CN105809219B - 一种隧道预制管片生产线的预制管片质量检测统计系统和方法 - Google Patents
一种隧道预制管片生产线的预制管片质量检测统计系统和方法 Download PDFInfo
- Publication number
- CN105809219B CN105809219B CN201610141708.8A CN201610141708A CN105809219B CN 105809219 B CN105809219 B CN 105809219B CN 201610141708 A CN201610141708 A CN 201610141708A CN 105809219 B CN105809219 B CN 105809219B
- Authority
- CN
- China
- Prior art keywords
- pipe section
- prefabricated pipe
- camera
- door
- shaped frame
- 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.)
- Expired - Fee Related
Links
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种隧道预制管片生产线的预制管片质量检测统计系统和方法。本系统包括：轨道、预制管片埋深类型及预埋件检测装置、管片形状检测装置。本方法采用深度学习算法对预制管片埋深类型进行识别和分类，并采用深度学习算法对预制管片形状进行检测。本发明实现对隧道预制管片生产线所生产的隧道预制管片类型进行在线实时检测统计，提高了分类的可靠性、避免了依靠传统人工进行分类的分类错误在后期施工中带来的隧道安全隐患。
Description
技术领域
本发明涉及一种隧道预制管片生产线的预制管片质量检测统计系统和方法，特别针对隧道预制管片埋深类型以及隧道预制管片形状类型的检测统计系统和方法。
背景技术
随着社会的发展与进步，城市地下空间工程也得到了迅速发展，地铁、隧道等施工地点的隧道管片在不断的生产供应，隧道预制管片的质量关系着地铁、隧道等工程的质量以及后期的运营安全。
在隧道预制管片生产过程中，对于生产的预制管片埋深类型、形状类型进行检测统计是整个生产流程中至关重要的两项工作。由于在隧道施工作业时，随着隧道深度的不同，所要铺设的隧道预制管片埋深类型也有很大差异，例如隧道越深，管片承受的压力也就越大，就需要采用钢筋梁比较粗的深埋管片进行施工。但是隧道管片的生产过程中，钢模类型是固定的，预制管片的埋深程度取决于管片钢筋梁中钢筋的粗细，当钢筋梁浇筑混凝土之后，就无法通过人眼观测到所生产的隧道预制管片埋深类型，因此需要人为的提前记录所生产的隧道管片类型，传统的方法只能依靠人眼去观测、记录，很容易造成观测记录的失误，一旦出现失误，将会造成严重的安全隐患。同时，当检测统计出隧道预制管片埋深类型之后，还要继续检测统计出所生产的隧道管片的形状类型，隧道管片的形状类型虽然可以通过钢模的形状人工识别出，但是对于工人而言，工作量极大，很难完全保证统计的可靠性。
针对上述的技术背景，所以急需要寻找一种可靠的、能够检测统计钢模所生产的隧道预制管片埋深类型和形状的方法，随着现在生产技术的长足发展，计算机视觉技术得到了广泛的应用，计算机视觉技术与传感器技术的信息融合，使得解决这一安全性问题称为可能。
发明内容
本发明的目的在于针对目前主要依靠人工统计隧道预制管片埋深类型和形状类型的不足，提供一种隧道预制管片生产线的预制管片质量检测统计系统和方法，通过计算机视觉技术和传感器技术的信息融合，避免了传统人工检测统计可能出现的安全隐患、统计失误，提高了隧道管片生产的效率。
为实现上述目的，本发明采用如下技术方案：
一种隧道预制管片生产线的预制管片质量检测统计系统，包括轨道1、预制管片埋深类型及预埋件检测装置和预制管片形状检测装置，所述预制管片埋深类型及预埋件检测装置包括第一门形框架2、光电开关3、LED补充光源12、相机13和相机减震设备14；所述预制管片形状检测装置包括：RFID标签5、第二门形框架6、RFID固定式读写器7、光电开关8、LED补充光源9、相机10、相机减震设备11，所述第一门形框架2和第二门形框架6分别安装在轨道1的前后区段上，光电开关3安装于第一门形框架2的内侧壁前端，相机减震设备14安装于第一门形框架2的顶部中间位置，相机13安装于相机减震设备14下部，LED补充光源12安装于第一门形框架2四个顶角处；光电开关8安装于第二门形框架6内侧壁前端，相机减震设备11安装于第二门形框架6顶部中间位置，相机10安装于相机减震设备11下部，LED补充光源9安装于第二门形框架6的四个顶角处，RFID固定式读写器7安装于第二门形框架6内侧壁。
光电开关3安置位置保证当钢模4运行到第一门形框架2时，触发光电开关3动作，安装于第一门形框架2顶部的相机13检测到光电开关3动作信号，启动一次图像采集；所述相机减震设备14用来减轻车间震动对相机13带来的安全影响，并且具有上下运动的功能，用于调节相机13的视野范围；所述LED补充光源12为相机13的拍摄提供充足光源；所述光电开关8安置位置保证当钢模4运行到第二门形框架6时，触发光电开关8动作，安放在预制管片形状检测装置6顶部的相机10检测到光电开关8动作信号，启动一次图像采集；同时RFID固定式读写器7读取贴在钢模4上的RFID标签5信息；所述相机减震设备11用来减轻车间震动对相机10带来的安全影响，并且具有上下运动的功能，用于调节相机10的视野范围；所述LED补充光源为相机10的拍摄提供充足光源。
钢模4外侧贴有RFID标签5，RFID标签5存储钢模4所生产的隧道预制管片形状信息，钢模4上下料地点设置在第一门形框架2和第二门形框架6的中间位置；当钢模4运载尚未浇筑混凝土的钢筋笼，经过第一门形框架2时，进行隧道预制管片钢筋笼的钢筋粗细的检测，确定预制管片的埋深类型；当钢模4浇筑混凝土成型后，经过第二门形框架6时，进行RFID标签5信息的读取和钢模4形状的检测分类；检测完钢模形状后，在第一门形框架2和第二门形框架6的中间位置进行卸料、上料。
采用深度学习算法对预制管片埋深类型及预埋件进行识别和分类，识别和分类过程分为离线学习过程和在线识别过程，步骤如下：
A离线学习过程：
①标准图像采集及预处理：
1)相机13采集钢模4内钢筋笼中的钢筋图像；
2)经过图像预处理模块滤除背景噪声；
3)将图像按长度方向进行5等分，取第3张归一化为128*128的标准图像；
②建立深度学习网络：建立一个具有7层结构的卷积神经网络模型，包括一个输入层、三个卷积层、三个下采样层。第一卷积层卷积核大小设置为9*9，第一下采样层池化矩阵大小为4*4；第二卷积层核窗口大小为5*5，第二下采样层池化矩阵大小为2*2；第三卷积层核窗口大小为4*4，第三下采样层池化矩阵大小为2*2，数学模型建立过程如下：
1)构建卷积层数学模型
其中表示第l卷积层输入，表示上一层与卷积层之间的核窗口，f(·)表示激活函数，Mj表示输入特征map数量；
2)构建下采样层数学模型
其中P(·)表示池化函数，α表示乘性偏置，b表示加性偏置；
利用图像的局部相关性原理，对图像进行下采样；
3)全连接层引入动量因子
利用t-1时刻的权值修正量Δw(t-1)对t时刻的权值修正量Δw(t)进行修正，其中η为学习率，α为动量因子(取值范围[0,1))，为全连接层输出的全部神经元的误差能量瞬时值的和相对于t时刻权值的偏导数；
③训练网络:对标准图像进行类别标记，将标准图像和对应的类别标记，放入网络进行特征学习和训练，然后得到最终的卷积核参数和权值参数等；
B在线识别过程：
①标准图像采集及预处理：
1)相机13采集钢模4内钢筋笼中的钢筋图像；
2)经过图像预处理模块滤除背景噪声信息；
3)将图像按长度方向进行5等分，取第3张归一化为128*128的测试图像；
②将测试图像导入已经训练好的卷积神经网络中，进行特征提取和分类识别。
采用深度学习算法对预制管片形状进行检测，检测过程分为A离线学习过程、B在线识别过程和C二次确认过程，步骤如下：
A离线学习过程：
①标准图像采集及预处理：
1)相机10采集钢模4内隧道预制管片图像；
2)经过图像预处理模块滤除背景噪声；
3)将采集的图像归一化为96*96的标准图像；
②建立深度学习网络：建立一个具有5层结构的卷积神经网络模型，包括一个输入层、两个卷积层、两个下采样层。第一卷积层卷积核大小设置为5*5，第一下采样层池化矩阵大小为4*4，第二卷积层核窗口大小为4*4，第二下采样层为池化矩阵大小为2*2，数学模型建立过程如下：
1)构建卷积层数学模型
其中表示第l卷积层输入，表示上一层与卷积层之间的核窗口，f(·)表示激活函数，Mj表示输入特征map数量；
2)构建下采样层数学模型
其中P(·)表示池化函数，α表示乘性偏置，b表示加性偏置；
利用图像的局部相关性原理，对图像进行下采样；
3)全连接层引入动量因子
利用t-1时刻的权值修正量Δw(t-1)对t时刻的权值修正量Δw(t)进行修正，其中η为学习率，α为动量因子(取值范围[0,1))，为全连接层输出的全部神经元的误差能量瞬时值的和相对于t时刻权值的偏导数。
③训练网络:对标准图像进行类别标记，将标准图像和对应的类别标记，放入网络进行特征学习和训练，然后得到最终的卷积核参数和权值参数等；
B在线识别过程：
①标准图像采集及预处理：
1)相机10采集钢模4内隧道预制管片图像；
2)经过图像预处理模块滤除背景噪声；
3)将采集的图像归一化为96*96的标准图像；
②将测试图像导入已经训练好的卷积神经网络中，进行特征提取和分类识别；
C二次确认过程：RFID固定式读写器7读取RFID标签5信息，再次确认隧道预制管片形状。
通过相机13对预制管片埋深类型及预埋件进行识别、相机10对预制管片形状进行识别，最终分类并统计出钢模4所生产的隧道预制管片准确信息，包括预制管片埋深类型及预埋件、预制管片形状类型，计算机将统计出的隧道预制管片生产信息进行存储、显示。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
1.本发明采用深度学习技术，通过建立卷积神经网络模型，利用卷积神经网络对几何变换、形变、光照等影响具有不变性的优点，大大提高了检测的效率和准确性。
2.本发明实现对隧道管片生产线中隧道管片质量统计环节的自动化统计，采用计算机视觉技术和RFID射频技术相结合的方式，提高了识别分类的准确性和可靠性；
3.本发明采用光电开关控制相机的拍摄时间，并在指定位置进行图像采集工作，具有更加节约能源和减少不必要的图像采集的优点。
附图说明
图1为本发明的系统结构简图
图2为本发明实的硬件辅助系统结构框图
图3为本发明实的卷积神经网络模型结构示意图
图4为本发明实的系统工作流程图
具体实施方式
本发明的具体优选实施例结合附图详述如下：
实施例一：
参见图1和图2，本隧道预制管片生产线的预制管片质量检测统计系统，包括轨道1、预制管片埋深类型及预埋件检测装置和预制管片形状检测装置，所述预制管片埋深类型及预埋件检测装置包括第一门形框架2、光电开关3、LED补充光源12、相机13和相机减震设备14；所述预制管片形状检测装置包括：RFID标签5、第二门形框架6、RFID固定式读写器7、光电开关8、LED补充光源9、相机10、相机减震设备11，其特征在于：所述第一门形框架2和第二门形框架6分别安装在轨道1的前后区段上，光电开关3安装于第一门形框架2的内侧壁前端，相机减震设备14安装于第一门形框架2的顶部中间位置，相机13安装于相机减震设备14下部，LED补充光源12安装于第一门形框架2四个顶角处；光电开关8安装于第二门形框架6内侧壁前端，相机减震设备11安装于第二门形框架6顶部中间位置，相机10安装于相机减震设备11下部，LED补充光源9安装于第二门形框架6的四个顶角处，RFID固定式读写器7安装于第二门形框架6内侧壁。
实施例二：
本实施例与实施例一基本相同，特征之处如下：
光电开关3安置位置保证当钢模4运行到第一门形框架2时，触发光电开关3动作，安装于第一门形框架2顶部的相机13检测到光电开关3动作信号，启动一次图像采集；所述相机减震设备14用来减轻车间震动对相机13带来的安全影响，并且具有上下运动的功能，用于调节相机13的视野范围；所述LED补充光源12为相机13的拍摄提供充足光源；所述光电开关8安置位置保证当钢模4运行到第二门形框架6时，触发光电开关8动作，安放在预制管片形状检测装置6顶部的相机10检测到光电开关8动作信号，启动一次图像采集；同时RFID固定式读写器7读取贴在钢模4上的RFID标签5信息；所述相机减震设备11用来减轻车间震动对相机10带来的安全影响，并且具有上下运动的功能，用于调节相机10的视野范围；所述LED补充光源为相机10的拍摄提供充足光源。
