CN110006896B - 一种混凝土性能的虚拟检测仪及检测方法 - Google Patents

Abstract

本发明公开了一种混凝土性能的虚拟检测仪及检测方法，属于混凝土检测领域。本发明由拍照单元、数据输入单元、计算单元以及结果输出单元组成，通过预置混凝土性能预测模型，将拍照单元中获取的待测混凝土试块的原始图像及配合比数据代入该混凝土性能预测模型中，即可得到对应的混凝土性能预测值，包括混凝土抗压强度实验后的破坏图像、混凝土抗压强度及坍落度，以获得混凝土强度和流动性指标，解决了现有技术中混凝土强度及坍落度检测需要繁琐、耗时、耗力的人工实验的问题，且整个检测过程简单，容易实现，结构简洁、小型化。通过本发明的虚拟检测仪及检测方法对混凝土进行虚拟检测，可以有效降低成本，绿色环保。

Description

一种混凝土性能的虚拟检测仪及检测方法

技术领域

本发明属于混凝土检测领域，更具体地，涉及一种混凝土性能的虚拟检测仪及检测方法，能用于常规混合混凝土以及3D打印混凝土的检测。

背景技术

混凝土是现代最广泛使用和经济的建筑材料，它已成为现代社会使用量巨大的一种建筑工程材料，为人类社会的发展和进步做出了不可替代的贡献。然而，随着工程建设的不断加速，混凝土的生产和应用中存在的高能耗、高污染的缺陷逐渐显现，这严重阻碍了混凝土的发展。为适应绿色制造业的发展需求，混凝土需要不断注入新鲜血液。

混凝土的抗压强度和流动性是衡量混凝土质量的重要指标。传统的混凝土抗压强度的检测方法是对尺寸为150mm×150mm×150mm的混凝土标准试块进行抗压试验，得到混凝土的抗压强度。该方法检测过程仪器设备庞大，检测精度受检测过程中的加载速率和人员操作等各种因素影响，试验检测人员需要进行频繁高强度的工作，且建筑垃圾多，不环保。而传统的流动性的检测方式是坍落度试验，将混凝土填装入坍落度筒，捣实后拔起坍落度筒使混凝土塌落，并测量坍落度。该方法检测过程繁琐，试验检测人员工作量较大，且人为因素对最终结果有较大影响。

此外，3D打印作为第三次工业革命的重要标志，广泛应用于各种研究领域，对传统社会生产产生了巨大的影响，已成为一种改变未来的创新技术。作为一项新技术，3D打印技术将成为混凝土发展的一个重要转折点。而由于3D打印的成本更高，更需要减少破坏式实验，从而节约成本。

综上所述，现有技术中用于检测混凝土抗压强度和流动性的方法操作繁琐、受人为因素影响较大，精度较低且不环保。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种混凝土性能的虚拟检测仪及其工作方法，其目的在于，借助于图像识别与预训练模型技术，直接通过对混凝土进行拍照结合其配比数据由预训练模型输出对应的性能，从而能够对混凝土的性能进行虚拟检测，即在无需破坏试样的情况下获得试样的性能数据，从而在实际应用时减少建筑垃圾、简化检测过程，有效降低成本。

为实现上述目的，按照本发明的一个方面，提供了一种混凝土性能的虚拟检测仪，包括：拍照单元，包括光源、实验台、普通CCD相机、红外热成像相机、紫外CCD相机、近红外CCD相机、摄影棚和存储服务器；所述光源放置固定于摄影棚内，用于提供均匀的光照条件；所述实验台固定于摄影棚内且位置恒定，用于放置待测混凝土试块；所述普通CCD相机、所述红外热成像相机、所述紫外CCD相机、所述近红外CCD相机的摄像头一一对应布置于所述摄影棚四壁，且均对准待测混凝土试块中心，用于拍摄待测混凝土试块的原始图像及原位抗压强度测试后的破坏图像；所述存储服务器用于存储上述四种相机拍摄获取的图像，并传入数据输入单元；

所述数据输入单元，包括图像接收模块、人工操作模块和数据集成模块；所述图像接收模块用于接受所述拍照单元传输的图像数据；所述人工操作模块用于人工输入待测混凝土试块的配合比数据；所述数据集成模块将图像接收模块和人工操作模块收到的数据进行整理和集成，并统一传入计算单元；

所述计算单元内置有预训练的混凝土性能预测模型，所述计算单元用于将数据输入单元传来的数据输入预训练的混凝土性能预测模型，得到混凝土的抗压强度、坍落度数据和抗压强度测试后的模拟图像数据，并将数据传入所述结果输出单元进行显示。

进一步地，多个光源均匀放置于摄影棚内不同位置处，且光照强度恒定，使摄影棚内待测混凝土试块所受光照强度均匀且恒定不变；

所述混凝土性能预测模型，是通过预先收集的多组混凝土原始图像和对应的抗压强度实验后破坏图像、混凝土配合比以及混凝土的抗压强度及坍落度数据形成数据库，并通过深度学习方式训练获得；将当前待测混凝土试块的原始图像、混凝土配合比输入所述混凝土性能预测模型即可得到混凝土抗压强度实验后破坏图像、混凝土的抗压强度以及坍落度数据。

按照本发明的另一个方面，提供了一种基于上述混凝土性能的虚拟检测仪的检测方法，包括如下步骤：

第一步，将待测混凝土试块放于实验台规定位置上；

第二步，开启摄影棚内部光源，开启普通CCD相机、红外热成像相机、紫外CCD相机、近红外CCD相机，使之处于待机状态；

第三步，通过普通CCD相机、红外热成像相机、紫外CCD相机、近红外CCD相机，获得待测混凝土试块的原始图像，传入数据输入单元；

第四步，输入待测混凝土试块的配合比数据，此时数据输入单元整合数据信息，传入计算单元；

第五步，计算单元将接收的原始图像及配合比数据代入混凝土预测模型，得到预测结果传入结果输出单元进行显示；预测结果包括混凝土抗压强度实验后的破坏图像、混凝土的抗压强度以及坍落度数据。

进一步地，所述混凝土预测模型的预训练方法如下：按照标准混凝土强度检测方法及坍落度检测方法对不同混凝土进行试验，并通过所述拍照单元在与正式检测时同等的光照条件下获取图像数据，从而获得混凝土原始图像X1、抗压强度实验后破坏图像Y3、混凝土配合比X2、混凝土的抗压强度及坍落度的试验样本数据，然后以混凝土原始图像X1、混凝土配合比X2为输入数据，对应的混凝土的抗压强度Y1、混凝土坍落度Y2、抗压强度实验后破坏图像Y3为输出数据，通过深度学习方式建立X1、X2到Y1、Y2、Y3的映射关系，从而获得混凝土性能预测模型f(X1，X2)；

对于实验获得的待测混凝土试块的原始图像X1、混凝土配合比X2，代入上述混凝土性能预测模型f(X1，X2)中，即可得到对应的混凝土性能预测结果(Y1，Y2，Y3)＝f(X1，X2)。

进一步地，通过深度学习方式建立X1到Y3的映射关系的方法如下：

步骤1：构造原始GAN网络模型，其中包含一个RGB转换器、一个生成器和一个判别器；RGB转换器用于将图片的0～255的RGB值除以255，转换为0～1的值，输入至生成器；

步骤2：然后，初始化模型参数和判别器的输出权重；

步骤3：利用样本数据库中的混凝土原始图像X1及其对应的抗压强度实验后破坏图像Y3对GAN模型进行训练；

具体地：

3.1、从样本数据库中随机抽取一个混凝土原始图像X1及其对应的破坏图像Y3，将X1输入RGB转换器，在RGB转换器中将X1的0～255的RGB值除以255，转换为0～1的值；

