CN110298830A - 基于卷积神经网络的新拌混凝土振捣表观质量识别方法 - Google Patents
基于卷积神经网络的新拌混凝土振捣表观质量识别方法 Download PDFInfo
- Publication number
- CN110298830A CN110298830A CN201910547289.1A CN201910547289A CN110298830A CN 110298830 A CN110298830 A CN 110298830A CN 201910547289 A CN201910547289 A CN 201910547289A CN 110298830 A CN110298830 A CN 110298830A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- vibrates
- apparent mass
- fresh concrete
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于卷积神经网络的新拌混凝土振捣表观质量识别方法,步骤主要包括:首先,采集制作振捣施工过程中的混凝土表观图像数据集;其次,将所采集的图像数据进行数据增强处理,扩大样本集;然后,随机划分所构建的样本库为训练集和测试集;采用训练集进行卷积神经网络模型的训练,测试集用于所构建模型的评估;最后,将所构建的模型用于混凝土振捣施工过程中表观质量的识别,输出结果。由此,可以实现对混凝土振捣施工过程中表观质量的识别,可辅助振捣施工决策。
Description
技术领域
本发明属于混凝土振捣施工领域,具体涉及基于卷积神经网络的新拌混凝土振捣表观质量识别方法。
背景技术
水利工程作为国民经济中不可替代的重要基础设施,在防洪、灌溉、供水等方面发挥着重要的作用。混凝土以其优越的材料特性被广泛应用于水利工程大坝建设,其施工质量直接影响大坝的安全和使用寿命。振捣是混凝土施工最核心的环节,然而,由于混凝土振捣密实机理复杂,目前尚无准确理论定量判断振捣施工工序是否合格。传统方法通过专业的旁站人员主观判断振捣施工过程,该方法受人为因素干扰大、耗时耗力、管理粗放,且忽视了复杂环境对旁站者健康的影响。因此,有必要研究能够客观对混凝土振捣施工过程进行评判的方法,提高振捣过程质量控制管理水平,对于确保施工质量具有十分重要的意义。
目前,针对混凝土振捣施工过程以及混凝土表观质量识别方面进行了大量研究。在振捣质量实时监控方面,田正宏等[1]基于GPS等设备动态跟踪振捣棒施工,实时监控振捣轨迹、振捣时间和插入深度等振捣质量参数。Burlingame[2]等根据施工过程中振捣棒的温度显著高于其周围混凝土温度,采用热成像法监控振捣棒的移动轨迹,实现了对振捣信息可视化的初步探索。以上研究以单个振捣棒为监控对象,不能满足当下大坝混凝土浇筑机械化施工的要求。钟桂良等[3-4]针对大坝施工使用的振捣台车研发了振捣可视化监控系统,实时监控振捣机架多个振捣棒的位置、倾角、插入深度和振捣时间等参数。钟登华等[5]对振捣施工过程进行实时监控并基于随机森林算法实现混凝土强度的预测评估。以上研究实现振捣过程参数实时监控,然而一次振捣过程是否结束主要依靠专业人员主观判断振捣混凝土表观质量是否合格,难以避免人为主观性带来的影响。
在混凝土外观质量评估方面,Baoju Liu等[6]探索了混凝土表面气泡的影响因素,并采用图像分析处理技术提取混凝土表面缺陷特征,进而评估混凝土表面质量。周湘君[7]采用神经网络实现了混凝土表面缺陷的识别并进行评价。随着图像处理技术的发展,传统的图像处理技术已向深度神经网络技术发展,其混凝土健康状态识别精度大大提高。Philipp Hüthwohl等[8]基于深度卷积神经网络实现对桥梁表面纹理健康状态进行评估,提高了检测效率和降低了遗漏风险。Young-Jin Cha等[9]基于深度卷积神经网络建立混凝土表面裂纹识别模型,相比于传统图像处理技术具有更大的优势;此外,深度卷积神经网络被众多学者广泛用于路面裂纹识别[10-11]、管道损伤识别[12-13]等研究中。以上研究较多的集中于混凝土裂纹识别、表观质量评价分析,其重点在于对成品混凝土健康状态进行评估,缺乏对混凝土施工过程中表观质量研究,难以实现对混凝土施工过程进行有效控制。
综上所述,针对目前混凝土施工,主要集中在振捣施工过程中对振捣参数的监控;针对混凝土表观质量评估方面,采用图像算法对混凝土成品进行表观质量或健康状态进行评估,缺乏在施工过程进行混凝土表观质量合格与否进行评估,难以实现振捣施工过程的控制。
发明内容
为了解决上述现有技术的不足,本发明提出基于卷积神经网络的新拌混凝土振捣表观质量识别方法,通过卷积神经网络方法识别振捣过程中混凝土表观图像的状态,从而判断新拌混凝土表观质量是否合格,进而决策每次振捣。该方法能够实现振捣过程的监控,避免人员主观带来的影响,提高振捣质量控制水平。
本发明所要解决的问题可通过以下技术步骤实现:基于卷积神经网络的新拌混凝土振捣表观质量识别方法,包括如下步骤:
1)通过采集振捣施工过程中新拌混凝土表观原始图像,构建表观质量图像样本库并进行类别划分;
2)图像增强处理,扩大图像数据的数据量得到图像样本库;
3)对所述步骤2)中图像样本库随机分成训练样本集和测试样本集;
4)训练样本集输入到卷积神经网络并对其进行训练,构建新拌混凝土表观质量分类的卷积神经网络模型,测试集数据用于模型的评估:判断测试精度是否满足要求,若是,则构建模型有效;若否,则采取措施,直至满足准确度要求;
5)将步骤4)中构建的新拌混凝土表观质量分类的卷积神经网络模型用于对混凝土振捣过程的表观图像进行分类识别,输出分类的结果和置信度,从而实现混凝土表观质量的识别。
优选的,所述步骤1)中类别划分,分别为不合格、过渡、合格若干个类别。
优选的,所述步骤3)中训练样本集和测试样本集,优选分配比例为4:1或3:1。
优选的,所述步骤4)中采取措施至少包括扩大样本集和调整模型参数。
优选的,所述步骤1)中构建表观质量图像样本库的图像分辨率处理为512*512的灰度图像,通过数据增强方法得到9000张图像。
优选的,所述步骤5)中卷积神经网络结构包括1个输入层、6个卷积层、6个非线性激励层、6个池化层、3个全连接层和1个输出层。
优选的,所述的卷积层:
第1和第2层卷积核尺寸大小为5*5,深度分别为16和32;
第3和第4层卷积核尺寸大小为3*3,深度分别为64和128;
第5和第6层卷积核尺寸大小为2*2,深度分别为256和512;
对于所述非线性激励层,均采用ReLU激活函数,从而保证不存在非负数;
对于所述池化层,均采用尺寸大小为2*2的最大池化层,其滑动步长为2*2。
优选的,在所述卷积层和池化层提取抽象特征后,采用dropout稀疏化网络方法过滤掉部分神经元。
优选的,连接3个全连接层,再连接softmax层用于输出3个类别的预测结果和概率大小。
优选的,所述步骤4)中卷积神经网络模型中,训练过程中采用的损失函数为交叉熵(cross-entropy),采用Adam Optimization优化函数,采用指数调节的自适应学习率,其公式计算如下:
η(t)=η0×10-t/r
t为迭代次数,η0为初始学习率,r为超参数,根据模型进行相应调整;
具体的,在Google开源框架TensorFlow平台上实现该模型的构建。
与现有技术相比,本发明的有益效果是:
本发明提供了一种振捣施工混凝土表观质量的识别方法,通过获取混凝土表观质量图像并采用数据增强方法构建样本库,进而训练卷积神经网络模型构建新拌混凝土表观质量分类模型,该模型能够实现在新拌混凝土振捣施工过程对表观质量的实时分类,代替传统通过专业人员主观判断的方法,该方法能够减小人为干扰因素、提高施工效率和管理水平,对于确保混凝土振捣施工质量具有十分重要的意义。
附图说明
图1为本发明的具体流程图;
图2为本发明样本数据采用数据增强方法获取的示例;
图3为本发明的图像采集结构图;
图4为本发明的识别结果图;
图5为本发明的卷积神经网络结构图。
附图标记:1-振捣台车;2-工业电脑;3-工业相机;4-线缆;5-拍摄区域。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步的描述,所描述的具体实施例仅对本发明进行解释说明,并不用以限制本发明。
图1为本发明实施的基于卷积神经网络的新拌混凝土振捣表观质量识别方法的流程示意图,主要是对振捣过程中混凝土表观图像进行分类(不合格、过渡类、合格),该方法具体步骤为:
