CN109949289A - 一种基于人工智能的混凝土表面缺陷图像识别系统及方法 - Google Patents
一种基于人工智能的混凝土表面缺陷图像识别系统及方法 Download PDFInfo
- Publication number
- CN109949289A CN109949289A CN201910201558.9A CN201910201558A CN109949289A CN 109949289 A CN109949289 A CN 109949289A CN 201910201558 A CN201910201558 A CN 201910201558A CN 109949289 A CN109949289 A CN 109949289A
- Authority
- CN
- China
- Prior art keywords
- image
- concrete surface
- surface defect
- picture
- artificial intelligence
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 92
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 239000004615 ingredient Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 235000015170 shellfish Nutrition 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000011156 evaluation Methods 0.000 abstract description 11
- 241000288113 Gallirallus australis Species 0.000 description 8
- 238000007726 management method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007788 roughening Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 230000007774 longterm 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明属于建筑行业技术领域,公开了一种基于人工智能的混凝土表面缺陷图像识别系统及方法;基于人工智能的混凝土表面缺陷图像识别系统包括:智慧工地管控平台、图像获取装置、混凝土表面缺陷图像识别、打印机、喇叭。其中,图像获取装置包括:摄像装置和图像接收装置、图像数据缓存(SDRAM)、DSP芯片、收/发模块、显示终端。智慧工地管控平台下的基于人工智能混凝土表面缺陷识别,对检测、评价人员的专业水平要求不高,成本作业不高;图像识别得到的大量数据能够得到有效的利用和保护,建立模型图像数据库;人为因素可以忽略不计,可在任何工地现场连续不间断识别混凝土缺陷,识别准确度较高且系统维护保养简单,维护费用低。
Description
技术领域
本发明属于建筑行业技术领域,尤其涉及一种基于人工智能的混凝土表面缺陷图像识别系统及方法。
背景技术
目前,业内常用的现有技术是这样的:
传统意义的混凝土表面缺陷识别,主要依靠工程人员的肉眼识别,并且对工程人员要求较高。虽然人工识别混凝土表面缺陷能够达到比较高准确度,但需要基本的专业水平和长时间的工作经验,所需的工作成本较高,才能够准确的识别。在人工识别混凝土表面缺陷的过程中,工程人员不能连续长时间的对混凝土表面缺陷并且随着时间的推进工程人员的准确度也会进一步下降。
而智慧工地管控平台下的基于人工智能混凝土表面缺陷识别,对比人工识别来说。首先,对检测、评价人员的专业水平要求不高,成本作业不高;其次图像识别得到的大量数据能够得到有效的利用和保护,建立模型图像数据库;最后人为因素可以忽略不计,可在任何工地现场连续不间断识别混凝土缺陷,识别准确度较高且系统维护保养简单,维护费用低。
综上所述,现有技术存在的问题是:
(1)对检测、评价人员的专业水平要求高,成本作业高;
(2)工程人员连续长时间的对混凝土表面缺陷,随着时间的推进工程人员的准确度会下降。
解决现有技术问题还是存在一定的难度:
(1)不可否认,人工智能在识别混凝土表面缺陷方面不失为安全有效的方法。但是传统的人工识别历史悠久,很多检测、评价人员的专业性值得信赖。虽然人工智能识别变得越来越复杂,但这始终需要人工驱动。实际上,人工智能通常是从最初的手工工作中转换过来的,将会受到很多业外人士的不认可。