钢模4外侧贴有RFID标签5，RFID标签5存储钢模4所生产的隧道预制管片形状信息，钢模4上下料地点设置在第一门形框架2和第二门形框架6的中间位置；当钢模4运载尚未浇筑混凝土的钢筋笼，经过第一门形框架2时，进行隧道预制管片钢筋笼的钢筋粗细的检测，确定预制管片的埋深类型；当钢模4浇筑混凝土成型后，经过第二门形框架6时，进行RFID标签5信息的读取和钢模4形状的检测分类；检测完钢模形状后，在第一门形框架2和第二门形框架6的中间位置进行卸料、上料。
实施例三：
本隧道预制管片生产线的预制管片质量检测统计系统和方法，采用上述系统进行操作，采用深度学习算法对预制管片埋深类型及预埋件进行识别和分类，识别和分类过程分为离线学习过程和在线识别过程，步骤如下：
A离线学习过程：
①标准图像采集及预处理：
1)相机13采集钢模4内钢筋笼中的钢筋图像；
2)经过图像预处理模块滤除背景噪声；
3)将图像按长度方向进行5等分，取第3张归一化为128*128的标准图像；
②建立深度学习网络：建立一个具有7层结构的卷积神经网络模型，包括一个输入层、三个卷积层、三个下采样层。第一卷积层卷积核大小设置为9*9，第一下采样层池化矩阵大小为4*4；第二卷积层核窗口大小为5*5，第二下采样层池化矩阵大小为2*2；第三卷积层核窗口大小为4*4，第三下采样层池化矩阵大小为2*2，数学模型建立过程如下：
a构建卷积层数学模型
其中表示第l卷积层输入，表示上一层与卷积层之间的核窗口，f(·)表示激活函数，Mj表示输入特征map数量；
b构建下采样层数学模型
其中P(·)表示池化函数，α表示乘性偏置，b表示加性偏置。
利用图像的局部相关性原理，对图像进行下采样；
c全连接层引入动量系数
利用t-1时刻的权值修正量Δw(t-1)对t时刻的权值修正量Δw(t)进行修正，其中η为学习率，α为动量因子(取值范围[0,1))，为全连接层输出的全部神经元的误差能量瞬时值的和相对于t时刻权值的偏导数；
③训练网络:对标准图像进行类别标记，将标准图像和对应的类别标记，放入网络进行特征学习和训练，然后得到最终的卷积核参数和权值参数等；
B在线识别过程：
①标准图像采集及预处理：
1)相机13采集钢模4内钢筋笼中的钢筋图像；
2)经过图像预处理模块滤除背景噪声信息；
3)将图像按长度方向进行5等分，取第3张归一化为128*128的测试图像；
②将测试图像导入已经训练好的卷积神经网络中，进行特征提取和分类识别：
相机10采集钢模4内的隧道管片图像，采用深度学习算法对预制管片形状进行识别，识别过程分为A离线学习过程、B在线识别过程和C二次确认过程，步骤如下：
A离线学习过程：
①标准图像采集及预处理：
1)相机10采集钢模4内隧道预制管片图像；
2)经过图像预处理模块滤除背景噪声；
3)将采集的图像归一化为96*96的标准图像；
②建立深度学习网络：建立一个具有5层结构的卷积神经网络模型，包括一个输入层、两个卷积层、两个下采样层。第一卷积层卷积核大小设置为5*5，第一下采样层池化矩阵大小为4*4，第二卷积层核窗口大小为4*4，第二下采样层为池化矩阵大小为2*2，数学模型建立过程如下：
a构建卷积层数学模型
其中表示第l卷积层输入，表示上一层与卷积层之间的核窗口，f(·)表示激活函数，Mj表示输入特征map数量；
b构建下采样层数学模型
其中P(·)表示池化函数，α表示乘性偏置，b表示加性偏置。
利用图像的局部相关性原理，对图像进行下采样。
c全连接层引入动量系数
利用t-1时刻的权值修正量Δw(t-1)对t时刻的权值修正量Δw(t)进行修正，其中η为学习率，α为动量因子(取值范围[0,1))，为全连接层输出的全部神经元的误差能量瞬时值的和相对于t时刻权值的偏导数；
③训练网络:对标准图像进行类别标记，将标准图像和对应的类别标记，放入网络进行特征学习和训练，然后得到最终的卷积核参数和权值参数等；
B在线识别过程：
①标准图像采集及预处理：
1)相机10采集钢模4内隧道预制管片图像；
2)经过图像预处理模块滤除背景噪声；
3)将采集的图像归一化为96*96的标准图像；
②将测试图像导入已经训练好的卷积神经网络中，进行特征提取和分类识别。
C二次确认过程：RFID固定式读写器7读取RFID标签5信息，再次确认隧道预制管片形状。
通过相机13采集预制管片钢筋笼的钢筋粗细及预埋件信息、相机10采集隧道预制管片的形状信息，最终分类并统计出钢模4所生产的隧道预制管片的准确信息，包括埋深类型、预埋件、形状类型，计算机将隧道预制管片的准确信息进行统计存储、显示。
实施例四：
本实施例与实施例一基本相同，特征之处如下：
当不同高度的钢模4经过第一门形框架2和第二门形框架6时，第一门形框架2顶端的相机减震设备14可以实现相机13的上下运动，进而可以调节相机的焦距，使相机13能够采集到钢模4槽内钢筋梁的全部图像；第二门形框架6顶端的相机减震设备11可以实现相机10的上下运动，进而可以调节相机的焦距，使相机10能够采集到钢模4槽内隧道管片的全部图像；
实施例五：
本实施例与实施例一基本相同，特征之处如下：
当钢模经4过管片埋深类型及预埋件检测处2和第二门形框架6时，采集的到的图像提取不到特征，表示钢模4目前在空载状态，并记录钢模4空载次数。
上述实施例结合附图对本发明实施例进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明目的做出多种实施方案，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合、简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明应用于隧道预制管片生产线的预制管片质量检测统计系统的技术原理和发明构思，都属于本发明的保护范围。
Claims (6)
1.一种隧道预制管片生产线的预制管片质量检测统计系统，包括轨道(1)、预制管片埋深类型及预埋件检测统计装置和预制管片形状检测统计装置，所述预制管片埋深类型及预埋件检测装置包括第一门形框架(2)、光电开关(3)、LED补充光源(12)、相机(13)和相机减震设备(14)；所述预制管片形状检测装置包括：RFID标签(5)、第二门形框架(6)、RFID固定式读写器(7)、光电开关(8)、LED补充光源(9)、相机(10)、相机减震设备(11)，其特征在于：所述第一门形框架(2)和第二门形框架(6)分别安装在轨道(1)的前后区段上，光电开关(3)安装于第一门形框架(2)的内侧壁前端，相机减震设备(14)安装于第一门形框架(2)的顶部中间位置，相机(13)安装于相机减震设备(14)下部，LED补充光源(12)安装于第一门形框架(2)四个顶角处；光电开关(8)安装于第二门形框架(6)内侧壁前端，相机减震设备(11)安装于第二门形框架(6)顶部中间位置，相机(10)安装于相机减震设备(11)下部，LED补充光源(9)安装于第二门形框架(6)的四个顶角处，RFID固定式读写器(7)安装于第二门形框架(6)内侧壁。
2.根据权利要求1所述的一种隧道预制管片生产线的预制管片质量检测统计系统，其特征在于：所述光电开关(3)安置位置保证当钢模(4)运行到第一门形框架(2)时，触发光电开关(3)动作，安装于第一门形框架(2)顶部的相机(13)检测到光电开关(3)动作信号，启动一次图像采集；所述相机减震设备(14)用来减轻车间震动对相机(13)带来的安全影响，并且具有上下运动的功能，用于调节相机(13)的视野范围；所述LED补充光源(12)为相机(13)的拍摄提供充足光源；所述光电开关(8)安置位置保证当钢模(4)运行到第二门形框架(6)时，触发光电开关(8)动作，安放在预制管片形状检测装置(6)顶部的相机(10)检测到光电开关(8)动作信号，启动一次图像采集；同时RFID固定式读写器(7)读取贴在钢模(4)上的RFID标签(5)信息；所述相机减震设备(11)用来减轻车间震动对相机(10)带来的安全影响，并且具有上下运动的功能，用于调节相机(10)的视野范围；所述LED补充光源为相机(10)的拍摄提供充足光源。
3.一种隧道预制管片生产线的预制管片质量检测统计系统，其特征在于：还包括钢模(4)，所述钢模(4)外侧贴有RFID标签(5)，RFID标签(5)存储钢模(4)所生产的隧道预制管片形状信息，钢模(4)上下料地点设置在第一门形框架(2)和第二门形框架(6)的中间位置；当钢模(4)运载尚未浇筑混凝土的钢筋笼，经过第一门形框架(2)时，进行隧道预制管片钢筋笼的钢筋粗细的检测，确定预制管片的埋深类型；当钢模(4)浇筑混凝土成型后，经过第二门形框架(6)时，进行RFID标签(5)信息的读取和钢模(4)形状的检测分类；检测完钢模形状后，在第一门形框架(2)和第二门形框架(6)的中间位置进行卸料、上料。
4.一种隧道预制管片生产线的预制管片质量检测统计方法，采用根据权利要求1所述的一种隧道预制管片生产线的预制管片质量检测统计系统进行操作，其特征在于采用深度学习算法对预制管片埋深类型及预埋件进行识别和分类，识别和分类过程分为离线学习过程和在线识别过程，操作步骤如下：
A离线学习过程：
①标准图像采集及预处理：
1)相机(13)采集钢模(4)内钢筋笼中的钢筋图像；
2)经过图像预处理模块滤除背景噪声；
3)将图像按长度方向进行5等分，取第3张归一化为128*128的标准图像；
②建立深度学习网络：建立一个具有7层结构的卷积神经网络模型，包括一个输入层、三个卷积层、三个下采样层；第一卷积层卷积核大小设置为9*9，第一下采样层池化矩阵大小为4*4；第二卷积层核窗口大小为5*5，第二下采样层池化矩阵大小为2*2；第三卷积层核窗口大小为4*4，第三下采样层池化矩阵大小为2*2，数学模型建立过程如下：
1)构建卷积层数学模型
其中表示第l卷积层输入，表示上一层与卷积层之间的核窗口，f(·)表示激活函数，Mj表示输入特征map数量；
2)构建下采样层数学模型
其中P(·)表示池化函数，α表示乘性偏置，b表示加性偏置；
利用图像的局部相关性原理，对图像进行下采样；
3)全连接层引入动量因子
利用t-1时刻的权值修正量Δw(t-1)对t时刻的权值修正量Δw(t)进行修正，其中η为学习率，α为动量因子(取值范围[0,1))，为全连接层输出的全部神经元的误差能量瞬时值的和相对于t时刻权值的偏导数；
③训练网络:对标准图像进行类别标记，将标准图像和对应的类别标记，放入网络进行特征学习和训练，然后得到最终的卷积核参数和权值参数等；
B在线识别过程：
①标准图像采集及预处理：
1)相机(13)采集钢模(4)内钢筋笼中的钢筋图像；
2)经过图像预处理模块滤除背景噪声信息；
3)将图像按长度方向进行5等分，取第3张归一化为128*128的测试图像；
②将测试图像导入已经训练好的卷积神经网络中，进行特征提取和分类识别。
5.根据权利要求4所述的一种隧道预制管片生产线的预制管片质量检测统计方法，其特征在于采用深度学习算法对预制管片形状进行检测，检测过程分为A离线学习过程、B在线识别过程和C二次确认过程，步骤如下：
A离线学习过程：
①标准图像采集及预处理：
1)相机(10)采集钢模(4)内隧道预制管片图像；
2)经过图像预处理模块滤除背景噪声；
3)将采集的图像归一化为96*96的标准图像；
②建立深度学习网络：建立一个具有5层结构的卷积神经网络模型，包括一个输入层、两个卷积层、两个下采样层；第一卷积层卷积核大小设置为5*5，第一下采样层池化矩阵大小为4*4，第二卷积层核窗口大小为4*4，第二下采样层为池化矩阵大小为2*2，数学模型建立过程如下：
1)构建卷积层数学模型
其中表示第l卷积层输入，表示上一层与卷积层之间的核窗口，f(·)表示激活函数，Mj表示输入特征map数量；
2)构建下采样层数学模型
其中P(·)表示池化函数，α表示乘性偏置，b表示加性偏置；
利用图像的局部相关性原理，对图像进行下采样；
3)全连接层引入动量因子
利用t-1时刻的权值修正量Δw(t-1)对t时刻的权值修正量Δw(t)进行修正，其中η为学习率，α为动量因子(取值范围[0,1))，为全连接层输出的全部神经元的误差能量瞬时值的和相对于t时刻权值的偏导数；
③训练网络:对标准图像进行类别标记，将标准图像和对应的类别标记，放入网络进行特征学习和训练，然后得到最终的卷积核参数和权值参数等；
B在线识别过程：
①标准图像采集及预处理：
1)相机(10)采集钢模(4)内隧道预制管片图像；
2)经过图像预处理模块滤除背景噪声；
3)将采集的图像归一化为96*96的标准图像；
②将测试图像导入已经训练好的卷积神经网络中，进行特征提取和分类识别；
C二次确认过程：RFID固定式读写器(7)读取RFID标签(5)信息，再次确认隧道预制管片形状。
6.根据权利要求5所述的一种隧道预制管片生产线的预制管片质量检测统计方法，其特征在于通过相机(13)对预制管片埋深类型及预埋件进行识别、相机(10)对预制管片形状进行识别，最终分类并统计出钢模(4)所生产的隧道预制管片准确信息，包括预制管片埋深类型及预埋件、预制管片形状类型，计算机将统计出的隧道预制管片生产信息进行存储、显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610141708.8A CN105809219B (zh) | 2016-03-14 | 2016-03-14 | 一种隧道预制管片生产线的预制管片质量检测统计系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610141708.8A CN105809219B (zh) | 2016-03-14 | 2016-03-14 | 一种隧道预制管片生产线的预制管片质量检测统计系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105809219A CN105809219A (zh) | 2016-07-27 |
| CN105809219B true CN105809219B (zh) | 2018-12-07 |
Family
ID=56468227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610141708.8A Expired - Fee Related CN105809219B (zh) | 2016-03-14 | 2016-03-14 | 一种隧道预制管片生产线的预制管片质量检测统计系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105809219B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016396B (zh) * | 2017-04-11 | 2020-06-02 | 广州市华颉电子科技有限公司 | 一种装配连接件图像特征深度学习与识别方法 |
| CN108759727B (zh) * | 2018-05-09 | 2020-06-26 | 上海大学 | 一种预制管片表面麻面、粘皮检测装置和方法 |
| CN110146035B (zh) * | 2019-04-12 | 2020-12-25 | 中民筑友科技投资有限公司 | 构件生产线的预埋件检测方法、装置、设备及系统 |
| CN113340196A (zh) * | 2021-05-31 | 2021-09-03 | 山东电工电气集团有限公司 | 一种基于图像识别的电力角钢智能检测系统及方法 |
| CN113450357B (zh) * | 2021-09-01 | 2021-12-17 | 南昌市建筑科学研究所（南昌市建筑工程质量检测中心） | 管片图像在线分析子系统及地铁盾构检测系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101387494A (zh) * | 2008-10-06 | 2009-03-18 | 天津大学 | 大型隧道管片构件几何量测量装置和方法 |
| CN101988907A (zh) * | 2010-09-16 | 2011-03-23 | 无锡动视科技有限公司 | 一种卷材表面检测用的图像处理系统 |
| CN103090804A (zh) * | 2013-01-15 | 2013-05-08 | 中国计量学院 | 成品磁环图像自动检测系统及检测方法 |
-
2016
- 2016-03-14 CN CN201610141708.8A patent/CN105809219B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101387494A (zh) * | 2008-10-06 | 2009-03-18 | 天津大学 | 大型隧道管片构件几何量测量装置和方法 |
| CN101988907A (zh) * | 2010-09-16 | 2011-03-23 | 无锡动视科技有限公司 | 一种卷材表面检测用的图像处理系统 |