步骤1:通过手机或者相机拍摄混凝土振捣施工过程中混凝土表面图像,构造所需图像数据。其中,所拍摄的图像数据分辨率为3000*4000,为RGB色彩模式;通过专业人员将所获取的照片划分三个类别(不合格、过渡类、合格),三种类别数量的样本分别拍摄200张,每一类别的图像数据通过图像处理裁剪为512*512尺寸大小的图像数据,并处理为灰度图像;
步骤2:对步骤1中获取的每一类别裁剪后的图像进行数据增强处理,数据增强算法主要是对裁剪后的图像进行随机旋转、翻转、镜像、调整灰度等图像变换,扩大图像数据的数据量。扩展后每一类别的的数据图像为3000张,得到最终的图像样本库;其中,图2为对某一张图形数据进行数据增强的结果展示;
步骤3:将步骤2中所获取的图像样本库随机分为训练数据集和测试数据集,训练集和测试集均包括不合格、过渡类、合格3个类别的图像,并且训练数据集和测试数据集划分比例为4:1或3:1,其中训练数据集用于卷积神经网格模型的训练,测试集用于模型的评估,测试集数据不参与模型的训练;
步骤4:将步骤3中构建的训练样本集输入到卷积神经网络并对其进行训练,完成新拌混凝土表观质量分类的卷积神经网络模型的构建,测试集数据用于模型的评估;若测试精度大于80%及以上,则认为模型构建有效,否则采取措施提高模型的精度,如扩大样本集并调整模型参数等,直至所构建的模型满足精度要求;
步骤5:将步骤4中所建立的模型用于对混凝土振捣过程的表观图像进行分类识别,输出分类的结果和置信度。
其中,混凝土振捣过程的表观图像获取方式如图3所示,工业相机3安装在振捣机架位置处,工业电脑2(平板电脑即可)放置在振捣台车1驾驶舱内,以便驾驶员能够实时查看振捣过程中混凝土表面图像;工业相机3和工业电脑2之间通过线缆4连接,通过线缆4实时传输工业相机3正常工作的电压以及传输视频拍摄的信息拍摄区域5。在一次振捣动作开始后,通过在工业电脑2上安装调用所建立的卷积神经网络模型后,采用Open-cv按照一定频率采样视频流中图像,调用所建立的卷积神经网络模型对采样的混凝土表面图像进行识别,并在视频流上显示采样图像的分析结果,包括分类的类别以及置信度,图4为识别结果。其中,识别结果可辅助决策振捣施工过程,准则为:若对振捣施工过程中混凝土分类类别为合格以及置信度大于80%并且连续5次识别结果满足该准则,则可以认为该次振捣满足要求,可以结束该次振捣施工,从而实现混凝土表观质量的识别并辅助驾驶员决策,代替专业人员旁站对振捣施工过程进行监视。
图5为所构建的卷积神经网络模型结构图,新拌混凝土表观质量分类的卷积神经网络模型构建实施为以下内容:
所述卷积神经网络结构包括1个输入层、6个卷积层、6个非线性激励层、6个池化层、3个全连接层和1个输出层。通过图像处理得到输入层图像大小为512*512的黑白图像,并将其转换为所构建的卷积神经网络模型能够读取的数据格式,将其作为第一个卷积层的输入。第一个卷积层选取深度为16的长*宽为5*5卷积核,采用零填充的方法确保输出尺寸的大小不变,深度加深,故经过第一层卷积核后输出为16个512*512的输出图,再通过第一个ReLU非线性激励层处理,将输出的图像经过最大池化层进行降维处理,尺寸大小为2*2的池化层,其滑动步长为2*2;以上是图像进行了第一个“卷积层-非线性激励层-池化层”,再按照该结构进行5次,其中,第2层卷积核尺寸大小为5*5,深度为32;第3和第4层卷积核尺寸大小为3*3,深度分别为64和128;第5和第6层卷积核尺寸大小为2*2,深度分别为256和512;对于所述非线性激励层,均采用ReLU激活函数,从而保证不存在非负数;对于所述池化层,均采用尺寸大小为2*2的最大池化层,其滑动步长为2*2;以上步骤完成了输入图像的特征提取和降维。
在上述实施例的基础上,为防止网络过拟合,采用dropout稀疏化网络方法滤掉10%的神经元,从而提高所构建模型的泛化性。随后,连接3个全连接层,再连接softmax层用于输出3个类别的预测结果和概率大小。
在上述实施例的基础上,所构建的卷积神经网络模型中,训练过程中采用的损失函数为交叉熵(cross-entropy),采用Adam Optimization优化函数,采用指数调节的自适应学习率,其公式计算如下:
η(t)=η0×10-t/r
t为迭代次数,η0为初始学习率,r为超参数,根据模型进行相应调整;
以上具体实例中卷积神经网络模型在Google开源框架TensorFlow平台上实现,模型的开发环境为TensorFlow-gpu,Anaconda3.5,Python3.6。
应当理解的是,这里所讨论的实施方法只是为了说明,对本领域技术人员来说,可以加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
参考文献:
[1]Tian Z,Sun X,Su W,et al.Development of real-time visual monitoringsystem for vibration effects on fresh concrete[J].Automation in Construction,2019,98:61-71.
[2]BURLINGAME S E.Application of infrared imaging to fresh concrete:monitoring internal vibration[M].Cornell University,May,2004.
[3]王仁坤,陈万涛,邱向东,尹习双,刘金飞,钟桂良,赖刚,刘永亮.振捣机实时监测定位系统及方法[P].四川:CN103711127A,2014-04-09.
[4]刘永亮,赖刚,钟桂良,刘金飞,尹习双,宋述军.混凝土振捣有效深度及有效时间监控方法[P].四川:CN104007717A,2014-08-27.
[5]钟登华,沈子洋,王佳俊,等.基于实时监控的混凝土坝振捣施工质量动态评价研究[J].水利学报,2018,49(07):775-786.
[6]Liu B,Yang T.Image analysis for detection of bugholes on concretesurface[J].Construction and Building Materials,2017,137(Complete):432-440.
[7]周湘君.基于图像识别的混凝土表观质量的评定方法初探[D].武汉理工大学,2005.
[8]Philipp Hüthwohl,IoannisBrilakis.Detecting healthy concretesurfaces[J].Advanced Engineering Informatics,2018,37:150-162.
[9]Cha Y J,Choi W,O.Deep learning-based crack damagedetection using convolutional neural networks[J].Computer-Aided Civil andInfrastructure Engineering,2017,32(5):361-378.
[10]Maeda H,Sekimoto Y,Seto T,et al.Road damage detection andclassification using deep neural networks with smartphone images[J].Computer-Aided Civil and Infrastructure Engineering,2018,33(12):1127-1141.
[11]Nhat-Duc H,Nguyen Q L,Tran V D.Automatic recognition of asphaltpavement cracks using metaheuristic optimized edge detection algorithms andconvolution neural network[J].Automation in Construction,2018,94:203-213.
[12]Huang Z,Fu H,Chen W,et al.Damage detection and quantitativeanalysis of shield tunnel structure[J].Automation in Construction,2018,94:303-316.
[13]Cheng J C P,Wang M.Automated detection of sewer pipe defects inclosed-circuit television images using deep learning techniques[J].Automationin Construction,2018,95:155-171.
Claims (10)
1.基于卷积神经网络的新拌混凝土振捣表观质量识别方法,其特征在于,包括如下步骤:
1)通过采集振捣施工过程中新拌混凝土表观原始图像,构建表观质量图像样本库并进行类别划分;
2)图像增强处理,扩大图像数据的数据量得到图像样本库;
3)对所述步骤2)中图像样本库随机分成训练样本集和测试样本集;
4)训练样本集输入到卷积神经网络并对其进行训练,构建新拌混凝土表观质量分类的卷积神经网络模型,测试集数据用于模型的评估:判断测试精度是否满足要求,若是,则构建模型有效;若否,则采取措施,直至满足准确度要求;
5)将步骤4)中构建的新拌混凝土表观质量分类的卷积神经网络模型用于对混凝土振捣过程的表观图像进行分类识别,输出分类的结果和置信度,从而实现混凝土表观质量的识别。
2.根据权利要求1所述的基于卷积神经网络的新拌混凝土振捣表观质量识别方法,其特征在于,所述步骤1)中类别划分,分别为不合格、过渡、合格若干个类别。
3.根据权利要求1所述的基于卷积神经网络的新拌混凝土振捣表观质量识别方法,其特征在于,所述步骤3)中训练样本集和测试样本集,优选分配比例为4:1或3:1。
4.根据权利要求1所述的基于卷积神经网络的新拌混凝土振捣表观质量识别方法,其特征在于,所述步骤4)中采取措施至少包括扩大样本集和调整模型参数。
5.根据权利要求1所述的基于卷积神经网络的新拌混凝土振捣表观质量识别方法,其特征在于,所述步骤1)中构建表观质量图像样本库的图像分辨率处理为512*512的灰度图像,通过数据增强方法得到9000张图像。
6.根据权利要求1所述的基于卷积神经网络的新拌混凝土振捣表观质量识别方法,其特征在于,所述步骤5)中卷积神经网络结构包括1个输入层、6个卷积层、6个非线性激励层、6个池化层、3个全连接层和1个输出层。
7.根据权利要求6所述的基于卷积神经网络的新拌混凝土振捣表观质量识别方法,其特征在于,所述的卷积层:
第1和第2层卷积核尺寸大小为5*5,深度分别为16和32;
第3和第4层卷积核尺寸大小为3*3,深度分别为64和128;
第5和第6层卷积核尺寸大小为2*2,深度分别为256和512;
对于所述非线性激励层,均采用ReLU激活函数,从而保证不存在非负数;
对于所述池化层,均采用尺寸大小为2*2的最大池化层,其滑动步长为2*2。
8.根据权利要求6所述的基于卷积神经网络的新拌混凝土振捣表观质量识别方法,其特征在于,在所述卷积层和池化层提取抽象特征后,采用dropout稀疏化网络方法过滤掉部分神经元。
9.根据权利要求6所述的基于卷积神经网络的新拌混凝土振捣表观质量识别方法,其特征在于,连接3个全连接层,再连接softmax层用于输出3个类别的预测结果和概率大小。
10.根据权利要求1所述的基于卷积神经网络的新拌混凝土振捣表观质量识别方法,其特征在于,所述步骤4)中卷积神经网络模型中,训练过程中采用的损失函数为交叉熵(cross-entropy),采用Adam Optimization优化函数,采用指数调节的自适应学习率,其公式计算如下:
η(t)=η0×10-t/r
t为迭代次数,η0为初始学习率,r为超参数,根据模型进行相应调整;
具体的,在Google开源框架TensorFlow平台上实现该模型的构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910547289.1A CN110298830A (zh) | 2019-06-24 | 2019-06-24 | 基于卷积神经网络的新拌混凝土振捣表观质量识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910547289.1A CN110298830A (zh) | 2019-06-24 | 2019-06-24 | 基于卷积神经网络的新拌混凝土振捣表观质量识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298830A true CN110298830A (zh) | 2019-10-01 |
Family
ID=68028575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910547289.1A Pending CN110298830A (zh) | 2019-06-24 | 2019-06-24 | 基于卷积神经网络的新拌混凝土振捣表观质量识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298830A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582188A (zh) * | 2020-05-11 | 2020-08-25 | 广东创成建设监理咨询有限公司 | 一种基于人工智能的混凝土浇筑旁站监理方法 |
CN111751253A (zh) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
CN112288221A (zh) * | 2020-09-22 | 2021-01-29 | 广东博智林机器人有限公司 | 振捣质量检测方法、系统、装置以及电子设备 |
CN113780352A (zh) * | 2021-08-10 | 2021-12-10 | 北京自动化控制设备研究所 | 一种基于神经网络的卫星接收机健康管理方法 |
CN113781425A (zh) * | 2021-09-07 | 2021-12-10 | 中国三峡建工(集团)有限公司 | 混凝土平仓分析方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160223513A1 (en) * | 2015-02-02 | 2016-08-04 | Michael C. Belangie | Repeatable and comparable inspeciton of concrete joints |
CN106707932A (zh) * | 2016-12-29 | 2017-05-24 | 天津大学 | 一种常态混凝土振捣质量可视化实时监控系统及方法 |
CN107480611A (zh) * | 2017-07-31 | 2017-12-15 | 浙江大学 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
-
2019
- 2019-06-24 CN CN201910547289.1A patent/CN110298830A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160223513A1 (en) * | 2015-02-02 | 2016-08-04 | Michael C. Belangie | Repeatable and comparable inspeciton of concrete joints |
CN106707932A (zh) * | 2016-12-29 | 2017-05-24 | 天津大学 | 一种常态混凝土振捣质量可视化实时监控系统及方法 |
CN107480611A (zh) * | 2017-07-31 | 2017-12-15 | 浙江大学 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
Non-Patent Citations (1)
Title |
---|
田正宏等: "新拌混凝土振捣质量状态的实时判定智能化方法", 《中国大坝协会2015学术年会暨第七届碾压混凝土坝国际研讨会》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582188A (zh) * | 2020-05-11 | 2020-08-25 | 广东创成建设监理咨询有限公司 | 一种基于人工智能的混凝土浇筑旁站监理方法 |
CN111582188B (zh) * | 2020-05-11 | 2022-04-26 | 广东创成建设监理咨询有限公司 | 一种基于人工智能的混凝土浇筑旁站监理方法 |
CN111751253A (zh) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
CN112288221A (zh) * | 2020-09-22 | 2021-01-29 | 广东博智林机器人有限公司 | 振捣质量检测方法、系统、装置以及电子设备 |
CN113780352A (zh) * | 2021-08-10 | 2021-12-10 | 北京自动化控制设备研究所 | 一种基于神经网络的卫星接收机健康管理方法 |
CN113781425A (zh) * | 2021-09-07 | 2021-12-10 | 中国三峡建工(集团)有限公司 | 混凝土平仓分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298830A (zh) | 基于卷积神经网络的新拌混凝土振捣表观质量识别方法 | |
CN108154134B (zh) | 基于深度卷积神经网络的互联网直播色情图像检测方法 | |
CN110222701B (zh) | 一种桥梁病害自动识别方法 | |
CN112700444B (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
CN108445011A (zh) | 一种基于深度学习的瑕疵检测系统及方法 | |
KR102423579B1 (ko) | 3d 모델링 기반 댐 안전 관리를 위한 통합 유지보수 관제 방법 및 시스템 | |
CN109816636A (zh) | 一种基于智能终端的裂缝检测方法 | |
CN108182416A (zh) | 一种无人机监控场景下的人体行为识别方法、系统及装置 | |
CN113887412A (zh) | 污染排放的检测方法、检测终端、监控系统及存储介质 | |
CN114219687B (zh) | 融合人机视觉的施工安全隐患智能识别方法 | |
Yusof et al. | Automated asphalt pavement crack detection and classification using deep convolution neural network | |
CN114332749B (zh) | 一种基于深度学习的采砂船采砂监控方法 | |
CN109991306A (zh) | 基于荧光磁粉的金属工件焊接缺陷的分类识别与定位 | |
CN114267082B (zh) | 基于深度理解的桥侧坠落行为识别方法 | |
CN109978847A (zh) | 基于迁移学习与拉索机器人的拉索外套病害自动识别方法 | |
CN109087305A (zh) | 一种基于深度卷积神经网络的裂缝图像分割方法 | |
CN110220845A (zh) | 一种着生藻生长带的原位监测方法及装置 | |
CN100500100C (zh) | 超声子宫节育环图像智能识别方法及设备 | |
Yu et al. | MobileNet-YOLO v5s: An improved lightweight method for real-time detection of sugarcane stem nodes in complex natural environments | |
CN106157335A (zh) | 基于数字图像的床沙表层级配观测分析方法及系统 | |
CN111915565B (zh) | 一种基于yolact算法对输变电线路瓷瓶裂缝实时分析方法 | |
CN113112482A (zh) | 一种基于注意力机制网络的pcb缺陷检测方法 | |
CN117456342A (zh) | 一种基于街景影像的交通事故风险评估方法及系统 | |
Zhang et al. | Pavement crack detection based on deep learning | |
CN109187574A (zh) | 一种基于全息扫描的隧道病害检测及处理方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191001 |