3.2、将步骤3.1获得的0～1的值输入生成器，生成虚假图像M；

3.3、将虚假图像M和原始图像X1对应的破坏图像Y3分别输入至判别器，获得对应的判别结果；

本步骤中，破坏图像Y3是来自样本数据库的真实值，虚假图像M是生成器生成的虚假值；

3.4、记录判别器进行判断后的损失函数值；

损失函数的表达式为：

其中，x表示判别器输入的真实数据，即Y3；E表示数学期望，D(x)表示判别器对输入数据的判别，下标p-data(x)表示x所属的数据集数据的分布；z表示判别器输入的虚假数据(即生成器生成的数据)，即M，下标pz(z)表示z的数据分布，λ为超参数，

为梯度；

3.5、将判别器的损失函数值返回至生成器；

3.6、重复步骤3.1～3.5，更换X1及对应的Y3进行后续的网络训练，直至判别器输出结果接近0.5；此时的RGB转换器和生成器共同构成X1→Y3的预测模型，其包含了X1→Y3的映射关系。

总体而言，本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)不会对混凝土构件造成破坏，保证检测之后混凝土构件的原有形态，实现无损检测；

(2)自动识别检测结果减少了检测过程中混凝土试件受人为因素的影响，进而提高了混凝土性能的检测精度；

(3)检测过程简单、容易实现；装置结构简单、小型化，适用于现场实时检测；

(4)由于是无损检测，检测过程较为环保，建筑垃圾产生较少；

(5)适用于各种强度不同龄期的混凝土性能的检测；

(6)采用计算单元对混凝土进行解析，最终在结果输出单元提供了可视化效果，无需采用传统的检测工具，便能快速判定混凝土性能，实现智能化混凝土性能检测；

(7)能用于常规混合混凝土以及3D打印混凝土的检测，适用范围广。

附图说明

图1是本发明优选实施例提供的3D打印混凝土性能的虚拟检测仪拍照单元示意图；

图2是本发明优选实施例的3D打印混凝土性能的虚拟检测仪的系统框架及工作流程示意图。

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，以下结合附图及实施例，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1～2所示，为本发明提供的一较佳实施例。

以3D打印混凝土为例(同样适用于常规混凝土的检测)，本发明优选实施例提供的一种混凝土性能的虚拟检测仪，包括拍照单元、数据输入单元、计算单元以及结果输出单元。

所述拍照单元，用于获取3D打印混凝土图像数据；所述拍照单元由摄影棚1、实验台2、光源3、普通CCD相机4、红外热成像相机5、紫外CCD相机6、近红外CCD相机7、存储服务器8组成；所述摄影棚1四周中心处各有一个空洞，用于放置上述四种相机的摄像头；所述光源3共两个，放置于摄影棚1内固定位置处；所述实验台2固定与摄影棚1内且位置恒定，用于放置3D混凝土试块；所述普通CCD相机4、红外热成像相机5、紫外CCD相机6、近红外CCD相机7用于拍摄3D打印混凝土原始图像及抗压强度测试后破坏图像；所述存储服务器8用于存储上述四种相机拍摄获取的图像，并传入数据输入单元。在其他实施例中(未图示)，拍照单元的相机也可以采用所述普通CCD相机4、红外热成像相机5、紫外CCD相机6、近红外CCD相机7中任意一个或多个的组合，摄像头安装位置能对准待测3D混凝土试块中心即可，一个以上的摄像头最好选择不同侧面进行拍摄。理论上单个相机也能进行拍照和识别，采用多个不同光线的相机进行拍摄可以更大限度获取不同成像条件下的试块图像，从而使检测结果更加可靠。

所述数据输入单元，由图像接收模块、人工操作模块、数据集成模块组成；所述图像接收模块用于接受拍照单元传来的四种相机的图像数据；所述人工操作模块由人工输入3D打印混凝土配合比数据；所述数据集成模块将图像接收模块和人工操作模块收到的数据进行整理和集成，并统一传入计算单元；

所述计算单元，用于对从数据输入单元传来的数据进行分析和计算，计算得到3D打印混凝土的抗压强度、坍落度数据和抗压强度测试后的模拟图像，并将数据传入结果输出单元；

所述结果输出单元，用于接受计算单元传来的数据，并显示于显示界面上，此时用户即可得到3D打印混凝土虚拟检测的结果，即抗压强度、坍落度数据和抗压强度测试后的模拟图像。

上述实施例还提供一种3D打印混凝土性能的虚拟检测仪的工作方法，其工作方法步骤如下：

第一步，将待检测3D打印混凝土试块放于实验台2规定位置上；

第二步，开启摄影棚1内部光源3，开启普通CCD相机4、红外热成像相机5、紫外CCD相机6、近红外CCD相机7，使之处于待机状态；

第三步，用户分别按下普通CCD相机4、红外热成像相机5、紫外CCD相机6、近红外CCD相机7的拍摄按钮，获得四种相机的图像数据，拍照单元将数据传入数据输入单元；

第四步，用户输入配合比数据，此时数据输入单元整合数据信息，传入计算单元；

第五步，计算单元将传入的数据代入3D打印混凝土预测模型，得到预测结果传入结果输出单元。

第六步，结果输出单元将预测结果，即3D打印混凝土抗压强度实验后破坏图像和3D打印混凝土的抗压强度及坍落度数据，输出至显示界面上进行显示。

第五步中的预测方法主要包括：先在实验室按照标准混凝土强度检测方法及坍落度检测方法对不同3D打印混凝土进行试验，并通过拍照获取图像数据，从而获得3D打印混凝土原始图像、抗压强度实验后破坏图像、3D打印混凝土配合比、3D打印混凝土的抗压强度及坍落度的试验样本数据，从而构建具有一定样本容量的样本数据库。

然后以3D打印混凝土原始图像X1、3D打印混凝土配合比X2为输入数据，对应的3D打印混凝土的抗压强度Y1、3D打印混凝土坍落度Y2、抗压强度实验后破坏图像Y3为输出数据，建立X1、X2→Y1、Y2、Y3的映射关系，从而获得3D打印混凝土性能预测模型f(X1，X2)。其中，X2→Y1、Y2的映射关系可以直接通过数据拟合方式得到，X1→Y3的映射关系需要通过深度学习方式获取。

生成对抗网络(Generate Adversarial Network，GAN)是一种深度学习模型，是近年来复杂分布上无监督学习最具有前景的方法之一，启发自博弈论中的二人零和博弈。在二人零和博弈中，两位博弈方的利益之和为零或一个常数，即一方有所得，另一方必有所失。生成对抗网络的模型至少包括两个模块：生成器(Generative Model)和判别器(Discriminative Model)。生成器用于捕捉样本数据的分布；判别器是一个二分类器，用于估计输入的图像或数据为真(或者说来自于真实样本)的概率，判别器输出的参数权重为1表示其输入为真，判别器输出的参数权重为0表示其输入为假。在训练过程中两者互相博弈学习产生相当好的输出结果，当判别器输出的参数权重接近0.5时，表示生成器生成的结果已经接近真实结果，能够对输入的新的数据进行预测，得到接近实际结果的输出。

对于相同规格的3D打印混凝土试块而言(常规混凝土也适用)，一个确定的配合比对应的试块性能差异一般仅取决于其制造误差，而正常情况下制造误差是符合高斯分布的。X1、Y3均为试块的表观性状，理论上，试块的表观性状是材料混合比的外显因素，受到配合比X2的决定性影响；而由于配合比X2也能够决定试块的性能，而试块的性能决定了相同破坏实验条件下的破坏结果，因此其破坏图像Y3也会呈现出明显与配合比X2相关的的规律，因此同一试块的X1与Y3也存在一定程度的对应关系，该关系虽然无法直接计算，但可以通过深度学习进行模拟。

在一个优选实施例中，建立X1→Y3的预测模型的方式如下：

步骤1：构造原始GAN网络模型，其中包含一个RGB转换器、一个生成器和一个判别器；RGB转换器用于将图片的0～255的RGB值除以255，转换为0～1的值，输入至生成器；

步骤2：然后，初始化模型参数和判别器的输出权重，初始时判别器能够准确分辨出输入的数据是真(输出1)还是假(输出0)；

步骤3：利用现有的或预先收集的样本数据库中的3D打印混凝土原始图像X1及其对应的抗压强度实验后破坏图像Y3对GAN模型进行训练；

具体地：

3.1、从样本数据库中随机抽取一个3D打印混凝土原始图像X1及其对应的破坏图像Y3，将X1输入RGB转换器，在RGB转换器中将X1的0～255的RGB值除以255，转换为0～1的值；

3.2、将步骤3.1获得的0～1的值输入生成器，生成虚假图像M；

3.3、将虚假图像M和原始图像X1对应的破坏图像Y3分别输入至判别器，获得对应的判别结果；

本步骤中，破坏图像Y3是来自样本数据库的真实值，虚假图像M是生成器生成的虚假值；

3.4、记录判别器进行判断后的损失函数值；

损失函数的表达式为：

其中，x表示判别器输入的真实数据，即Y3；E表示数学期望，D(x)表示判别器对输入数据的判别，下标p-data(x)表示x所属的数据集数据的分布；z表示判别器输入的虚假数据(即生成器生成的数据)，即M，下标pz(z)表示z的数据分布，λ为超参数，

为梯度；

3.5、将判别器的损失函数值返回至生成器；

3.6、重复步骤3.1～3.5，更换X1及对应的Y3进行后续的网络训练，直至判别器输出结果接近0.5，此时的RGB转换器和生成器共同构成X1→Y3的预测模型。其中，迭代次数越多，判别器的输出结果越接近0.5，3D打印混凝土性能预测模型的预测结果Y3越接近真实结果。

本领域的技术人员容易理解，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 (3)

1.一种混凝土性能的虚拟检测仪，其特征在于，包括：拍照单元、数据输入单元、计算单元以及结果输出单元：

所述拍照单元，包括光源、实验台、摄影棚和存储服务器，以及相机，所述相机用于拍摄待测混凝土试块的原始图像及原位抗压强度测试后的破坏图像；

所述相机包括普通CCD相机、红外热成像相机、紫外CCD相机、近红外CCD相机中的至少一个，各相机的摄像头安装位置对准待测混凝土试块中心；

或者，所述相机包括所述普通CCD相机、所述红外热成像相机、所述紫外CCD相机和所述近红外CCD相机，所述普通CCD相机、所述红外热成像相机、所述紫外CCD相机、所述近红外CCD相机的摄像头一一对应布置于所述摄影棚四壁，且均对准待测混凝土试块中心；

所述光源放置固定于摄影棚内，用于提供均匀的光照条件；所述实验台固定于摄影棚内且位置恒定，用于放置待测混凝土试块；

所述存储服务器用于存储上述四种相机中的至少一个拍摄获取的图像，并传入数据输入单元；

所述数据输入单元，包括图像接收模块、人工操作模块和数据集成模块；所述图像接收模块用于接受所述拍照单元传输的图像数据；所述人工操作模块用于人工输入待测混凝土试块的配合比数据；所述数据集成模块将图像接收模块和人工操作模块收到的数据进行整理和集成，并统一传入计算单元；

所述计算单元内置有预训练的混凝土性能预测模型，所述计算单元用于将数据输入单元传来的数据输入预训练的混凝土性能预测模型，得到混凝土的抗压强度、坍落度数据和抗压强度测试后的模拟图像数据，并将数据传入所述结果输出单元进行输出；

其中，

多个光源均匀放置于摄影棚内不同位置处，且光照强度恒定，使摄影棚内待测混凝土试块所受光照强度均匀且恒定不变；

所述混凝土性能预测模型，是通过预先收集的多组混凝土原始图像和对应的抗压强度实验后破坏图像、混凝土配合比以及混凝土的抗压强度及坍落度数据形成数据库，并通过深度学习方式训练获得；将当前待测混凝土试块的原始图像、混凝土配合比输入所述混凝土性能预测模型即可得到混凝土抗压强度实验后破坏图像、混凝土的抗压强度以及坍落度数据。

2.基于权利要求1所述的一种混凝土性能的虚拟检测仪的检测方法，其特征在于，包括如下步骤：

第一步，将待测混凝土试块放于实验台规定位置上；

第二步，开启摄影棚内部光源，开启普通CCD相机、红外热成像相机、紫外CCD相机、近红外CCD相机中的至少一个，使之处于待机状态；

第三步，通过普通CCD相机、红外热成像相机、紫外CCD相机、近红外CCD相机中的至少一个，获得待测混凝土试块的原始图像，传入数据输入单元；

第四步，输入待测混凝土试块的配合比数据，此时数据输入单元整合数据信息，传入计算单元；

第五步，计算单元将接收的原始图像及配合比数据代入混凝土预测模型，得到预测结果传入结果输出单元进行显示；预测结果包括混凝土抗压强度实验后的破坏图像、混凝土的抗压强度以及坍落度数据；

其中，所述混凝土预测模型的预训练方法如下：按照标准混凝土强度检测方法及坍落度检测方法对不同混凝土进行试验，并通过所述拍照单元在与正式检测时同等的光照条件下获取图像数据，从而获得混凝土原始图像X1、抗压强度实验后破坏图像Y3、混凝土配合比X2、混凝土的抗压强度及坍落度的试验样本数据，然后以混凝土原始图像X1、混凝土配合比X2为输入数据，对应的混凝土的抗压强度Y1、混凝土坍落度Y2、抗压强度实验后破坏图像Y3为输出数据，通过数据拟合获得X2到Y1、Y2的映射关系，通过深度学习方式建立X1到Y3的映射关系，从而获得混凝土性能预测模型f(X1，X2)；

对于实验获得的待测混凝土试块的原始图像X1、混凝土配合比X2，代入上述混凝土性能预测模型f(X1，X2)中，即可得到对应的混凝土性能预测结果(Y1，Y2，Y3)＝f(X1，X2)。

3.如权利要求2所述的检测方法，其特征在于，通过深度学习方式建立X1到Y3的映射关系的方法如下：

步骤1：构造原始GAN网络模型，其中包含一个RGB转换器、一个生成器和一个判别器；RGB转换器用于将图片的0～255的RGB值除以255，转换为0～1的值，输入至生成器；

步骤2：然后，初始化模型参数和判别器的输出权重；

步骤3：利用样本数据库中的混凝土原始图像X1及其对应的抗压强度实验后破坏图像Y3对GAN模型进行训练；

具体地：

3.1、从样本数据库中随机抽取一个混凝土原始图像X1及其对应的破坏图像Y3，将X1输入RGB转换器，在RGB转换器中将X1的0～255的RGB值除以255，转换为0～1的值；

3.2、将步骤3.1获得的0～1的值输入生成器，生成虚假图像M；

3.3、将虚假图像M和原始图像X1对应的破坏图像Y3分别输入至判别器，获得对应的判别结果；

本步骤中，破坏图像Y3是来自样本数据库的真实值，虚假图像M是生成器生成的虚假值；

3.4、记录判别器进行判断后的损失函数值；

损失函数的表达式为：

其中，x表示判别器输入的真实数据，即Y3；E表示数学期望，D(x)表示判别器对输入数据的判别，下标p-data(x)表示x所属的数据集数据的分布；z表示判别器输入的虚假数据，即虚假图像M，下标pz(z)表示z的数据分布，λ为超参数，

为梯度；

3.5、将判别器的损失函数值返回至生成器；

3.6、重复步骤3.1～3.5，更换X1及对应的Y3进行后续的网络训练，直至判别器输出结果接近0.5；此时的RGB转换器和生成器共同构成X1→Y3的预测模型，其包含了X1→Y3的映射关系。

Images