像素占比进行加权聚合,得到反映壁面缺陷程度的缺陷加权结果。最后分析缺陷加权结果与预设判定阈值的关系。当缺陷加权结果大于预设判定阈值时,则判定当前所定位测区的壁面为缺陷壁面。否则为合格壁面。该缺陷识别方法可以有效识别出混凝土构件上的缺陷壁面测区,从而为回弹检测过程提供指导,保障了回弹检测过程的顺利进行以及后续检测结果的准确性。
Description
技术领域
本发明涉及建筑施工技术领域,特别是涉及一种在混凝土回弹检测过程中的缺陷识别方法,以及应用该缺陷识别方法的缺陷应对方法、计算机终端和计算机可读存储介质,还涉及一种应用上述缺陷识别方法、缺陷应对方法的混凝土构件的回弹检测方法。
背景技术
目前常用的混凝土无损检测技术通常有回弹法测强度,混凝土构件回弹检测一般需要人工手持回弹仪操作,对于某些作业危险系数较高且待检测区域较多的建筑物构件,如桥墩、楼房外墙、坝体等,存在检测效率低、检测精度有限的问题,这种方式存在安全系数低以及操作不便的弊端。
近些年来,随着爬壁机器人的技术日益发展,对于混凝土回弹检测,研发人员提出了利用爬壁机器人等技术手段来代替人工进行混凝土构件回弹检测的方案。然而实际的应用过程中,在原本由机器在混凝土构件上布置的测区上,由于毛坯壁面可能存在明显造成回弹值偏差的缺陷,有些缺陷甚至造成回弹仪无法完成单个或多个测点的回弹作业,从而使得回弹检测结果不够准确,进而限制了混凝土构件回弹检测过程的顺利进行。
发明内容
基于此,有必要针对现有技术中,由于难以确定出混凝土构件测区上的壁面存在缺陷,从而造成回弹检测结果不够准确的技术问题,本发明提供一种在混凝土构件回弹检测过程中的缺陷识别和应对方法。
本发明公开一种在混凝土回弹检测过程中的缺陷识别方法,其用于在回弹仪定位至一个混凝土构件的待测壁面上的其中一个测区后,对该测区的壁面进行缺陷识别检测,进而判断出该测区的壁面是否为缺陷壁面。缺陷识别方法包括以下步骤:
实时采集当前所定位测区的壁面图像。
将壁面图像输入至预先训练完成的壁面缺陷识别模型中,识别出壁面图像中的缺陷位置以及缺陷特征类别,并根据缺陷位置得到所有缺陷在图像中的像素占比。其中,缺陷特征类别包括裂缝、凹坑、蜂窝、预埋管口、浮浆、油垢以及涂层。
将壁面图像中的缺陷特征类别数目以及缺陷像素占比进行加权聚合,得到用于反映壁面缺陷程度的缺陷加权结果。
分析缺陷加权结果与一个预设判定阈值之间的关系。当缺陷加权结果大于预设判定阈值时,则判定当前所定位测区的壁面为缺陷壁面。否则判定当前所定位测区的壁面为合格壁面。
作为上述方案的进一步改进,在将壁面图像输入至壁面缺陷识别模型之前,还对采集到的壁面图像进行灰度处理和中值滤波处理,进而得到预处理增强后的壁面图像。
作为上述方案的进一步改进,壁面缺陷识别模型的训练方法包括以下步骤:
获取若干个壁面缺陷图像样本以此构成用于进行模型训练的原始数据集。其中,每个壁面缺陷图像样本中标注有缺陷特征类别真实值及缺陷位置真实值。
对构建的待训练模型进行初始化,并设置损失函数和训练参数。
利用待训练模型对壁面缺陷图像样本进行缺陷识别,得到壁面缺陷图像样本中的缺陷特征类别检测值及缺陷位置检测值。
基于损失函数计算缺陷特征类别真实值与缺陷特征类别检测值之间的第一识别损失,以及缺陷位置真实值与缺陷位置检测值之间的第二识别损失。
根据第一识别损失和第二识别损失调整待训练模型的神经网络参数,进而在完成迭代训练后得到壁面缺陷识别模型。
作为上述方案的进一步改进,在采集每个测区的壁面图像之前,实时采集测区周围一片预设区域内的平均光强值。当平均光强值低于一个预设光强阈值时,还通过一个光源对当前测区的壁面进行补光。
本发明还公开一种在混凝土回弹检测过程中的缺陷应对方法,其用于在回弹仪定位至一个混凝土构件的待测壁面上的其中一个测区,并应用上述任意一项缺陷识别方法识别出该测区的壁面为缺陷壁面时,为回弹仪部署合格的备用测区。缺陷应对方法包括以下步骤:
将当前所定位测区作为参照测区,根据一个构件参数数据库获取待测壁面的整体坐标以及参照测区在待测壁面上的局部坐标,进而在待测壁面上划分出与参照测区对应的可部署区域。
设置相邻测区的部署间距,以及测区与构件端部的边缘间距,以此在可部署区域内规划出至少一个备选测区。
将回弹仪依次定位至每个备选测区,同时按照如权利要求1至4中任意一项的缺陷识别方法依次将各个备选测区的壁面标记为缺陷壁面或合格壁面。
统计可部署区域内所有被标记为合格壁面的备选测区数量,并以此作出如下决策:
当备选测区合格数≥1时,将距离参照测区最近的备选测区作为备用测区。
当备选测区合格数<1时,统计参照测区和所有备选测区的缺陷加权结果,并从中挑选出缺陷加权结果最小的测区作为备用测区,并将该备用测区标记为异常且发送至一个交互端。
作为上述方案的进一步改进,相邻测区的部署间距不高于2m。测区与构件端部的边缘间距不高于0.5m,且不低于0.2m。
本发明还公开一种混凝土构件的回弹检测方法,其用于控制一个回弹仪沿一个标准混凝土构件的待测壁面移动,并保持回弹仪的轴线垂直于待测壁面以进行回弹检测。定义待测壁面的厚度、长度和高度方向分别为X轴、Y轴和Z轴。回弹检测方法包括以下步骤:
S1.根据一个构件参数数据库分别获取与待测壁面相匹配的预设轨迹一和预设轨迹二。
其中,预设轨迹一依次串联与待测壁面所有测区对应的定位点一。预设轨迹二依次串联与每个测区内的所有测点对应的定位点二。预设轨迹一和预设轨迹二所在的平面均与Y-Z平面平行。
S2.在回弹仪定位至预设轨迹一上的初始点后,控制回弹仪沿预设轨迹一移动至一个定位点一并完成测区定位。
S3.采用上述任意一项缺陷识别方法来判断当前所定位测区的壁面是否为缺陷壁面。
S4.在当前所定位测区的壁面为缺陷壁面时,采用上述任意一项缺陷应对方法为回弹仪部署合格的备用测区,并控制回弹仪定位至该备用测区。
S5.若当前所定位测区的壁面为合格壁面,或已将回弹仪部署至合格备用测区,则控制回弹仪沿预设轨迹二移动至其中一个定位点二以完成测点定位。
S6.控制回弹仪从一个初始轴向位置沿X轴方向靠近待测壁面,直至完成当前测点的回弹测试并采集此次回弹值数据,进而将回弹仪恢复至初始轴向位置。
S7.循环执行S5~S6直至完成对当前测区所有测点的回弹值数据采集。
S8.判断当前完成回弹数据采集的测区是否为预设轨迹一中的最后一个测区。是则结束沿预设轨迹一的移动过程。否则返回步骤S2控制回弹仪继续移动至下一个定位点一,直至对待测壁面预设数量的测区均完成回弹数据采集。
S9.根据各个测区的测点回弹数据计算出每个测区的测区平均回弹值。
作为上述方案的进一步改进,S4中,在待测壁面上,备用测区与预设轨迹一对应的所有测区相互独立。
本发明还公开一种计算机终端,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现上述任意一项在混凝土回弹检测过程中的缺陷识别方法的步骤。
本发明还公开一种计算机可读存储介质,其上存储有计算机程序,程序在被处理器执行时,实现上述任意一项在混凝土回弹检测过程中的缺陷识别方法的步骤。
与现有技术相比,本发明公开的技术方案具有如下有益效果:
1.该缺陷识别方法用于在回弹仪定位至混凝土构件的待测壁面上的一个测区后,通过采集该测区的壁面图像,并利用预先训练好的壁面缺陷识别模型来识别得到壁面图像中的缺陷位置、缺陷特征类别及缺陷像素占比。最后将该测区内所有缺陷特征类别数目和缺陷像素占比进行加权聚合,得到能够反映壁面缺陷程度的缺陷加权结果,根据加权结果与预设判定阈值的大小关系来判定测区为缺陷或合格壁面。本发明的技术方案能够在机器回弹检测的过程中识别出壁面上的缺陷测区,为每个测区的回弹检测过程提供指导,从而保障了回弹检测过程的顺利进行,有助于间接提升后续回弹检测结果的准确性。
2.该缺陷应对方法通过在识别出原先测区为缺陷测区后,初步为回弹仪部署位置合格的多个备选测区,然后从中确定出壁面质量合格的备用测区,从而可以在机器回弹检测的过程中为缺陷测区提供替换测区,有利于回弹检测过程的顺利进行,进而能够直接提升最终回弹检测结果的准确性。
3.该混凝土构件的回弹检测方法在实现:无需检测人员手动绘制实际测区格线、手动操控回弹仪、提升回弹检测精度,以及保障检测人员相对安全的基础上,还能够有效搜寻出原先规划的虚拟测区中的缺陷测区,并针对缺陷测区为回弹仪重新部署合格的备用测区,从而进一步提高了回弹检测的精度和效率。
附图说明
图1为本发明实施例1中混凝土构件的回弹检测方法的流程图;
图2为本发明实施例1中的爬壁机器人设置在混凝土构件的待测壁面上的立体结构示意图;
图3为图2中A处放大图;
图4为本发明实施例1中的多个测区在待测壁面的分布示意图;
图5为图4中多个测区与多个定位点一的对应示意图;
图6为图5中多个定位点一连成预设轨迹一的示意图;
图7为本发明实施例1中的单个测区与多个定位点二的对应示意图;
图8为图7中多个定位点二连成预设轨迹二的示意图;
图9为本发明实施例1中缺陷识别方法的流程图;
图10为本发明实施例1中缺陷应对方法的流程图;
图11为本发明是实施例1中为参照测区规划出多个备选测区的示意图;
图12为本发明实施例4中的壁面检测机器人位于待测壁面上的立体结构示意图;
图13为图9中的壁面检测机器人的立体结构示意图。
主要元件符号说明:1、待测壁面;2、爬壁装置;21、机械臂;22、真空吸盘;3、回弹仪;4、测区;5、驱动装置;51、X轴线性电机;52、Y轴线性电机;53、Z轴线性电机;6、爬壁机器人;7、载台。
以上主要元件符号说明结合附图及具体实施方式对本发明作进一步详细的说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
需要说明的是,当组件被称为“安装于”另一个组件,它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“设置于”另一个组件,它可以是直接设置在另一个组件上或者可能同时存在居中组件。当一个组件被认为是“固定于”另一个组件,它可以是直接固定在另一个组件上或者可能同时存在居中组件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
本实施例提供一种一种混凝土构件的回弹检测方法,其用于控制一个回弹仪沿一个标准混凝土构件的待测壁面移动,并保持回弹仪轴线垂直于待测壁面以进行回弹检测。
请参阅图2和图3,回弹检测方法可以通过控制一个爬壁机器人6在混凝土构件的待测壁面1上爬壁移动,而回弹仪3可以安装在爬壁机器人6上,并且保持着轴线垂直于待测壁面1。另外,爬壁机器人6上还可以设置驱使回弹仪3靠近或远离待测壁面1的驱动结构,从而可以实现本发明的回弹检测方法。爬壁机器人6在一些实施例中可以采用仿生机器人,类似于壁虎,与墙壁接触端可以是仿生黏附材料,还可以是真空吸盘等结构,通过内置的控制器来自动进行爬壁行走,也可通过人工手动控制。在其他的一些实施例中,爬壁机器人也可采用现有的自动化爬壁结构,只要满足在回弹检测过程中受到墙壁产生的回弹反作用力、冲击力、自身重力等干扰条件,还能够稳定地定位或移动即可。至于爬壁机器人的具体构造及原理不作为本实施例中的回弹检测方法的发明点,在此不再赘述。
定义待测壁面的厚度、长度和高度方向分别为X轴、Y轴和Z轴,本实施例的回弹检测方法包括以下步骤:
S1.根据一个构件参数数据库分别获取与待测壁面相匹配的预设轨迹一和预设轨迹二。
其中,预设轨迹一依次串联与待测壁面所有测区对应的定位点一。预设轨迹二依次串联与每个测区内的所有测点对应的定位点二。预设轨迹一和预设轨迹二所在的平面均与Y-Z平面平行。
上述的构件参数数据库可包括:多种标准混凝土构件的形状及尺寸参数,每种标准混凝土构件的壁面上测区数量、测区排布方式参数、测区单位面积,以及每种标准混凝土构件的壁面所对应的定位点一和定位点二的坐标参数。由于混凝土构件在建筑施工过程中,一般尺寸都是预先设计或者是预制的,所以通过建立这样的一个构件参数数据库,可以满足在多种标准化建筑中的应用,例如不同楼层的混凝土墙、梁或柱,即使不属于同一楼层,但基本上具有共同的相关尺寸参数。另外,构件参数数据库可以实时更新优化。
需要理解的是,混凝土构件的待测壁面为一个平面,通过获取每种标准混凝土构件的相关参数,以待测壁面上的某一点作为原点,可建立相对应的X-Y-Z坐标系,而各个定位点一和定位点二的坐标参数即位于该坐标系中的坐标,同理,预设轨迹一和预设轨迹二也可在该坐标系中生成。另外,可预先通过数据处理器,根据定位点一和定位点二的坐标参数,利用Direct path networks(直接路径算法)生成每种标准混凝土构件的壁面所对应的预设轨迹一和预设轨迹二,Direct path networks连接所有目的地的点,获得最直接的路径,即连接所有的定位点一以获得预设轨迹一,连接所有的定位点二以获得预设轨迹二。当然,在其他实施例中,也可利用Minimal path networks(最短路径网络)算法进行预设轨迹的求解,从而获得更短的优化轨迹。
请参阅图4,本实施例中,以一种楼房外墙作为混凝土构件为例,其长5m,高3m,可以在该墙壁上布置10个测区(测区在附图中的标记为4)。图4中展示的是待测壁面1上10个测区的分布示意图。每个测区的面积可控制在0.04m2,即边长为0.2m的正方形测区,并将单个测区等距划分为16个测点。相邻两测区的间距不不应大于2m,测区距离构件端部或施工缝边缘的距离不宜大于0.5m,且不宜小于0.2m。其他关于测区布置方法以及构件在检测前的预处理,可参照行业标准《回弹法检测混凝土抗压强度技术规程》编号为JG3/T-2011中的指导进行,在此不再赘述。
请参阅图5和图6,在图5中,多个定位点一分别与多个测区相对应;图6中,通过上述直线路径算法,可将多个定位点一连接形成预设轨迹一的局部路线,该路线平行于待测壁面。
请参阅图7和图8,图7中展示的是单个测区中的多个测点与多个定位点二的相对示意图,每个测区划分为16宫格的测点。图8中,可将多个定位点二连接形成预设轨迹二,其平行与待测壁面。
需要说明的是,上述测区的划分,以及附图中展示的测区、测点,并非在混凝土构件的表面绘制实际的线条,而是将测区、测点、定位点一、定位点二、预设轨迹一、预设轨迹二的相关参数信息,可以通过程序代码的形式写入爬壁机器人6的相关控制元件中,在后续的实际回弹仪移动、回弹检测过程中,均可按照该程序代码来控制回弹仪移动。
S2.在回弹仪定位至预设轨迹一上的初始点后,控制回弹仪沿预设轨迹一移动至一个定位点一并完成初步测区定位。
本实施例中,可以将预设轨迹一的初始点设置在混凝土构件的其中一个特定的拐角处。(如图2所示),每当采用统一的定位方式将爬壁机器人6定位至构件的该处拐角时,回弹仪3自动对准并处于预设轨迹一的初始点,然后爬壁机器人6可根据当前自身位置来自动控制回弹仪沿预设轨迹一移动至首个测区对应的定位点一。
S3.判断当前所定位测区的壁面是否为缺陷壁面。具体地,本实施例还提供在混凝土回弹检测过程中的缺陷识别方法,用于对前述的当前所定位测区的壁面进行缺陷识别检测,进而判断出该测区的壁面是否为缺陷壁面。
请参阅图9,该缺陷识别方法包括以下步骤,即S31至S34。
S31.实时采集当前所定位测区的壁面图像。
本实施例中,可通过工业相机拍摄壁面图像,拍摄前还可实时采集测区周围一片预设区域内的平均光强值,当平均光强值低于一个预设光强阈值时,还通过一个光源对当前测区的壁面进行补光。另外,由于在实际的拍摄场景下,壁面图像可能会受到暗光、背光、噪点等因素的影响,所以需要对壁面图像进行预处理增强,满足后续图像识别的需求。具体地,可对采集到的壁面图像进行灰度处理和中值滤波处理,进而得到预处理增强后的壁面图像。
S32.将壁面图像输入至预先训练完成的壁面缺陷识别模型中,识别出壁面图像中的缺陷位置以及缺陷特征类别,并根据缺陷位置得到所有缺陷在图像中的像素占比。其中,缺陷特征类别包括裂缝、凹坑、蜂窝、预埋管口、浮浆、油垢以及涂层。
壁面缺陷识别模型可采用现有的神经网络模型,如YOLO等,在模型使用之前需要进行训练。具体地,壁面缺陷识别模型的训练方法包括以下步骤,即(1)~(5)。
(1)获取若干个壁面缺陷图像样本以此构成用于进行模型训练的原始数据集。其中,每个壁面缺陷图像样本中标注有缺陷特征类别真实值及缺陷位置真实值。
(2)对构建的待训练模型进行初始化,并设置损失函数和训练参数。
(3)利用待训练模型对壁面缺陷图像样本进行缺陷识别,得到壁面缺陷图像样本中的缺陷特征类别检测值及缺陷位置检测值。
(4)基于损失函数计算缺陷特征类别真实值与缺陷特征类别检测值之间的第一识别损失,以及缺陷位置真实值与缺陷位置检测值之间的第二识别损失。
(5)根据第一识别损失和第二识别损失调整待训练模型的神经网络参数,进而在完成迭代训练后得到壁面缺陷识别模型。
S33.将壁面图像中的缺陷特征类别数目以及缺陷像素占比进行加权聚合,得到用于反映壁面缺陷程度的缺陷加权结果。
本发明中,相较于缺陷特征类别数目,缺陷像素占比会占有更高的权重,具体的权重分配还需要根据混凝土构件的建筑参数(如表面粗糙度、水胶比、用水量、砂率等)并结合经验值来确定。之所以将二者进行加权处理,是因为考虑到有一些墙面,其表面的缺陷像素占比很高,但缺陷特征种类很少,比如只有一根较粗的预埋管口位于测区内而测区其他均为光滑,这种情况下如果只考虑缺陷特征种类的话,可能会认定该测区为合格壁面。另外,还存在一些墙面表面的缺陷特征较多,然而缺陷像素占比却很低,这种情况下仍然会对该测区的回弹检测有一定的影响。
S34.分析缺陷加权结果与一个预设判定阈值之间的关系。当缺陷加权结果大于预设判定阈值时,则判定当前所定位测区的壁面为缺陷壁面。否则判定当前所定位测区的壁面为合格壁面。
本实施例中,预设判定阈值也可根据上述混凝土构件的建筑参数并结合经验值来确定。
S4.在当前所定位测区的壁面为缺陷壁面时,为回弹仪部署合格的备用测区,并控制回弹仪定位至该备用测区。
需要说明的是,本发明可应用在检测区域较大的混凝土构件(例如桥墩、楼房墙体、坝体等),因此待测壁面上的所有测区总面积仅占待测壁面的很小一部分,因此如果原本预设轨迹一上的个别测区为缺陷壁面,可以在预设轨迹一的附近重新部署替换的合格备用测区。具体地,本实施例还提供一种在混凝土回弹检测过程中的缺陷应对方法,其用于在上述缺陷识别方法识别出测区的壁面为缺陷壁面时,为回弹仪部署合格的备用测区,并且在待测壁面上,备用测区与预设轨迹一对应的所有测区相互独立。
请参阅图10,该缺陷应对方法包括以下步骤,即S41~S44。
S41.将当前所定位测区作为参照测区,根据一个构件参数数据库获取待测壁面的整体坐标以及参照测区在待测壁面上的局部坐标,进而在待测壁面上划分出与参照测区对应的可部署区域。
S42.设置相邻测区的部署间距,以及测区与构件端部的边缘间距,以此在可部署区域内规划出多个备选测区。本实施例中,相邻测区的部署间距不高于2m。测区与构件端部的边缘间距不高于0.5m,且不低于0.2m。
请参阅图11,图中,在原本预设轨迹一上的左侧测区1的周围部署a1、a2、a3、a4、a5共五个备选测区,当然,对于其他待部署的测区也可设置其他数量的备选测区。
另外,本实施例中,前述的构件参数数据库还可以包括每种标准混凝土构件的备选测区部署方式,根据前期相关检测人员在计算机绘制相关的图纸,并以程序代码形式写入构件参数数据库。S42中每次规划备选测区时也可直接从构件参数数据库中调用。
S43.将回弹仪依次定位至每个备选测区,同时按照实施例1中的缺陷识别方法依次将各个备选测区的壁面标记为缺陷壁面或合格壁面。
S44.统计可部署区域内所有被标记为合格壁面的备选测区数量,并以此作出如下决策:
当备选测区合格数≥1时,将距离参照测区最近的备选测区作为备用测区。需要说明的是,若距离参照测区最近的备选测区存在多个,则可以从中随机选取一者作为备用测区。
当备选测区合格数<1时,统计参照测区和所有备选测区的缺陷加权结果,并从中挑选出缺陷加权结果最小的测区作为备用测区,并可以将该备用测区标记为异常且发送至一个交互端,提醒到相关检测人员,以便后续调整或改进。
S5.若当前所定位测区的壁面为合格壁面,或已将回弹仪部署至合格备用测区,则控制回弹仪沿预设轨迹二移动至其中一个定位点二以完成测点定位。
S6.控制回弹仪从一个初始轴向位置沿X轴方向靠近待测壁面,直至完成当前测点的回弹测试并采集此次回弹值数据,进而将回弹仪恢复至初始轴向位置。
另外,通过获取回弹仪3的壳体与待测壁面1之间的实时距离,根据实时距离作出以下判定:
当实时距离为第一预设距离值时,判定回弹仪处于初始轴向位置。
当实时距离为第二预设距离值时,判定回弹仪的弹击杆与待测壁面恰好接触。
当实时距离为第三预设距离值时,判定回弹仪的弹击杆触发回弹,完成当前测点的回弹测试。
其中,第一距离预设值<第二距离预设值<第三距离预设值。第一距离预设值、第二距离预设值以及第三距离预设值的大小可根据回弹检测***及回弹仪的尺寸参数具体设置。
S7.循环执行S5~S6直至完成对当前测区所有测点的回弹值数据采集。
本实施例中,定位点二共设置16个,即采集到16次回弹值数据即表示完成对当前测区所有测点的回弹值数据采集。
S8.判断当前完成回弹数据采集的测区是否为预设轨迹一中的最后一个测区。是则结束沿预设轨迹一的移动过程。否则返回步骤S2控制回弹仪继续移动至下一个定位点一,直至所有测区均完成回弹数据采集。即假如若当前完成回弹数据采集的测区为第10个测区时,则判定该混凝土构件已完成全部测区的回弹检测,之后可以向检测人员或相关人员发送完成检测的通知,以便人员将回弹检测***从混凝土构件上拆除,或进行下个混凝土构件的回弹检测。
S9.根据各个测区的测点回弹数据计算出每个测区的测区平均回弹值。
本实施例中,每个测区一共设置有16个测点,可以采用裁剪平均值的算法求得每个测区的测区平均回弹值,即剔除3个最大回弹值和3个最小回弹值,再以剩下的10个回弹值数据进行测区平均回弹值的计算。测区平均回弹值的计算公式为:
式中,
R m 表示测区平均回弹值。
R i 表示第
i个测点的回弹值,
i=1,2,…10。
在其他的一些实施例中,还可以根据前述的行业标准中提供的混凝土强度计算公式,来计算出混凝土构件的强度。具体地,构件每个测区的混凝土强度,需要上述得到的平均回弹值
R m ,以及每个测区的平均碳化深度值(
d m )并由该规程中的附录查表计算得出,在此不再赘述。
实施例2
本实施例提供一种计算机终端,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。
该计算机终端可以是能够执行程序的智能手机、平板电脑、笔记本电脑等。处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中,处理器用于运行存储器中存储的程序代码或者处理数据。处理器执行程序时,可实现实施例1中的在混凝土回弹检测过程中的缺陷识别方法的步骤。
实施例3
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,程序在被处理器执行时,实现实施例1中的在混凝土回弹检测过程中的缺陷识别方法的步骤。
该计算机可读存储介质可以包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储介质可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储介质也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card ,SMC),安全数字(Secure Digital ,SD)卡,闪存卡(Flash Card)等。当然,存储介质还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器通常用于存储安装于计算机设备的操作***和各类应用软件等。此外,存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
实施例4
请参阅图12和图13,本实施例提供一种壁面检测机器人,壁面检测机器人可采用实施例1中的混凝土构件的回弹检测方法,驱使一个回弹仪沿一个标准混凝土构件的待测壁面移动,并保持回弹仪的轴线垂直于待测壁面以进行回弹检测。
壁面检测机器人包括爬壁装置2、驱动装置5和载台7以及控制器,还可包括用于将回弹仪3安装在驱动装置5的动端上的夹持组件,以及用于为机器人供电的电源。
载台7可以设置成长方体形状,其内部可以设置控制器。载台7在回弹检测过程中,保持与待测壁面1平行,即与实施例1中的Y-Z平面相平行。
爬壁装置2包括机械臂21和真空吸盘22。机械臂21可设置有四组,真空吸盘22的数量与其对应。在其他实施例中,机械臂21也可以设置成其他数量,如六组或者八组。机械臂21可采用多自由度机械臂,机械臂21的各个关节均可以由伺服电机驱动。每组机械臂21的一端转动安装在载台7的拐角附近,另一端可以对应的一个真空吸盘22固定连接。
其中,通过多组机械臂21的协同运动,可以驱使载台7沿待测壁面1的表面移动。其中,在移动时其中一部分机械臂21处于与待测壁面1的吸附作用,另外一部分机械臂21改变姿态,在待测壁面1上选择新的吸附点,依次实现多组机械臂21协同运动。另外,每组机械臂21停留在待测壁面1上时,相应的真空吸盘22处于吸附状态,而需要改变机械臂21的姿态时,该真空吸盘22取消吸附。
另外,每个真空吸盘22可以通过其自身的接管与一个真空设备(如真空发生器)相连接,该真空设备可以移动放置在混凝土构件的一旁,调节各个真空吸盘22的吸附状态。
驱动装置5包括三组直线电机:X轴线性电机51、Y轴线性电机52和Z轴线性电机53。Z轴线性电机53可以设置有相互平行的两组,其固定安装在载台7靠近待测壁面1的一侧上,并且Z轴线性电机53的延伸方向与Z轴平行。Y轴线性电机52设置有一组,其两端分别与两组Z轴线性电机53的动端固定安装。X轴线性电机51也设置有一组,其底部可以固定安装在Y轴线性电机52的动端上。至此,通过夹持组件可以将回弹仪3固定安装在X轴线性电机51的动端上,从而可实现驱动装置5驱使回弹仪3在载台7附近的一定活动范围内,沿X、Y、Z轴方向移动,进而实现在回弹仪3抵达某个测区4的附近,沿Y-Z平面分别抵达该测区所有测点对应的所有定位点二处,在回弹仪3抵达某个定位点二时,沿X轴方向抵达相应的测点并完成一次回弹检测。
夹持组件可以包括由螺栓固定的两块弧形夹板,其中一块弧形夹板与X轴线性电机51的动端固定。
控制器和电源均可以设置在载台7的内部空腔,控制器同时与驱动装置5的各个直线电机、爬壁装置2的各个伺服电机,以及前述真空设备电连接,从而控制各元器件的运行状态。控制器可以存储相关的控制程序,其处理单元在执行控制程序时,可以实现实施例1中的回弹检测方法的步骤。另外,电源可以为机器人上的各个电机供电。电源可采用蓄电池,储存的电量能够满足至少一次待测壁面1完整的回弹检测即可。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (7)
1.一种在混凝土回弹检测过程中的缺陷应对方法,其特征在于,其用于在回弹仪定位至一个混凝土构件的待测壁面上的其中一个测区,并应用缺陷识别方法识别出该测区的壁面为缺陷壁面时,为所述回弹仪部署合格的备用测区;所述缺陷识别方法包括以下步骤:
实时采集当前所定位测区的壁面图像;
将所述壁面图像输入至预先训练完成的壁面缺陷识别模型中,识别出所述壁面图像中的缺陷位置以及缺陷特征类别,并根据所述缺陷位置得到所有缺陷在图像中的像素占比;其中,所述缺陷特征类别包括裂缝、凹坑、蜂窝、预埋管口、浮浆、油垢以及涂层;
将所述壁面图像中的缺陷特征类别数目以及缺陷像素占比进行加权聚合,得到用于反映所述壁面缺陷程度的缺陷加权结果;
分析所述缺陷加权结果与一个预设判定阈值之间的关系;当所述缺陷加权结果大于所述预设判定阈值时,则判定当前所定位测区的壁面为缺陷壁面;否则判定当前所定位测区的壁面为合格壁面;
所述缺陷应对方法包括以下步骤:
将当前所定位测区作为参照测区,根据一个构件参数数据库获取所述待测壁面的整体坐标以及所述参照测区在待测壁面上的局部坐标,进而在待测壁面上划分出与所述参照测区对应的可部署区域;
设置相邻测区的部署间距,以及测区与构件端部的边缘间距,以此在所述可部署区域内规划出至少一个备选测区;
将所述回弹仪依次定位至每个备选测区,同时按照所述缺陷识别方法依次将各个备选测区的壁面标记为缺陷壁面或合格壁面;
统计所述可部署区域内所有被标记为合格壁面的备选测区数量,并以此作出如下决策:
当备选测区合格数≥1时,将距离所述参照测区最近的备选测区作为备用测区;
当备选测区合格数<1时,统计所述参照测区和所有备选测区的缺陷加权结果,并从中挑选出缺陷加权结果最小的测区作为备用测区,并将该备用测区标记为异常且发送至一个交互端。
2.根据权利要求1所述的在混凝土回弹检测过程中的缺陷应对方法,其特征在于,相邻测区的部署间距不高于2m;测区与构件端部的边缘间距不高于0.5m,且不低于0.2m。
3.根据权利要求1所述的在混凝土回弹检测过程中的缺陷应对方法,其特征在于,在将所述壁面图像输入至所述壁面缺陷识别模型之前,还对采集到的壁面图像进行灰度处理和中值滤波处理,进而得到预处理增强后的壁面图像。
4.根据权利要求1所述的在混凝土回弹检测过程中的缺陷应对方法,其特征在于,所述壁面缺陷识别模型的训练方法包括以下步骤:
获取若干个壁面缺陷图像样本以此构成用于进行模型训练的原始数据集;其中,每个壁面缺陷图像样本中标注有缺陷特征类别真实值及缺陷位置真实值;
对构建的待训练模型进行初始化,并设置损失函数和训练参数;
利用所述待训练模型对所述壁面缺陷图像样本进行缺陷识别,得到壁面缺陷图像样本中的缺陷特征类别检测值及缺陷位置检测值;
基于所述损失函数计算所述缺陷特征类别真实值与缺陷特征类别检测值之间的第一识别损失,以及所述缺陷位置真实值与所述缺陷位置检测值之间的第二识别损失;
根据所述第一识别损失和所述第二识别损失调整所述待训练模型的神经网络参数,进而在完成迭代训练后得到所述壁面缺陷识别模型。
5.根据权利要求1所述的在混凝土回弹检测过程中的缺陷应对方法,其特征在于,在采集每个测区的壁面图像之前,实时采集所述测区周围一片预设区域内的平均光强值;当所述平均光强值低于一个预设光强阈值时,还通过一个光源对当前测区的壁面进行补光。
6.一种混凝土构件的回弹检测方法,其特征在于,其用于控制一个回弹仪沿一个标准混凝土构件的待测壁面移动,并保持回弹仪的轴线垂直于待测壁面以进行回弹检测;定义待测壁面的厚度、长度和高度方向分别为X轴、Y轴和Z轴;所述回弹检测方法包括以下步骤:
S1.根据一个构件参数数据库分别获取与待测壁面相匹配的预设轨迹一和预设轨迹二;
其中,所述预设轨迹一依次串联与待测壁面所有测区对应的定位点一;所述预设轨迹二依次串联与每个测区内的所有测点对应的定位点二;所述预设轨迹一和所述预设轨迹二所在的平面均与Y-Z平面平行;
S2.在所述回弹仪定位至所述预设轨迹一上的初始点后,控制所述回弹仪沿所述预设轨迹一移动至一个所述定位点一并完成测区定位;
S3.采用如权利要求1、3、4、5中任意一项所述的缺陷识别方法来判断当前所定位测区的壁面是否为缺陷壁面;
S4.在当前所定位测区的壁面为缺陷壁面时,采用如权利要求1至5中任意一项所述的缺陷应对方法为所述回弹仪部署合格的备用测区,并控制回弹仪定位至该备用测区;
S5.若当前所定位测区的壁面为合格壁面,或已将所述回弹仪部署至合格备用测区,则控制回弹仪沿所述预设轨迹二移动至其中一个所述定位点二以完成测点定位;
S6.控制所述回弹仪从一个初始轴向位置沿X轴方向靠近待测壁面,直至完成当前测点的回弹测试并采集此次回弹值数据,进而将所述回弹仪恢复至所述初始轴向位置;
S7.循环执行S5~S6直至完成对当前测区所有测点的回弹值数据采集;
S8.判断当前完成回弹数据采集的测区是否为所述预设轨迹一中的最后一个测区;是则结束沿所述预设轨迹一的移动过程;否则返回步骤S2控制回弹仪继续移动至下一个定位点一,直至对待测壁面预设数量的测区均完成回弹数据采集;
S9.根据各个测区的测点回弹数据计算出每个测区的测区平均回弹值。
7.根据权利要求6所述的混凝土构件的回弹检测方法,其特征在于,S4中,在所述待测壁面上,所述备用测区与所述预设轨迹一对应的所有测区相互独立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044327.8A CN115808425B (zh) | 2023-01-30 | 2023-01-30 | 在混凝土构件回弹检测过程中的缺陷识别和应对方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044327.8A CN115808425B (zh) | 2023-01-30 | 2023-01-30 | 在混凝土构件回弹检测过程中的缺陷识别和应对方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115808425A CN115808425A (zh) | 2023-03-17 |
CN115808425B true CN115808425B (zh) | 2023-05-05 |
Family
ID=85487626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310044327.8A Active CN115808425B (zh) | 2023-01-30 | 2023-01-30 | 在混凝土构件回弹检测过程中的缺陷识别和应对方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115808425B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116539463B (zh) * | 2023-06-20 | 2023-10-13 | 广东惠和工程检测有限公司 | 一种混凝土强度的检测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH679953A5 (zh) * | 1989-12-07 | 1992-05-15 | Proceq Sa | |
EP1679710B1 (en) * | 2005-01-10 | 2013-08-14 | Nero Ag | Method for writing data blocks on a block addressable storage medium using defect management |
US8164998B2 (en) * | 2007-02-14 | 2012-04-24 | Panasonic Corporation | Optical disc device |
CN104483330B (zh) * | 2014-11-11 | 2017-03-29 | 浙江大学 | 混凝土表面裂缝实时监测***与开裂风险的动态评估方法 |
CN106872472A (zh) * | 2017-01-17 | 2017-06-20 | 中交武汉港湾工程设计研究院有限公司 | 混凝土外观质量检测评价方法 |
CN110672822A (zh) * | 2019-09-23 | 2020-01-10 | 郑州航空工业管理学院 | 一种桥梁混凝土的结构缺陷的无损检测*** |
CN111999195A (zh) * | 2020-08-27 | 2020-11-27 | 福建省永富建设集团有限公司 | 一种混凝土的结构缺陷无损检测*** |
CN112147228B (zh) * | 2020-09-28 | 2023-03-10 | 廊坊市阳光建设工程质量检测有限公司 | 回弹超声角测综合法检测混凝土强度测强曲线的建立方法 |
CN217766224U (zh) * | 2022-05-28 | 2022-11-08 | 武汉科技大学 | 一种装配式钢筋混凝土梁柱拼接钢节点用快速检修装置 |
CN115619778A (zh) * | 2022-12-06 | 2023-01-17 | 南京迈能能源科技有限公司 | 一种电力设备缺陷识别方法、***、可读存储介质及设备 |
-
2023
- 2023-01-30 CN CN202310044327.8A patent/CN115808425B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115808425A (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115808425B (zh) | 在混凝土构件回弹检测过程中的缺陷识别和应对方法 | |
CN109840900B (zh) | 一种应用于智能制造车间的故障在线检测***及检测方法 | |
CN110825088B (zh) | 一种多目视觉导引船体清洁机器人***及清洁方法 | |
CN113134683A (zh) | 基于机器学习的激光标刻方法及装置 | |
CN106813570B (zh) | 基于线结构光扫描的长圆柱形物体三维识别与定位方法 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、*** | |
Samy et al. | Automatic optical & laser-based defect detection and classification in brick masonry walls | |
Li et al. | Development of a robot system for applying putty on plastered walls | |
KR102189951B1 (ko) | 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법 | |
CN113280209B (zh) | 检测管道多余物的***以及***的使用方法、检测方法 | |
CN113780111B (zh) | 一种基于优化YOLOv3算法的管道连接器的缺陷精确识别方法 | |
CN117790380A (zh) | 晶圆清洗机械臂精确控制操作方法 | |
CN110895717A (zh) | 检查装置以及机器学习方法 | |
CN109732601A (zh) | 一种自动标定机器人位姿与相机光轴垂直的方法和装置 | |
CN116362548B (zh) | 一种标准节可用性管理方法、***、装置和存储介质 | |
CN108789426A (zh) | 表面处理机械人 | |
CN116765569A (zh) | 一种基于点云的机器人柱钉辊堆焊路径规划方法 | |
CN116597329A (zh) | 一种基于机器视觉的桥梁裂缝检测***及方法 | |
CN110146204A (zh) | 一种智能型残余应力x射线测量仪及其测量方法 | |
Wang et al. | Robot floor‐tiling control method based on finite‐state machine and visual measurement in limited FOV | |
CN114408131A (zh) | 用于桥梁水下部分日常巡检的仿生机器鱼 | |
Su et al. | A fully automatic calibration for vision-based selective compliance assembly robot arm and its application to intelligent wafer inspection scheduling | |
CN109342439B (zh) | 基于无人机的索结构外观检测方法 | |
Aoyama et al. | Autonomous measurement of physical model shape for reverse engineering | |
Hu et al. | The next-best-view for workpiece localization in robot workspace |
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 |