| CN103090804A (zh) * | 2013-01-15 | 2013-05-08 | 中国计量学院 | 成品磁环图像自动检测系统及检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《A framework for dimensional and surface quality assessment of precast concrete elements using BIM and 3D laser scanning》;Min-Koo Kim 等;《Automation in Construction》;20151231;第225-238页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105809219A (zh) | 2016-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809219B (zh) | 一种隧道预制管片生产线的预制管片质量检测统计系统和方法 | |
| Yanan et al. | Rail surface defect detection method based on YOLOv3 deep learning networks | |
| CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
| US20220084186A1 (en) | Automated inspection system and associated method for assessing the condition of shipping containers | |
| CN110473178A (zh) | 一种基于多光源融合的外观缺陷检测方法及系统 | |
| CN102854191B (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
| CN102332089B (zh) | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 | |
| CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
| CN107782733A (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
| CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
| KR102017870B1 (ko) | 실시간 선로 결함 검측 시스템 | |
| CN108846331B (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
| CN107392197A (zh) | 一种机车车号识别及机车部件故障检测方法及系统 | |
| CN111862029A (zh) | 一种铁路动车组垂向减震器螺栓部件故障检测方法 | |
| CN106128022A (zh) | 一种智慧金睛识别暴力动作报警方法和装置 | |
| CN105260744A (zh) | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 | |
| CN112465706A (zh) | 一种闸口集装箱自动验残方法 | |
| CN106981150A (zh) | 一种超市智能防盗系统及方法 | |
| CN107103300A (zh) | 一种离岗检测方法及系统 | |
| CN113298059A (zh) | 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质 | |
| CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
| CN115035328A (zh) | 转炉图像增量自动机器学习系统及其建立训练方法 | |
| CN117892173A (zh) | 一种基于多模态矿石异物智能识别方法 | |
| CN117789403A (zh) | 行车作业危险区域人员入侵实时检测方法及系统 | |
| CN116188449A (zh) | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181207 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |