CN116678885B - 基于深度学习的水洗粗骨料含泥检测控制方法及装置 - Google Patents
基于深度学习的水洗粗骨料含泥检测控制方法及装置 Download PDFInfo
- Publication number
- CN116678885B CN116678885B CN202310971384.0A CN202310971384A CN116678885B CN 116678885 B CN116678885 B CN 116678885B CN 202310971384 A CN202310971384 A CN 202310971384A CN 116678885 B CN116678885 B CN 116678885B
- Authority
- CN
- China
- Prior art keywords
- aggregate
- water
- image
- coarse aggregate
- working condition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000005406 washing Methods 0.000 claims abstract description 152
- 230000011218 segmentation Effects 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000000750 progressive effect Effects 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 52
- 239000002245 particle Substances 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 14
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 239000012615 aggregate Substances 0.000 description 294
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000002893 slag Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000001035 drying Methods 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002688 soil aggregate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B3/00—Cleaning by methods involving the use or presence of liquid or steam
- B08B3/04—Cleaning involving contact with liquid
- B08B3/10—Cleaning involving contact with liquid with additional treatment of the liquid or of the object being cleaned, e.g. by heat, by electricity or by vibration
- B08B3/102—Cleaning involving contact with liquid with additional treatment of the liquid or of the object being cleaned, e.g. by heat, by electricity or by vibration with means for agitating the liquid
- B08B3/104—Cleaning involving contact with liquid with additional treatment of the liquid or of the object being cleaned, e.g. by heat, by electricity or by vibration with means for agitating the liquid using propellers
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的水洗粗骨料含泥检测控制方法及装置,涉及图像处理领域,通过采集水洗粗骨料图像,采用渐进迭代方式对水洗粗骨料图像标注区域及其类别,得到水洗粗骨料数据集,并训练得到水洗粗骨料分割模型;获取待测水洗粗骨料图像,将待测水洗粗骨料图像输入水洗粗骨料分割模型,得到待测水洗粗骨料图像中每个骨料的类别和掩膜;根据待测水洗粗骨料图像中每个类别的骨料的掩膜计算每个类别骨料的占比,根据每个类别骨料的占比计算所述待测水洗粗骨料图像所对应批次的待测水洗粗骨料的含泥量;根据含泥量及其与水洗设备的参数的相关关系对水洗设备的参数含泥量进行调整,解决水洗粗骨料含泥量检测工作量大,无法实时检测等问题。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于深度学习的水洗粗骨料含泥检测控制方法及装置。
背景技术
工程渣土是由各类建筑物、构筑物等基础开挖过程中产生的弃土。工程渣土的填埋,堆砌会污染周围土壤、水源、大气,也影响城市市容和环境卫生。
工程渣土中包含可回收再利用的建筑资源,特别是砾石土,其中包含大量骨料、泥土废弃物等。通过水洗工艺可以分离出粗骨料,但由于渣土来源广泛,不同批次的渣土砾石含量不同,水洗后粗骨料表面带有泥附着物,需要检测水洗后粗骨料的含泥量。
传统的含泥量检测通常先对骨料进行烘干称重后,再采用人工对骨料进行反复冲洗,最后将骨料进行烘干称重,根据两次称量的差值计算骨料的含泥量,该方法工人劳动强度大、检测效率低。现有技术虽然可以通过设计设备实现以上步骤的自动化,但烘干等步骤仍需耗费时间,无法实现实时监测。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于深度学习的水洗粗骨料含泥检测控制方法及装置,来解决以上背景技术部分提到的技术问题。
第一方面,本发明提供了一种基于深度学习的水洗粗骨料含泥检测控制方法,包括以下步骤:
S1,获取水洗设备出口处采集的水洗粗骨料图像,采用渐进迭代方式对水洗粗骨料图像标注区域以及区域所对应的类别,得到水洗粗骨料数据集;
S2,构建实例分割模型,采用水洗粗骨料数据集对实例分割模型进行训练,得到水洗粗骨料分割模型;
S3,获取水洗设备出口处采集的待测水洗粗骨料图像,将待测水洗粗骨料图像输入水洗粗骨料分割模型,得到待测水洗粗骨料图像中每个骨料的类别和掩膜;
S4,根据待测水洗粗骨料图像中每个类别的骨料的掩膜计算每个类别骨料的占比,根据每个类别骨料的占比计算待测水洗粗骨料图像所对应批次的待测水洗粗骨料的含泥量;
S5,建立不同水洗粗骨料的含泥量与水洗设备的参数之间的相关关系,根据含泥量和相关关系对水洗设备的参数进行调节,重复步骤S3-S5,直至含泥量符合要求。
作为优选,步骤S1具体包括:
在不同骨料间的工况下采集水洗粗骨料图像,并将每个工况中的水洗粗骨料图像中的骨料按照表面含泥厚度分为不同的类别,得到离散工况骨料图像、粘连工况骨料图像和堆叠工况骨料图像;
对离散工况骨料图像标注少量骨料轮廓,得到标注少量骨料轮廓图像,采用标注少量骨料轮廓图像对实例分割模型进行训练,得到第一实例分割模型,将离散工况骨料图像输入第一实例分割模型,得到第一预测图像,对第一预测图像中骨料的所属类别进行标注,得到离散工况骨料数据集;
采用离散工况骨料数据集对实例分割模型进行训练,得到第二实例分割模型;
将粘连工况骨料图像输入第二实例分割模型,得到第二预测图像,对第二预测图像中骨料的所属类别进行标注,得到粘连工况骨料数据集;
采用粘连工况骨料数据集对实例分割模型进行训练,得到第三实例分割模型;
将堆叠工况骨料图像输入第三实例分割模型,得到第三预测图像,对第三预测图像中骨料的所属类别进行标注,得到堆叠工况骨料数据集;
将离散工况骨料数据集、粘连工况骨料数据集、堆叠工况骨料数据集合并成为水洗粗骨料数据集。
作为优选,步骤S1中还包括:
对水洗粗骨料数据集进行随机策略的数据增强,随机策略包括水平翻转、垂直翻转、旋转、镜像、平移和/或缩放。
作为优选,实例分割模型为MaskRcnn网络,主干特征网络为Resnet50。
作为优选,步骤S3中将待测水洗粗骨料图像输入水洗粗骨料分割模型之前还包括:对待测水洗粗骨料图像进行在线随机数据增强策略,在线随机数据增强策略包括平移和水平垂直翻转。
作为优选,步骤S4具体包括:
采用下式计算为第i类骨料的占比:
;
其中,m为一批骨料的颗粒总数,对于指定类别i,第i类骨料的颗粒数目为q,为第i类第j个骨料颗粒的面积,/>为第i类骨料的第k个骨料面积;
采用下式计算含泥量:
;
其中,为第i类骨料的权重系数,n为骨料的类别总数,从第i类到第n类骨料的泥厚依次增大。
作为优选,水洗设备的参数包括水洗振动塞的振动塞频率、水洗渣土进料量、清洗用水量和/或螺旋浆式水洗设备的螺旋浆电机转速。
第二方面,本发明提供了一种基于深度学习的水洗粗骨料含泥检测控制装置,包括:
数据采集标注模块,被配置为获取水洗设备出口处采集的水洗粗骨料图像,采用渐进迭代方式对水洗粗骨料图像标注区域以及区域所对应的类别,得到水洗粗骨料数据集;
模型构建模块,被配置为构建实例分割模型,采用水洗粗骨料数据集对实例分割模型进行训练,得到水洗粗骨料分割模型;
图像分割模块,被配置为获取水洗设备出口处采集的待测水洗粗骨料图像,将待测水洗粗骨料图像输入水洗粗骨料分割模型,得到待测水洗粗骨料图像中每个骨料的类别和掩膜;
含泥量计算模块,被配置为根据待测水洗粗骨料图像中每个类别的骨料的掩膜计算每个类别骨料的占比,根据每个类别骨料的占比计算待测水洗粗骨料图像所对应批次的待测水洗粗骨料的含泥量;
调节模块,被配置为建立不同水洗粗骨料的含泥量与水洗设备的参数之间的相关关系,根据含泥量和相关关系对水洗设备的参数进行调节,重复执行图像分割模块至调节模块,直至含泥量符合要求。
第三方面,本发明提供了一种电子设备,包括一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术,本发明具有以下有益效果:
(1)本发明采用渐进迭代方式标注数据集,标注难度低,工作量大大减少。该方法可以部署在生产线上,实现对水洗粗骨料的含泥量的实时检测,并根据检测结果对水洗设备进行反馈控制,可以快速检测水洗粗骨料含泥量,并且结果不断添加样本可以使模型的识别精度更高。
(2)本发明采用固定在传送带上方的面阵相机实时拍摄待检测的水洗粗骨料,通过训练得到水洗粗骨料分割模型进行预测,可以实时得到图像分割结果,计算水洗粗骨料的含泥表征参数,从而判断水洗粗骨料的含泥量,并将检测结果和水洗设备结合,实现对水洗设备的闭环控制,提高水洗设备的清洁性能。
(3)本发明能有提高水洗骨料的品质,减低水洗骨料的含泥量,将高含泥的骨料加工成低含泥的骨料,提高资源利用率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图;
图2为本申请的实施例的基于深度学习的水洗粗骨料含泥检测控制方法的流程示意图;
图3为本申请的实施例的基于深度学习的水洗粗骨料含泥检测控制方法的模块连接示意图;
图4为本申请的实施例的基于深度学习的水洗粗骨料含泥检测控制方法的水洗含泥粗骨料数据集制作的流程示意图;
图5为本申请的实施例的基于深度学习的水洗粗骨料含泥检测控制方法的水洗含泥粗骨料数据集的示意图,其中,5(a)为离散工况骨料数据集,5(b)为粘连工况骨料数据集,5(c)为堆叠工况骨料数据集;
图6为本申请的实施例的基于深度学习的水洗粗骨料含泥检测控制方法的水洗粗骨料含泥量的反馈控制示意图;
图7为本申请的实施例的基于深度学习的水洗粗骨料含泥检测控制装置的示意图;
图8是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于深度学习的水洗粗骨料含泥检测控制方法或基于深度学习的水洗粗骨料含泥检测控制装置的示例性装置架构100。
如图1所示,装置架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果。
需要说明的是,本申请实施例所提供的基于深度学习的水洗粗骨料含泥检测控制方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,基于深度学习的水洗粗骨料含泥检测控制装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述装置架构可以不包括网络,而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于深度学习的水洗粗骨料含泥检测控制方法,包括以下步骤:
S1,获取水洗设备出口处采集的水洗粗骨料图像,采用渐进迭代方式对水洗粗骨料图像标注区域以及区域所对应的类别,得到水洗粗骨料数据集。
在具体的实施例中,步骤S1具体包括:
在不同骨料间的工况下采集水洗粗骨料图像,并将每个工况中的水洗粗骨料图像中的骨料按照表面含泥厚度分为不同的类别,得到离散工况骨料图像、粘连工况骨料图像和堆叠工况骨料图像;
对离散工况骨料图像标注少量骨料轮廓,得到标注少量骨料轮廓图像,采用标注少量骨料轮廓图像对实例分割模型进行训练,得到第一实例分割模型,将离散工况骨料图像输入第一实例分割模型,得到第一预测图像,对第一预测图像中骨料的所属类别进行标注,得到离散工况骨料数据集;
采用离散工况骨料数据集对实例分割模型进行训练,得到第二实例分割模型;
将粘连工况骨料图像输入第二实例分割模型,得到第二预测图像,对第二预测图像中骨料的所属类别进行标注,得到粘连工况骨料数据集;
采用粘连工况骨料数据集对实例分割模型进行训练,得到第三实例分割模型;
将堆叠工况骨料图像输入第三实例分割模型,得到第三预测图像,对第三预测图像中骨料的所属类别进行标注,得到堆叠工况骨料数据集;
将离散工况骨料数据集、粘连工况骨料数据集、堆叠工况骨料数据集合并成为水洗粗骨料数据集。
在具体的实施例中,步骤S1中还包括:
对水洗粗骨料数据集进行随机策略的数据增强,随机策略包括水平翻转、垂直翻转、旋转、镜像、平移和/或缩放。
具体的,参考图3,水洗粗骨料检测***包括骨料传送模块、图像采集模块、图像处理计算模块和信息传输模块,其中,骨料传送模块包括传送带,传送带用于输送水洗粗骨料,水洗粗骨料可以是离散、粘连、堆叠等状态,传送带的速度由编码器测得,并将信号传送至工控机。图像采集模块包括面阵相机和LED光源。LED光源采用漫射照明方案,工控机根据接收的传送带的速度向面阵相机发出指令,面阵相机接收采集图像指令,采集含水洗粗骨料表面的图像。图像处理计算模块由工控机提供硬件支持,对采集的图像进行预处理,具体为降噪处理,图像裁剪,然后输入水洗粗骨料分割模型预测图像,对统计结果进行后处理,包括匹配去重,计算水洗粗骨料的含泥量。信息传输模块用于将计算结果发送至显示终端或控制终端,在显示终端上实时显示水洗粗骨料的含泥量,根据监测的含泥量,对粗骨料水洗线的生产参数进行反馈调控。
在检测中,水洗粗骨料呈堆叠状态,且伴有泥渍、泥块、骨料等多种水洗骨料混杂,直接标注数据较为困难,工作量大。本申请的实施例使用一种渐进迭代的数据集标注方法,将数据集制作划分为四个阶段,每个阶段的数据标注量小,且标注难度低,只需要审核由实例分割模型分割的骨料轮廓和类别。相较于直接标注含泥水洗堆叠骨料,该方法大大减低工作量和难度。
水洗粗骨料数据集制作分为四个阶段,分别为数据采集、离散工况骨料数据集制作、粘连工况骨料数据集制作和堆叠工况骨料数据集制作,流程如图4所示,制作完成的水洗粗骨料数据集如图5所示。
数据采集步骤中,将骨料按照表面含泥厚度分为n类,n类是按照每个骨料的泥厚划分的,不同骨料间的工况包括离散工况、粘连工况、堆叠工况。在每类工况中,都有n类骨料(包括表面不含泥的骨料和泥团)。因表面不同厚度的含泥渣土骨料其表面纹理不同,机器视觉算法可以区分不同含泥厚度的骨料,将水洗粗骨料颗粒划分为n类。对于每类骨料,分别采集离散工况骨料图像、粘连工况骨料图像和堆叠工况骨料图像。将各类骨料按照一定的质量比例混合,并采集以上三种工况的图像。将离散工况骨料图像、粘连工况骨料图像和堆叠工况骨料图像按照类别归并到离散工况骨料数据集、粘连工况骨料数据集、堆叠工况骨料数据集。
离散工况骨料数据集制作步骤中,对于离散工况骨料图像,标注少量骨料轮廓,并采用标注少量骨料轮廓图像对实例分割模型进行训练,训练得到第一实例分割模型,人工辅助检测第一实例分割模型预测的轮廓,并根据图像所属类别打上标签。将制作完成的离散工况骨料数据集对实例分割网络模型进行训练,得到第二实例分割模型。
粘连工况骨料数据集制作步骤中,使用第二实例分割模型预测粘连工况骨料图像,通过人工辅助修改少量被误识别的骨料类别和轮廓。将制作完成的粘连工况骨料数据集对实例分割模型进行训练,得到第三实例分割模型。
堆叠工况骨料数据集制作步骤中,使用第三实例分割模型预测堆叠工况骨料图像,并通过人工辅助修改少量别误识别的骨料轮廓和标签。在堆叠工况骨料数据集中提高混合类别骨料图片的占比,以提高生产线中实际工况下的检测精度。在堆叠工况骨料数据集中提高混合类别骨料图像的占比,混合类别骨料图像是将各类骨料按照一定的质量比例混合,采集堆叠工况的图像。
具体的,对采集的水洗粗骨料图像进行标注区域以及区域所对应的类别。需要标注的物体类别为泥区域、裸露的骨料区域和背景区域,对水洗粗骨料数据集进行随机策略的数据增强,随机策略包括水平翻转、垂直翻转、旋转、镜像、平移、缩放等。
S2,构建实例分割模型,采用水洗粗骨料数据集对实例分割模型进行训练,得到水洗粗骨料分割模型。
在具体的实施例中,实例分割模型为MaskRcnn网络,主干特征网络为Resnet50。
具体的,在本申请的实施例中实例分割模型使用MaskRcnn网络,主干特征网络为Resnet50,采用水洗粗骨料数据集对实例分割模型进行训练,水洗粗骨料数据集按照8:2划分训练样本和测试样本。训练样本对实例分割模型进行训练,测试样本对训练后的实例分割模型进行测试,得到性能较好的水洗粗骨料分割模型。
S3,获取水洗设备出口处采集的待测水洗粗骨料图像,将待测水洗粗骨料图像输入水洗粗骨料分割模型,得到待测水洗粗骨料图像中每个骨料的类别和掩膜。
在具体的实施例中,步骤S3中将待测水洗粗骨料图像输入水洗粗骨料分割模型之前还包括:对待测水洗粗骨料图像进行在线随机数据增强策略,在线随机数据增强策略包括平移和水平垂直翻转。
具体的,在预测阶段对待测水洗粗骨料图像进行在线随机数据增强策略,策略包括平移和水平垂直,在线数据增强可提高模型预测精度。模型预测时,在待测水洗粗骨料图像输入水洗粗骨料分割模型前,对该批图像进行数据增强策略。该在线随机数据增强策略不限于测试集,也可以是实际应用时对采集的待测水洗粗骨料图像进行数据增强。
S4,根据待测水洗粗骨料图像中每个类别的骨料的掩膜计算每个类别骨料的占比,根据每个类别骨料的占比计算待测水洗粗骨料图像所对应批次的待测水洗粗骨料的含泥量。
在具体的实施例中,步骤S4具体包括:
采用下式计算为第i类骨料的占比:
;
其中,m为一批骨料的颗粒总数,对于指定类别i,该批骨料第i类的颗粒数目为q,为第i类第j个骨料颗粒的面积,/>为第i类骨料的第k个骨料面积;
采用下式计算含泥量:
;
其中,为第i类骨料的权重系数,n为骨料的类别总数,从第i类到第n类骨料的泥厚依次增大。
第i类骨料的权重系数的计算方法如下:假设有m批水洗粗骨料,对每批水洗粗骨料通过图像计算出第i类骨料的占比/>,采用GB∕T14685-2022测量该批水洗骨料的实际含泥量。通过上述方法得到m个实际含泥量/>,m批水洗粗骨料对应的n类骨料的占比为/>,将这些参数代入多元线性回归计算每类骨料的权重系数/>。
具体的,本申请的实施例提出含泥量计算表征一批骨料的含泥量,该含泥量的取值范围[0,1),其值越大代表该批骨料含泥越多。通过水洗粗骨料分割模型提取水洗粗骨料的类别和掩模,根据掩模可以计算每个骨料的面积。含泥骨料有n个类别,从i到n骨料的泥厚依次增大。
S5,建立不同水洗粗骨料的含泥量与水洗设备的参数之间的相关关系,根据含泥量和相关关系对水洗设备的参数进行调节,重复步骤S3-S5,直至含泥量符合要求。
在具体的实施例中,水洗设备的参数包括水洗振动塞的振动塞频率、水洗渣土进料量、清洗用水量和/或螺旋浆式水洗设备的螺旋浆电机转速。
具体的,根据计算得到的每批水洗粗再生骨料的含泥量与要求的含泥量之间的差值在相关关系中确定得到对应的水洗设备的参数的改变值,根据目前的水洗设备的参数和改变值计算得到控制值,将控制值发生至控制单元,通过控制单元调整水洗设备的参数。
在其中一个实施例中,可通过对水洗设备出口处的水洗粗骨料含泥量的检测,来实现对水洗振动塞频率的调节,其流程如图6所示,检测出口处的水洗粗骨料的含泥量,将检测的含泥量发送至控制终端,控制终端将信号传输给控制变频器,来调整振动塞频率,调节振动塞频率的数值由实验得到含泥量和调节频率之间的相关关系所得。
在另一个实施例中,可通过对水洗设备出口处的水洗粗骨料的含泥量的检测,来实现对水洗设备进料量的调节。将水洗渣土运进水洗振动塞清洗,检测出口处的水洗粗骨料的含泥量,将检测的含泥量发送至控制终端,控制终端将信号传输给控制器,来调整水洗设备的进料量,调节水洗设备的进料量的数值由实验得到含泥量和进料量之间的相关关系所得。
在另一个实施例中,可通过对水洗设备出口的水洗粗骨料含泥量的检测,来实现对水洗设备清洗用水量的调节。将水洗渣土运进水洗振动塞清洗,检测出口处的水洗粗骨料的含泥量,将检测的含泥量发送至控制终端,控制终端将信号传输给控制器,来调整水洗设备的清洗用水量,调节水洗设备的清洗用水量数值由实验得到含泥量和清洗用水量之间的相关关系所得。
在另一个实施例中,可通过对水洗设备出口的水洗粗骨料含泥量的检测,来实现对螺旋浆式水洗设备的螺旋浆电机转速的调节。将水洗渣土运进水洗振动塞清洗,检测出口处的水洗粗骨料含泥量,将检测的含泥量发送至控制终端,控制终端将信号传输给控制器,来调整螺旋浆电机转速,调节螺旋浆电机转速数值由实验得到含泥量和螺旋浆电机转速数学之间的相关关系。
此外,也可以根据其他能够改变含泥量的参数建立与含泥量之间的相关关系。
进一步参考图7,作为对上述各图所示方法的实现,本申请提供了一种基于深度学习的水洗粗骨料含泥检测控制装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于深度学习的水洗粗骨料含泥检测控制装置,包括:
数据采集标注模块1,被配置为获取水洗设备出口处采集的水洗粗骨料图像,采用渐进迭代方式对水洗粗骨料图像标注区域以及区域所对应的类别,得到水洗粗骨料数据集;
模型构建模块2,被配置为构建实例分割模型,采用水洗粗骨料数据集对实例分割模型进行训练,得到水洗粗骨料分割模型;
图像分割模块3,被配置为获取水洗设备出口处采集的待测水洗粗骨料图像,将待测水洗粗骨料图像输入水洗粗骨料分割模型,得到待测水洗粗骨料图像中每个骨料的类别和掩膜;
含泥量计算模块4,被配置为根据待测水洗粗骨料图像中每个类别的骨料的掩膜计算每个类别骨料的占比,根据每个类别骨料的占比计算待测水洗粗骨料图像所对应批次的待测水洗粗骨料的含泥量;
调节模块5,被配置为建立不同水洗粗骨料的含泥量与水洗设备的参数之间的相关关系,根据含泥量和相关关系对水洗设备的参数进行调节,重复执行图像分割模块至调节模块,直至含泥量符合要求。
下面参考图8,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置800的结构示意图。图8示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机装置800包括中央处理单元(CPU)801和图形处理器(GPU)802,其可以根据存储在只读存储器(ROM)803中的程序或者从存储部分809加载到随机访问存储器(RAM)804中的程序而执行各种适当的动作和处理。在RAM 804中,还存储有装置800操作所需的各种程序和数据。CPU 801、GPU802、ROM 803以及RAM 804通过总线805彼此相连。输入/输出(I/O)接口806也连接至总线805。
以下部件连接至I/O接口806:包括键盘、鼠标等的输入部分807;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分808;包括硬盘等的存储部分809;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分810。通信部分810经由诸如因特网的网络执行通信处理。驱动器811也可以根据需要连接至I/O接口806。可拆卸介质812,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器811上,以便于从其上读出的计算机程序根据需要被安装入存储部分809。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分810从网络上被下载和安装,和/或从可拆卸介质812被安装。在该计算机程序被中央处理单元(CPU)801和图形处理器(GPU)802执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,也可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取水洗设备出口处采集的水洗粗骨料图像,采用渐进迭代方式对水洗粗骨料图像标注区域以及区域所对应的类别,得到水洗粗骨料数据集;构建实例分割模型,采用水洗粗骨料数据集对实例分割模型进行训练,得到水洗粗骨料分割模型;获取水洗设备出口处采集的待测水洗粗骨料图像,将待测水洗粗骨料图像输入水洗粗骨料分割模型,得到待测水洗粗骨料图像中每个骨料的类别和掩膜;根据待测水洗粗骨料图像中每个类别的骨料的掩膜计算每个类别骨料的占比,根据每个类别骨料的占比计算所述待测水洗粗骨料图像所对应批次的待测水洗粗骨料的含泥量;建立不同水洗粗骨料的含泥量与水洗设备的参数之间的相关关系,根据含泥量和相关关系对水洗设备的参数进行调节,重复上述步骤,直至含泥量符合要求。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种基于深度学习的水洗粗骨料含泥检测控制方法,其特征在于,包括以下步骤:
S1,获取水洗设备出口处采集的水洗粗骨料图像,采用渐进迭代方式对所述水洗粗骨料图像标注区域以及区域所对应的类别,得到水洗粗骨料数据集,所述步骤S1具体包括:
在不同骨料间的工况下采集水洗粗骨料图像,并将每个工况中的水洗粗骨料图像中的骨料按照表面含泥厚度分为不同的类别,得到离散工况骨料图像、粘连工况骨料图像和堆叠工况骨料图像;
对所述离散工况骨料图像标注少量骨料轮廓,得到标注少量骨料轮廓图像,采用所述标注少量骨料轮廓图像对实例分割模型进行训练,得到第一实例分割模型,将所述离散工况骨料图像输入所述第一实例分割模型,得到第一预测图像,对所述第一预测图像中骨料的所属类别进行标注,得到离散工况骨料数据集;
采用所述离散工况骨料数据集对实例分割模型进行训练,得到第二实例分割模型;
将所述粘连工况骨料图像输入所述第二实例分割模型,得到第二预测图像,对所述第二预测图像中骨料的所属类别进行标注,得到粘连工况骨料数据集;
采用所述粘连工况骨料数据集对实例分割模型进行训练,得到第三实例分割模型;
将所述堆叠工况骨料图像输入所述第三实例分割模型,得到第三预测图像,对所述第三预测图像中骨料的所属类别进行标注,得到堆叠工况骨料数据集;
将所述离散工况骨料数据集、粘连工况骨料数据集、堆叠工况骨料数据集合并成为所述水洗粗骨料数据集;
S2,构建实例分割模型,采用所述水洗粗骨料数据集对所述实例分割模型进行训练,得到水洗粗骨料分割模型;
S3,获取水洗设备出口处采集的待测水洗粗骨料图像,将所述待测水洗粗骨料图像输入所述水洗粗骨料分割模型,得到所述待测水洗粗骨料图像中每个骨料的类别和掩膜;
S4,根据所述待测水洗粗骨料图像中每个类别的骨料的掩膜计算每个类别骨料的占比,根据每个类别骨料的占比计算所述待测水洗粗骨料图像所对应批次的待测水洗粗骨料的含泥量,所述步骤S4具体包括:
采用下式计算为第i类骨料的占比 :
;
其中,m为一批骨料的颗粒总数,对于指定类别i,第i类骨料的颗粒数目为q,为第i类第j个骨料颗粒的面积,/>为该批试样的第k个骨料面积;
采用下式计算含泥量:
;
其中,为第i类骨料的权重系数,n为骨料的类别总数,从第i类到第n类骨料的泥厚依次增大;
S5,建立不同水洗粗骨料的含泥量与水洗设备的参数之间的相关关系,根据所述含泥量和相关关系对水洗设备的参数进行调节,重复步骤S3-S5,直至所述含泥量符合要求。
2.根据权利要求1所述的基于深度学习的水洗粗骨料含泥检测控制方法,其特征在于,所述步骤S1中还包括:
对所述水洗粗骨料数据集进行随机策略的数据增强,随机策略包括水平翻转、垂直翻转、旋转、镜像、平移和/或缩放。
3.根据权利要求1所述的基于深度学习的水洗粗骨料含泥检测控制方法,其特征在于,所述实例分割模型为MaskRcnn网络,主干特征网络为Resnet50。
4.根据权利要求1所述的基于深度学***移和水平垂直翻转。
5.根据权利要求1所述的基于深度学习的水洗粗骨料含泥检测控制方法,其特征在于,所述水洗设备的参数包括水洗振动塞的振动塞频率、水洗渣土进料量、清洗用水量和/或螺旋浆式水洗设备的螺旋浆电机转速。
6.一种基于深度学习的水洗粗骨料含泥检测控制装置,其特征在于,包括:
数据采集标注模块,被配置为获取水洗设备出口处采集的水洗粗骨料图像,采用渐进迭代方式对所述水洗粗骨料图像标注区域以及区域所对应的类别,得到水洗粗骨料数据集,所述数据采集标注模块具体包括:
在不同骨料间的工况下采集水洗粗骨料图像,并将每个工况中的水洗粗骨料图像中的骨料按照表面含泥厚度分为不同的类别,得到离散工况骨料图像、粘连工况骨料图像和堆叠工况骨料图像;
对所述离散工况骨料图像标注少量骨料轮廓,得到标注少量骨料轮廓图像,采用所述标注少量骨料轮廓图像对实例分割模型进行训练,得到第一实例分割模型,将所述离散工况骨料图像输入所述第一实例分割模型,得到第一预测图像,对所述第一预测图像中骨料的所属类别进行标注,得到离散工况骨料数据集;
采用所述离散工况骨料数据集对实例分割模型进行训练,得到第二实例分割模型;
将所述粘连工况骨料图像输入所述第二实例分割模型,得到第二预测图像,对所述第二预测图像中骨料的所属类别进行标注,得到粘连工况骨料数据集;
采用所述粘连工况骨料数据集对实例分割模型进行训练,得到第三实例分割模型;
将所述堆叠工况骨料图像输入所述第三实例分割模型,得到第三预测图像,对所述第三预测图像中骨料的所属类别进行标注,得到堆叠工况骨料数据集;
将所述离散工况骨料数据集、粘连工况骨料数据集、堆叠工况骨料数据集合并成为所述水洗粗骨料数据集;
模型构建模块,被配置为构建实例分割模型,采用所述水洗粗骨料数据集对所述实例分割模型进行训练,得到水洗粗骨料分割模型;
图像分割模块,被配置为获取水洗设备出口处采集的待测水洗粗骨料图像,将所述待测水洗粗骨料图像输入所述水洗粗骨料分割模型,得到所述待测水洗粗骨料图像中每个骨料的类别和掩膜;
含泥量计算模块,被配置为根据所述待测水洗粗骨料图像中每个类别的骨料的掩膜计算每个类别骨料的占比,根据每个类别骨料的占比计算所述待测水洗粗骨料图像所对应批次的待测水洗粗骨料的含泥量,所述含泥量计算模块具体包括:
采用下式计算为第i类骨料的占比:
;
其中,m为一批骨料的颗粒总数,对于指定类别i,第i类骨料的颗粒数目为q,为第i类第j个骨料颗粒的面积,/>为该批试样的第k个骨料面积;
采用下式计算含泥量:
;
其中,为第i类骨料的权重系数,n为骨料的类别总数,从第i类到第n类骨料的泥厚依次增大;
调节模块,被配置为建立不同水洗粗骨料的含泥量与水洗设备的参数之间的相关关系,根据所述含泥量和相关关系对水洗设备的参数进行调节,重复执行图像分割模块至调节模块,直至所述含泥量符合要求。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971384.0A CN116678885B (zh) | 2023-08-03 | 2023-08-03 | 基于深度学习的水洗粗骨料含泥检测控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971384.0A CN116678885B (zh) | 2023-08-03 | 2023-08-03 | 基于深度学习的水洗粗骨料含泥检测控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116678885A CN116678885A (zh) | 2023-09-01 |
CN116678885B true CN116678885B (zh) | 2023-12-19 |
Family
ID=87779552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310971384.0A Active CN116678885B (zh) | 2023-08-03 | 2023-08-03 | 基于深度学习的水洗粗骨料含泥检测控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116678885B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012225889A (ja) * | 2011-04-22 | 2012-11-15 | Taiheiyo Consultant:Kk | コンクリート構造物の劣化診断用画像表示システム |
CN104537676A (zh) * | 2015-01-12 | 2015-04-22 | 南京大学 | 一种基于在线学习的渐进式图像分割方法 |
CN104853168A (zh) * | 2015-05-25 | 2015-08-19 | 三峡大学 | 一种砂石骨料质量智能监控*** |
WO2017052481A1 (en) * | 2015-09-23 | 2017-03-30 | Ouypornorasert Winai | A method to find concrete mix proportion by minimum void in aggregates and sharing of cement paste |
CN107621435A (zh) * | 2017-10-16 | 2018-01-23 | 华侨大学 | 一种骨料在线监测装置 |
CN108677656A (zh) * | 2018-06-27 | 2018-10-19 | 华侨大学 | 一种沥青混合搅拌的防溢料装置及方法 |
CN110782455A (zh) * | 2019-11-19 | 2020-02-11 | 哈尔滨理工大学 | 一种基于图像处理方法测定原砂的含泥量的新方法 |
CN111311548A (zh) * | 2020-01-20 | 2020-06-19 | 清华四川能源互联网研究院 | 一种骨料检测模型的形成方法和消力池底板骨料检测的方法 |
WO2022089267A1 (zh) * | 2020-11-02 | 2022-05-05 | 中科麦迪人工智能研究院(苏州)有限公司 | 样本数据获取方法、图像分割方法、装置、设备和介质 |
KR20220057181A (ko) * | 2020-10-29 | 2022-05-09 | 현대건설주식회사 | 카메라를 이용한 불량 레미콘 검출장치 |
CN114507045A (zh) * | 2022-02-22 | 2022-05-17 | 深圳市深建混凝土有限公司 | 一种高强、高韧、高抗冲击、高耐磨水泥基复合材料 |
CN216747244U (zh) * | 2021-12-15 | 2022-06-14 | 浙江数智交院科技股份有限公司 | 一种含泥量检测装置 |
WO2022142137A1 (zh) * | 2020-12-29 | 2022-07-07 | 山东大学 | 赤泥基胶凝材料、赤泥基轻骨料、赤泥基轻骨料混凝土及其制备方法 |
CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
CN115861610A (zh) * | 2022-11-17 | 2023-03-28 | 杭州脉尖智能科技有限公司 | 一种基于改进CondInst的砂石骨料图像的分割处理方法 |
CN116223502A (zh) * | 2023-02-22 | 2023-06-06 | 中国铁路设计集团有限公司 | 一种粗骨料含泥量智能检测装置及检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688851B (zh) * | 2020-05-18 | 2023-09-15 | 华为云计算技术有限公司 | 数据标注方法和装置和精细粒度识别方法和装置 |
-
2023
- 2023-08-03 CN CN202310971384.0A patent/CN116678885B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012225889A (ja) * | 2011-04-22 | 2012-11-15 | Taiheiyo Consultant:Kk | コンクリート構造物の劣化診断用画像表示システム |
CN104537676A (zh) * | 2015-01-12 | 2015-04-22 | 南京大学 | 一种基于在线学习的渐进式图像分割方法 |
CN104853168A (zh) * | 2015-05-25 | 2015-08-19 | 三峡大学 | 一种砂石骨料质量智能监控*** |
WO2017052481A1 (en) * | 2015-09-23 | 2017-03-30 | Ouypornorasert Winai | A method to find concrete mix proportion by minimum void in aggregates and sharing of cement paste |
CN107621435A (zh) * | 2017-10-16 | 2018-01-23 | 华侨大学 | 一种骨料在线监测装置 |
CN108677656A (zh) * | 2018-06-27 | 2018-10-19 | 华侨大学 | 一种沥青混合搅拌的防溢料装置及方法 |
CN110782455A (zh) * | 2019-11-19 | 2020-02-11 | 哈尔滨理工大学 | 一种基于图像处理方法测定原砂的含泥量的新方法 |
CN111311548A (zh) * | 2020-01-20 | 2020-06-19 | 清华四川能源互联网研究院 | 一种骨料检测模型的形成方法和消力池底板骨料检测的方法 |
KR20220057181A (ko) * | 2020-10-29 | 2022-05-09 | 현대건설주식회사 | 카메라를 이용한 불량 레미콘 검출장치 |
WO2022089267A1 (zh) * | 2020-11-02 | 2022-05-05 | 中科麦迪人工智能研究院(苏州)有限公司 | 样本数据获取方法、图像分割方法、装置、设备和介质 |
WO2022142137A1 (zh) * | 2020-12-29 | 2022-07-07 | 山东大学 | 赤泥基胶凝材料、赤泥基轻骨料、赤泥基轻骨料混凝土及其制备方法 |
CN216747244U (zh) * | 2021-12-15 | 2022-06-14 | 浙江数智交院科技股份有限公司 | 一种含泥量检测装置 |
CN114507045A (zh) * | 2022-02-22 | 2022-05-17 | 深圳市深建混凝土有限公司 | 一种高强、高韧、高抗冲击、高耐磨水泥基复合材料 |
CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
CN115861610A (zh) * | 2022-11-17 | 2023-03-28 | 杭州脉尖智能科技有限公司 | 一种基于改进CondInst的砂石骨料图像的分割处理方法 |
CN116223502A (zh) * | 2023-02-22 | 2023-06-06 | 中国铁路设计集团有限公司 | 一种粗骨料含泥量智能检测装置及检测方法 |
Non-Patent Citations (2)
Title |
---|
多尺度特征融合工件目标语义分割;和超;张印辉;何自芬;;中国图象图形学报;第25卷(第03期);第476-485页 * |
粗骨料品质对混凝土性能的影响;申红旗;;河南水利与南水北调;第47卷(第03期);第74-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116678885A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023142262A1 (zh) | 基于深度学习的混凝土配方调整方法、装置及可读介质 | |
Hosseini et al. | Modeling the relationship between froth bubble size and flotation performance using image analysis and neural networks | |
CN113267607A (zh) | 一种场地有机污染物迁移过程的特征参数识别*** | |
CN117218118B (zh) | 基于图像序列的坍落度监测方法、装置及可读介质 | |
CN114798495B (zh) | 基于质量检测的钣金冲压件分拣方法、装置、设备及介质 | |
CN113312846B (zh) | 一种基于混合工艺过程的智能检测方法及*** | |
CN114757948B (zh) | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 | |
WO2023168899A1 (zh) | 圆锥破碎机排料口尺寸智能调整方法、装置及可读介质 | |
CN116678885B (zh) | 基于深度学习的水洗粗骨料含泥检测控制方法及装置 | |
CN117195083A (zh) | 基于电流曲线的坍落度预测方法、装置及可读介质 | |
CN117828878A (zh) | 一种用于结构配重铁渣混凝土配合比设计方法 | |
CN116523475A (zh) | 基于bim的水务工程设备管理方法和*** | |
CN117333670A (zh) | 基于Transformer和微观图像的再生混凝土水化进程检测方法 | |
Av et al. | Result analysis of LabVIEW and MATLAB in application of image edge detection | |
CN113781513B (zh) | 一种电厂供水管道泄漏检测方法及*** | |
CN116689133B (zh) | 基于深度学习的再生骨料质量控制方法、装置及可读介质 | |
Babu et al. | Enhancing infrastructure safety: A uav-based approach for crack detection | |
CN117422709B (zh) | 基于rgb图像和深度图像的坍落度预测方法及装置 | |
CN114998336B (zh) | 一种塑料废弃物的检测和处理方法及装置 | |
CN112985096A (zh) | 一种基于物联网云平台的窑炉陶瓷质量监管***与方法 | |
Lu et al. | Deep correlation and precise prediction between static features of froth images and clean coal ash content in coal flotation: An investigation based on deep learning and maximum likelihood estimation | |
Xiong et al. | Research on image recognition of power inspection robot based on improved YOLOv3 model | |
Hou et al. | A Method for Reutilization of Scrap Metal | |
Lou et al. | Defect Detection Based on Improved YOLOx for Ultrasonic Images | |
Wang et al. | Hybrid intelligence model based on image features for the prediction of flotation concentrate grade |
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 |