(2)虽然传统的人工识别成本较高,但是人工智能软件也需花钱支付,而且由于脚本编写和重写以及设置和处理时间,导致维护和管理成本会更高。对于长期项目或大型产品来说,高成本的付出是值得的。但对于短平快的小项目来说,实施人工智能识别是对时间和金钱的巨大浪费。在计算人工智能采购的潜在投资回报率时,还必须考虑增加工时的因素。
(3)检测、评价人员在漫长的工作过程中积累了丰富的经验,谁也不想浪费这些经验和知识。因为检测、评价人员通常像一个用户,他们能提供的价值远远超过了产品当前性能的所及。检测、评价人员还可以在交付和反馈中引导识别方式朝新的方向改进。
虽然解决现有技术问题存在一定的难度,但是人工智能是大势所趋,很多现实意义促使我们迎难而上:
(1)从生产效率的角度来说,由于检测、评价人员在长时间工作下容易疲惫,人工视觉质量效率低下且精度不高,而人工智能可以大大提高生产效率和自动化程度。
(2)从成本控制的角度来说,培训一个合格的检测、评价人员需要花费大量的人力物力,然而单纯的培训还远远不够,后续还需要花费大量的时间,使检测、评价人员的水平在实践中得到提升。而人工智能识别设备只要调试和操作得当,可以在很长一段时间内不间断使用,同时确保生产效果。
(3)在某些特殊工业环境中实施混凝土表面缺陷识别,传统的人工识别可能会对检测、评价人员的人身安全造成威胁,而人工智能识别设备从某种程度上有效地规避了这些风险。
发明内容
针对现有技术存在的问题,本发明提供了一种基于人工智能的混凝土表面缺陷图像识别系统及方法。
本发明是这样实现的,一种基于人工智能的混凝土表面缺陷图像识别系统,所述基于人工智能的混凝土表面缺陷图像识别系统包括:智慧工地管控平台、图像获取装置、混凝土表面缺陷图像识别、打印机、喇叭;
其中智慧工地管控平台可以看做是整个系统的大脑,是整个平台的数据库。主要将图像获取装置得到的图片进行识别,将识别图片的结果打印,若识别的图片出现问题,将会通过喇叭对混凝土缺陷的地位进行报警。
混凝土表面缺陷识别,主要是将图片数据格式转换成为数据格式,在找出每个图片所含有的特征值。将大量图片的数据的特征值建立数据库,在图像识别的过程中可以快速的将特征值与数据库进行匹配,然后得到识别结果。
图像获取装置包括:摄像装置、图像接收装置、图像数据缓存、DSP芯片、收/发模块、显示终端;
连接关系:图像获取装置→混凝土表面缺陷图像识别→智慧工地管控平台→打印机→喇叭。
本发明的另一目的在于提供一种运行所述基于人工智能的混凝土表面缺陷图像识别系统的基于人工智能的混凝土表面缺陷图像识别方法,所述基于人工智能的混凝土表面缺陷图像识别方法包括:
远程采集系统采用无线接入GPRS网络技术,为数据中心提供数据传输通信通道;
传输模块具有可靠的网络连接,智能防掉线,支持在线检测,在线维护,为数据中心提供准确、实时的图像数据;
接收智慧工地管控平台的指令,控制摄像装置采集的混凝土表面图像,完成图像识别并将图像识别结果通过无线网络送到智慧工地管控平台;
混凝土表面缺陷识别,在图片实际识别应用中,由于图片包含大量的信息,直接使用原始的图片像素信息进行识别的运算量非常巨大。但是完全可以从图片中提取一些特征来表现图片内容。基于LIRE全文检索技术来实现图片的识别。在LIRE中,特征是以直方图形式来表现图片的,即LIRE索引文件保存了直方图特征,同时还保存了图片名称、路径等有关图片的信息。在实现图片检索时先要读取本地创建的索引文件,进行搜索匹配,然后再去特征库中查找最相似的特征进行匹配,最后映射最相似的图片。其中将会用到贝叶斯网络算法对图片进行识别。朴素贝叶斯网络是一种概率网络,是基于概率推理的图形化网络,而贝叶斯公式则是这个概率网络的基础。贝叶斯网络又称为信度网络,是贝叶斯方法的扩展,是目前不确定只是表达和推理领域最有效的理论模型之一。贝叶斯定理可以表示为:
其中,X为隐藏的节点;y为所观察到的数据。按标准的做法,用大写字母表示随机变量,用小写字母表示随机变量的取值。
P(X|y):y发生的情况下X发生的概率,可以理解为在测试得到某种信号(参数)B的时候,存在缺陷A的概率,为后验概率。
P(y|X):X发生的情况下y发生的概率,可以理解为存在缺陷X的时候,测试得到某种信号(参数)y的概率,为后验概率。
P(X):X发生的概率,可以理解为存在缺陷X的概率,为先验概率。
P(y):y发生的概率,可以理解为测试得到某种信号(参数)y的概率。
如果用语言来表示,这个公式会变为:
在实际检测时,采用多种参数及条件(称为成分xi)来推定事件的是否发生;将状态用{ω}表示,如{发生,疑似发生,未发生},因此,就变成根据得到的xi,识别其属于{ω}中的哪一个(亦即下标j);如果假设各成分xi相互之间互不影响,则识别结果CNB为:
智慧工地管控平台,产生和维护图像识别的数据库、管理识别进程、打印识别结果与识别置信度报表并兼做整个系统网络的服务器,协调整个系统的运行,提供远程查询并且对出现混凝土缺陷的地位进行报警。
进一步,所述基于人工智能的混凝土表面缺陷图像识别方法在对图片进行识别的过程中将会使用三种效果较好的分类器:朴素贝叶斯分类器、神经元网络分类器,简单线性回归分类器对图片进行识别与分类。
进一步,所述基于人工智能的混凝土表面缺陷图像识别方法通过采集不同的混凝土缺陷图片作为样本训练集,然后将需要识别的图像上传到图像数据库,通过weka软件对图像的特征值进行匹配,最后通过匹配结果进行分类与识别。
进一步,所述基于人工智能的混凝土表面缺陷图像识别方法进一步包括:
第一步,形成arff文件,主要内容包括图片名称及分类;
第二步,image filter package提取图像特征成新的数值型arff文件;
第三步,训练样本测试分类;
第四步,读入其它测试样本完成混凝土缺陷的自动识别机分类。
本发明的另一目的在于提供一种应用所述基于人工智能的混凝土表面缺陷图像识别方法的智慧工地管控系统。
综上所述,本发明的优点及积极效果为:
(1)技术先进,稳定可靠,混凝土缺陷图像识别精度高,避免了人为误操作等可能造成的设备损坏,增强了系统运行的安全性,可以保证系统稳定可靠地运行。
(2)实现混凝土缺陷远程监控与识别。基于人工智能混凝土缺陷图像识别系统中,通过网络传输,可以实现对工地混凝土缺陷的远程监控。
(3)开放性。该系统通过无限网络传输,能够将各种各样的混凝土图像进行收集,建立数据库,可以随时查看并且补充数据库。
(4)自动缺陷报警。本发明具有自动报警功能,在图像数据识别中,如遇到混凝土缺陷图像,通过图像识别确认后,符合缺陷报警条件,喇叭将会对缺陷地址进行循环播报。
(5)成本较低。本发明对比人工识别来说,作业成本较低,工程人员专业需求较低,能够满足绝大多数工地需求。
技术效果与现有技术的对比:
附图说明
图1是本发明实施例提供的基于人工智能的混凝土表面缺陷图像识别系统的结构示意图。
图2是本发明实施例提供的LIRE检索图片流程图。
图3是本发明实施例提供的Weka软件实现具体特征提取流程图。
图4是本发明实施例提供的Weka图片识别方法流程图。
图5是本发明实施例提供的混凝土裂纹缺陷样本图片。
图6是本发明实施例提供的混凝土毛面缺陷样本图片。
图7是本发明实施例提供的混凝土孔洞缺陷样本图片。
图8是本发明实施例提供的image filter package提取图像特征成新的数值型arff文件软件界面图。
图9是本发明实施例提供的训练样本识别图片软件界面图。
图10是本发明实施例提供的朴素贝叶斯散点图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细描述。
如图1所示,本发明实施例提供的基于人工智能的混凝土表面缺陷图像识别系统包括:智慧工地管控平台、图像获取装置、混凝土表面缺陷图像识别、打印机、喇叭。
所述图像获取装置包括:摄像装置、图像接收装置、图像数据缓存(SDRAM)、DSP芯片、收/发模块、显示终端。
本发明实施例提供的基于人工智能的混凝土表面缺陷图像识别方法包括:
混凝土表面缺陷识别连接有图像获取装置;图像获取装置包括:摄像装置和图像接收装置、图像数据缓存(SDRAM)、DSP芯片、收/发模块、显示终端。远程采集系统采用无线接入GPRS网络技术,为数据中心提供数据传输通信通道。传输模块具有可靠的网络连接,智能防掉线,支持在线检测,在线维护,为数据中心提供准确、实时的图像数据。接收智慧工地管控平台的指令,控制摄像装置采集的混凝土表面图像,完成图像识别并将图像识别结果通过无线网络送到智慧工地管控平台;智慧工地管控平台,产生和维护图像识别的数据库、管理识别进程、打印识别结果与识别置信度报表并兼做整个系统网络的服务器,协调整个系统的运行,提供远程查询并且对出现混凝土缺陷的地位进行报警。
进一步,基于人工智能混凝土表面缺陷图像识别主要借助Weka开源平台下的imagefilter图片识别器。Weka的全名是怀卡托智能分析环境(Waikato Environment forKnowledge Analysis),Weka作为一个公开的数据挖掘工作平台,集合了大量能承担数据挖掘任务的机器学习算法,包括对数据进行预处理,分类,回归、聚类、关联规则以及在新的交互式界面上的可视化。Weka下的imagefilter软件包就是基于LIRE全文检索技术来实现图片的检索。在LIRE中,特征是以直方图形式来表现图片的,即LIRE索引文件保存了直方图特征,同时还保存了图片名称、路径等有关图片的信息。在实现图片检索时先要读取本地创建的索引文件,进行搜索匹配,然后再去特征库中查找最相似的特征进行匹配,最后映射最相似的图片。LIRE检索图片过程如图2所示。
在图片识别实际检索应用中,由于图片包含大量的信息,直接使用原始的图片像素信息进行检索的运算量非常巨大。但是完全可以从图片中提取一些特征来表现图片内容。Weka开源平台下的imagefilter图片过滤器可以将图片训练集和测试集进行特征值提取,不同混凝土图像可以通过若干特征值进行表示,当混凝土表面出现不同的缺陷时,这些特征值会存在差异,这种差异可能表现在单个特征值上也可能表现为多个特征值的组合上,人工针对单个特征值的差异具备一定的分辨能力,但很多时候这一特征并不明显,人工判定就会比较困难。但是,机器学习就是专门解决这种问题,AI的智能特性就是体现在学习上,通过学习已有的图像数据,总结数据变化的规律从而具备分辨的能力。在对图片进行识别的过程中将会使用三种效果较好的分类器:朴素贝叶斯分类器、神经元网络分类器,简单线性回归分类器对图片进行识别与分类。Weka软件实现具体特征提取步骤如图3所示。
进一步,在本发明的具体实施例中,通过采集不同的混凝土缺陷图片作为样本训练集,然后将需要识别的图像上传到图像数据库,通过weka软件对图像的特征值进行匹配,最后通过匹配结果进行分类与识别。Weka图片识别方法步骤如图4所示。
S101:形成arff文件,主要内容包括图片名称及分类;
S102:image filter package提取图像特征成新的数值型arff文件;
S103:训练样本测试分类;
S104:读入其它测试样本完成混凝土缺陷的自动识别机分类。
混凝土表面缺陷识别,在图片实际识别应用中,由于图片包含大量的信息,直接使用原始的图片像素信息进行识别的运算量非常巨大。但是完全可以从图片中提取一些特征来表现图片内容。基于LIRE全文检索技术来实现图片的识别。在LIRE中,特征是以直方图形式来表现图片的,即LIRE索引文件保存了直方图特征,同时还保存了图片名称、路径等有关图片的信息。在实现图片检索时先要读取本地创建的索引文件,进行搜索匹配,然后再去特征库中查找最相似的特征进行匹配,最后映射最相似的图片。其中将会用到贝叶斯网络算法对图片进行识别。朴素贝叶斯网络是一种概率网络,是基于概率推理的图形化网络,而贝叶斯公式则是这个概率网络的基础。贝叶斯网络又称为信度网络,是贝叶斯方法的扩展,是目前不确定只是表达和推理领域最有效的理论模型之一。贝叶斯定理可以表示为:
其中,X为隐藏的节点;y为所观察到的数据。按标准的做法,用大写字母表示随机变量,用小写字母表示随机变量的取值。
P(X|y):y发生的情况下X发生的概率,可以理解为在测试得到某种信号(参数)B的时候,存在缺陷A的概率,为后验概率。
P(y|X):X发生的情况下y发生的概率,可以理解为存在缺陷X的时候,测试得到某种信号(参数)y的概率,为后验概率。
P(X):X发生的概率,可以理解为存在缺陷X的概率,为先验概率。
P(y):y发生的概率,可以理解为测试得到某种信号(参数)y的概率。
如果用语言来表示,这个公式会变为:
在实际检测时,采用多种参数及条件(称为成分xi)来推定事件的是否发生;将状态用{ω}表示,如{发生,疑似发生,未发生},因此,就变成根据得到的xi,识别其属于{ω}中的哪一个(亦即下标j);如果假设各成分xi相互之间互不影响,则识别结果CNB为:
下面结合具体实施例,对上述Weka图片识别方法进一步描述。
首先输入采集的不同混凝土缺陷图片作为样本训练集,形成arff文件。输入的混凝土裂纹缺陷样本图片、混凝土毛面缺陷样本图片、混凝土孔洞缺陷样本图片分别如图5、图6、图7所示。
其次,image filter package提取图像特征成新的数值型arff文件,如图8所示。
最后,训练样本识别图片,如图10所示。
表1:朴素贝叶斯网络详细精度
表2朴素贝叶斯网络节点错误率
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于人工智能的混凝土表面缺陷图像识别方法,其特征在于,所述基于人工智能的混凝土表面缺陷图像识别方法包括:
远程采集系统采用无线接入GPRS网络技术,为数据中心提供数据传输通信通道;
传输模块具有可靠的网络连接,智能防掉线,支持在线检测,在线维护,为数据中心提供准确、实时的图像数据;
接收智慧工地管控平台的指令,控制摄像装置采集的混凝土表面图像,完成图像识别并将图像识别结果通过无线网络送到智慧工地管控平台;
智慧工地管控平台,产生和维护图像识别的数据库、管理识别进程、打印识别结果与识别置信度报表并兼做整个系统网络的服务器,协调整个系统的运行,提供远程查询并且对出现混凝土缺陷的地位进行报警。
2.如权利要求1所述的基于人工智能的混凝土表面缺陷图像识别方法,其特征在于,所述基于人工智能的混凝土表面缺陷图像识别方法在对图片进行识别的过程中将会使用三种效果较好的分类器:朴素贝叶斯分类器、神经元网络分类器,简单线性回归分类器对图片进行识别与分类。
3.如权利要求1所述的基于人工智能的混凝土表面缺陷图像识别方法,其特征在于,所述基于人工智能的混凝土表面缺陷图像识别方法通过采集不同的混凝土缺陷图片作为样本训练集,然后将需要识别的图像上传到图像数据库,通过weka软件对图像的特征值进行匹配,最后通过匹配结果进行分类与识别。
4.如权利要求1所述的基于人工智能的混凝土表面缺陷图像识别方法,其特征在于,所述基于人工智能的混凝土表面缺陷图像识别方法进一步包括:
第一步,形成arff文件,主要内容包括图片名称及分类;
第二步,image filter package提取图像特征成新的数值型arff文件;
第三步,训练样本测试分类;
第四步,读入其它测试样本完成混凝土缺陷的自动识别机分类。
5.如权利要求1所述的基于人工智能的混凝土表面缺陷图像识别方法,其特征在于,所述基于人工智能的混凝土表面缺陷图像识别方法的混凝土表面缺陷识别,在图片实际识别应用中,由于图片包含大量的信息,使用原始的图片像素信息进行识别的运算量;从图片中提取特征表现图片内容;基于LIRE全文检索技术实现图片的识别;在LIRE中,特征是以直方图形式来表现图片的,即LIRE索引文件保存了直方图特征,同时还保存了图片名称、路径有关图片的信息;在实现图片检索时先要读取本地创建的索引文件,进行搜索匹配,然后再去特征库中查找最相似的特征进行匹配,最后映射最相似的图片;其中将会用到贝叶斯网络算法对图片进行识别;朴素贝叶斯网络是一种概率网络,是基于概率推理的图形化网络,贝叶斯公式则是这个概率网络的基础;贝叶斯网络又称为信度网络,是贝叶斯方法的扩展,是目前不确定只是表达和推理领域最有效的理论模型之一;贝叶斯定理表示为:
其中,X为隐藏的节点;y为所观察到的数据;按标准的做法,用大写字母表示随机变量,用小写字母表示随机变量的取值;
P(X|y):y发生的情况下X发生的概率,为在测试得到某种信号B的时候,存在缺陷A的概率,为后验概率;
P(y|X):X发生的情况下y发生的概率,存在缺陷X的时候,测试得到某种信号y的概率,为后验概率;
P(X):X发生的概率,为存在缺陷X的概率,为先验概率;
P(y):y发生的概率,为测试得到某种信号y的概率;
如果用语言来表示,公式变为:
在实际检测时,采用多种参数及条件(称为成分xi)来推定事件的是否发生;将状态用{ω}表示,如{发生,疑似发生,未发生},因此,就变成根据得到的xi,识别其属于{ω}中的哪一个(亦即下标j);如果假设各成分xi相互之间互不影响,则识别结果CNB为:
6.一种执行权利要求1所述基于人工智能的混凝土表面缺陷图像识别方法的基于人工智能的混凝土表面缺陷图像识别系统,其特征在于,所述基于人工智能的混凝土表面缺陷图像识别系统包括:智慧工地管控平台、图像获取装置、混凝土表面缺陷图像识别、打印机、喇叭;图像获取装置与混凝土表面缺陷图像识别连接,混凝土表面缺陷图像识别于智慧工地管控平台连接,智慧工地管控平台与打印机连接,打印机于喇叭连接;
智慧工地管控平台,将图像获取装置得到的图片进行识别,将识别图片的结果打印,若识别的图片出现问题,将会通过喇叭对混凝土缺陷的地位进行报警;
混凝土表面缺陷识别,将图片数据格式转换成为数据格式,在找出每个图片所含有的特征值;将大量图片的数据的特征值建立数据库,在图像识别的过程中快速的将特征值与数据库进行匹配,然后得到识别结果;
图像获取装置包括:摄像装置、图像接收装置、图像数据缓存、DSP芯片、收/发模块、显示终端。
7.一种应用权利要求1~4任意一项所述基于人工智能的混凝土表面缺陷图像识别方法的智慧工地管控系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910201558.9A CN109949289A (zh) | 2019-03-18 | 2019-03-18 | 一种基于人工智能的混凝土表面缺陷图像识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910201558.9A CN109949289A (zh) | 2019-03-18 | 2019-03-18 | 一种基于人工智能的混凝土表面缺陷图像识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109949289A true CN109949289A (zh) | 2019-06-28 |
Family
ID=67008377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910201558.9A Pending CN109949289A (zh) | 2019-03-18 | 2019-03-18 | 一种基于人工智能的混凝土表面缺陷图像识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949289A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569917A (zh) * | 2019-09-16 | 2019-12-13 | 四川升拓检测技术股份有限公司 | 基于深度学习图像识别的套筒灌浆密实度判别方法 |
CN110827264A (zh) * | 2019-11-06 | 2020-02-21 | 四川济通工程试验检测有限公司 | 一种混凝土构件表观缺陷的评价系统 |
CN111340772A (zh) * | 2020-02-24 | 2020-06-26 | 湖北工业大学 | 一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法 |
CN115351883A (zh) * | 2022-08-23 | 2022-11-18 | 中建西部建设西南有限公司 | 一种用于评价混凝土表观质量的模具及评价方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003216953A (ja) * | 2002-01-22 | 2003-07-31 | Kitakyushu Foundation For The Advancement Of Industry Science & Technology | 画像から対象物を抽出する方法およびその装置 |
US20120111235A1 (en) * | 2009-07-23 | 2012-05-10 | Samju Smc Co., Ltd. | Jute fiber-reinforced composition for concrete repair |
CN203113804U (zh) * | 2013-02-28 | 2013-08-07 | 中国水电顾问集团成都勘测设计研究院 | 混凝土振捣机 |
CN204965161U (zh) * | 2015-09-22 | 2016-01-13 | 杭州冷倍冠科技有限公司 | 一种混凝土浇筑控制系统 |
CN105677615A (zh) * | 2016-01-04 | 2016-06-15 | 北京邮电大学 | 一种基于weka接口的分布式机器学习方法 |
CN207148640U (zh) * | 2017-09-22 | 2018-03-27 | 王梓霄 | 一种用于建筑工地的智能控制系统 |
CN108898360A (zh) * | 2018-06-22 | 2018-11-27 | 中国能源建设集团安徽电力建设第工程有限公司 | 一种电力工程智慧工地综合管控信息系统 |
CN109117827A (zh) * | 2018-09-05 | 2019-01-01 | 武汉市蓝领英才科技有限公司 | 基于视频的工服工帽穿戴状态自动识别方法与报警系统 |
-
2019
- 2019-03-18 CN CN201910201558.9A patent/CN109949289A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003216953A (ja) * | 2002-01-22 | 2003-07-31 | Kitakyushu Foundation For The Advancement Of Industry Science & Technology | 画像から対象物を抽出する方法およびその装置 |
US20120111235A1 (en) * | 2009-07-23 | 2012-05-10 | Samju Smc Co., Ltd. | Jute fiber-reinforced composition for concrete repair |
CN203113804U (zh) * | 2013-02-28 | 2013-08-07 | 中国水电顾问集团成都勘测设计研究院 | 混凝土振捣机 |
CN204965161U (zh) * | 2015-09-22 | 2016-01-13 | 杭州冷倍冠科技有限公司 | 一种混凝土浇筑控制系统 |
CN105677615A (zh) * | 2016-01-04 | 2016-06-15 | 北京邮电大学 | 一种基于weka接口的分布式机器学习方法 |
CN207148640U (zh) * | 2017-09-22 | 2018-03-27 | 王梓霄 | 一种用于建筑工地的智能控制系统 |
CN108898360A (zh) * | 2018-06-22 | 2018-11-27 | 中国能源建设集团安徽电力建设第工程有限公司 | 一种电力工程智慧工地综合管控信息系统 |
CN109117827A (zh) * | 2018-09-05 | 2019-01-01 | 武汉市蓝领英才科技有限公司 | 基于视频的工服工帽穿戴状态自动识别方法与报警系统 |
Non-Patent Citations (2)
Title |
---|
周湘君: "基于图像识别的混凝土表观质量的评定方法初探", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2, 15 June 2005 (2005-06-15) * |
王玉龙: "智慧工地技术新理念", 《建筑工人》, vol. 40, no. 3, 15 March 2019 (2019-03-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569917A (zh) * | 2019-09-16 | 2019-12-13 | 四川升拓检测技术股份有限公司 | 基于深度学习图像识别的套筒灌浆密实度判别方法 |
CN110827264A (zh) * | 2019-11-06 | 2020-02-21 | 四川济通工程试验检测有限公司 | 一种混凝土构件表观缺陷的评价系统 |
CN111340772A (zh) * | 2020-02-24 | 2020-06-26 | 湖北工业大学 | 一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法 |
CN115351883A (zh) * | 2022-08-23 | 2022-11-18 | 中建西部建设西南有限公司 | 一种用于评价混凝土表观质量的模具及评价方法 |
CN115351883B (zh) * | 2022-08-23 | 2024-03-08 | 中建西部建设西南有限公司 | 一种用于评价混凝土表观质量的模具及评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949289A (zh) | 一种基于人工智能的混凝土表面缺陷图像识别系统及方法 | |
CN109242439B (zh) | 基于变电站设备相关联数据的特征提取识别方法 | |
CN104392338B (zh) | 建筑防火审核验收系统、方法、审核终端及移动验收终端 | |
CN109583324A (zh) | 一种基于单点多盒检测器的指针仪表读数自动识别方法 | |
CN106356757A (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN106844614A (zh) | 一种户型图功能区域快速识别系统 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN111709361A (zh) | 一种输电线路无人机巡检数据处理方法 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN106852177A (zh) | 基于一致性测量值的用于数据对象的基于模式识别的监测和受控处理的系统和方法 | |
CN105005852A (zh) | 一种基于图像分析的宿舍环境智能监测系统 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN110377659A (zh) | 一种智能图表推荐系统及方法 | |
CN112839200A (zh) | 基于5g技术的电厂违章行为识别方法、系统和网络服务端 | |
CN110138613A (zh) | 一种网络测试模板构建方法、电力网络测试方法及相关装置 | |
CN110008828A (zh) | 基于差异正则化的成对约束成分分析度量优化方法 | |
CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
CN115686280A (zh) | 深度学习模型管理系统、方法、计算机设备及存储介质 | |
CN113128393A (zh) | 一种检测大型机械吊臂下是否有人的方法和系统 | |
CN109902209B (zh) | 一种基于空间智能的特种承压设备用户三维可视化方法 | |
CN109993071B (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
CN116665305A (zh) | 基于计算机视觉和知识图谱的工人行为检测方法和系统 | |
CN107612144B (zh) | 变电站设备重要性检测系统和方法 | |
CN115664006A (zh) | 一种增量配电网智能管控一体化平台 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |