CN111626333A - 一种水泥基材孔结构智能检测设备及方法 - Google Patents
一种水泥基材孔结构智能检测设备及方法 Download PDFInfo
- Publication number
- CN111626333A CN111626333A CN202010345054.7A CN202010345054A CN111626333A CN 111626333 A CN111626333 A CN 111626333A CN 202010345054 A CN202010345054 A CN 202010345054A CN 111626333 A CN111626333 A CN 111626333A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- microscope
- concrete
- vertical rod
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000004568 cement Substances 0.000 title claims abstract description 29
- 239000000758 substrate Substances 0.000 title claims abstract description 11
- 239000011148 porous material Substances 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 239000000463 material Substances 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 3
- 229910052753 mercury Inorganic materials 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种水泥基材孔结构智能检测设备及方法，本发明装置包括：载样系统、图像采集系统和图像识别与分析系统，其中，载样系统由工作台、2个纵向滑台、横向滑台、置物台组成，图像采集系统由垂直杆、2个卡箍、显微支架、显微镜、摄像头、万向架支座、万向伸缩悬臂支架、光源组成；图像识别与分析系统由显示模块、储存模块和处理模块组成。本发明利用各个部件之间的相互协作，以便于进行样本图像取样，检测方法利用孔隙图像智能识别系统，对图像样本进行一系列的处理，获取参数并分析得到孔隙特征。本发明提供了一种结构设计合理、操作简单、检测效率高且能够有效地降低检测成本的水泥基材孔结构智能检测设备及方法。
Description
技术领域
本发明涉及材料检测领域，具体涉及水泥基材孔结构智能检测设备及方法。
背景技术
在建筑材料领域中，混凝土孔结构显著影响甚至决定混凝土材料的宏观性能，因此，实现对水泥基材料孔结构快速而准确的测量，对研究和评定混凝土性质和质量具有重要意义。
目前对于水泥基材料孔结构的测试技术主要都是采用传统分析仪器对材料结构进行测定，提取混凝土孔隙信息，分析计算其孔径分布与孔隙率，为研究混凝土的宏观性能提供参考依据，从不同尺度的孔结构特征来推测材料的整体性能。
目前常见的孔结构测试技术主要有：压汞法、氮气吸附法、电子显微镜扫描法、图像二值化法等。例如：一种基于压汞实验预测水泥基材料弹性模量的方法(CN201810108085.3)，获取水泥基材料样品，取干燥后的样品开展压汞实验，计算累计孔隙率与孔隙直径之间的关系，将累计孔隙率转换成相对密实度，在双对数坐标系中表示相对密实度与孔隙直径，确定相对密实度与孔隙直径呈线性相关的区域，得出相对密实度与孔隙直径线性相关区域的斜率，根据线性相关的范围与斜率确定水泥基材料多孔结构的特征参数；一种水泥混凝土孔结构特征分析系统及其测试方法(CN201710943670.0)，通过对水泥混凝土切面进行前期显著的黑白区分处理，明确标识出水泥混凝土内部孔的分布规律，采用数字图像法快速、简便的计算得出气孔的数量、大小及分布情况。
综上所述，这些方法和技术在一定程度上实现了对水泥基材的孔结构测量，但是这些方法或多或少都存在制样复杂、效率低下、自动化和智能化程度低等缺陷，很难对混凝土孔隙特征进行简便、快速和智能检测，因此，需要克服上述现有技术的缺点与不足，提供一种结构设计合理、操作简单、检测高效且能够最大程度实现自动化和智能化检测的水泥基材孔结构检测设备及相应方法。
发明内容
本发明的目的是解决水泥基材孔结构检测工艺中存在的工序复杂、耗时多、检测效率低的问题，提供一种结构设计合理、操作简单、检测效率高且能够有效地降低检测成本的水泥基材孔结构智能检测设备及方法。
本发明的一种水泥基材孔结构智能检测设备的装置包括：载样系统、图像采集系统和图像识别与分析系统，所述载样系统由工作台、2个纵向滑台、横向滑台、置物台组成；所述图像采集系统由垂直杆、2个卡箍、显微支架、显微镜、摄像头、万向架支座、万向伸缩悬臂支架、光源组成；所述工作台上端面平行安装有2个纵向滑台，且工作台上端面边缘安装有垂直杆；所述纵向滑台有2个，固定安装于工作台上端面，所述纵向滑台上设置有横向滑台；所述横向滑台安装于纵向滑台上，与纵向滑台相垂直，且呈“工”形布置，所述横向滑台上安装有置物台；所述置物台安装于横向换台上；所述垂直杆安装于工作台上端面的边缘，且垂直杆上安装有2个卡箍、显微支架、万向架支座；所述卡箍有2个，分别安装在垂直杆的下部和中部；所述显微支架安装于垂直杆，且位于垂直杆中部卡箍上方，所述显微支架一端与垂直杆相连，另一端为套圈且与显微镜相连；所述显微镜与显微支架有套圈的一端相连，且所述显微镜目镜端通过相互嵌合的螺纹与摄像头的镜头前端相连；所述摄像头位于显微镜的上方，且摄像头的镜头通过相互嵌合的螺纹与显微镜的目镜端相连；所述万向架支座安装于垂直杆，且位于垂直杆下部卡箍上方、中部卡箍下方，所述万向架支座上端面安装有万向伸缩悬臂支架；所述万向伸缩悬臂支架一端安装于万向架支座上表面，万向伸缩悬臂支架的另一端为自由端并与光源相连；所述光源与万向伸缩悬臂支架的自由端相连；所述图像识别与分析系统与摄像头相连。
进一步的，所述纵向滑台、横向滑台为滚珠丝杆步进电机滑台。
进一步的，所述置物台上端面为正方形，设置有尺寸为11cm*11cm的定位凹槽，且置物台四边中部各设置试样固定卡扣。
进一步的，所述光源为机械视觉的零度环形光源，采用尺寸为照射角度为0度，内径为100mm的环形光源，并且在进行图像采集时将光源平面中心至于显微镜、摄像头轴线处，与试样平面的距离控制在1～2mm，且该光源可使基质与孔隙形成鲜明对比，区分二者。
进一步的，所述图像识别与分析系统由显示模块、储存模块和处理模块组成；所述显示模块用于显示上述图像采集系统所采集到的图像，以及显示系统识别与分析得出的结果等信息；所述储存模块用于保存上述图像采集系统所采集的样本图像，并建立数据库，用于制作图像样本标签集；所述处理模块用于搭载孔隙图像智能识别系统进行离线学习、训练、生成与在线使用相适应的混凝土特征检测模型参数。
一种水泥基材孔结构智能检测方法采用孔隙图像智能识别系统，具体实施步骤如下：
步骤(一)：将样本放置于置物台，调节置物台、光源、显微镜以及摄像头的位置，对样本进行观察，并通过摄像头采集样本的图像样本，再将采集的图像样本发送至图像识别与分析系统的储存模块进行保存，图像样本至少1万张。
步骤(二)：对图像样本进行预处理，对采集的混凝土剖面图像样本使用快速导向滤波，使用下采样的方法得到导向滤波中所需的输入图与引导图，以对图像样本进行处理，然后对得到的图像进行均值，再进行归一化。
步骤(三)：对图像样本中的混凝土特征分别进行标记，制作图像样本对应的标签集，其中混凝土特征包括骨料、正常孔隙、连通孔隙，标签集制作包括对混凝土特征的实例标记、标签分类及储存标签集。
步骤(四)：通过图像识别与分析系统的处理模块离线学习、训练、生成与在线使用相适应的混凝土特征检测模型参数。
步骤(五)：将训练成功所得的混凝土特征检测模型参数发送至图像识别与分析系统的处理模块，进行在线机器自动识别、分割、统计混凝土样本中的孔隙特征，并通过显示模块显示检测结果。
进一步的，所述孔隙图像智能识别系统分为离线学习与在线检测两种模式，离线学习模式下，输入数据库中已做标签的图像集进行训练，输出混凝土特征检测模型参数；在线检测模式下，输入待检测图像集，利用离线学习模式下所输出混凝土特征检测模型参数，对混凝土孔隙特征进行智能检测识别，获得混凝土剖面量化信息。
进一步的，所述步骤(四)包括以下子步骤：采用特征图像金字塔算法将图像通过压缩或放大形成不同维度的图片作为模型输入，并对此类不同维度或不同尺度、尺寸的图片进行卷积特征提取，得到可反映多维度信息的特征集；特征图像金字塔算法所得到的每个维度的特征集，采用自底向上的路径增强，即再将低维度层的强定位特征通过特征图像金字塔算法传递至高维度层；自底向上路径增强的各维度特征使用Regions Of InterestAlign方法进行区域特征聚集操作；再将得到的各维度的全连接层进行特征融合，通过对融合的全连接层的整形，得到混凝土特征检测模型参数。
进一步的，所述步骤(五)包括以下子步骤：输入待测图像，将整张图像输入混凝土特征检测模型，进行特征提取；用混凝土特征检测模型生成实例分割掩膜图像，包括原图像、预测实例分割掩膜、预测分类标签；对所述实例分割掩膜图像中分割所得的特征区域进行分类、统计、计算，获得混凝土剖面量化信息。
本发明的有益效果：(1)本发明采用零度环型光源，与普通光源相比，零度环型光源照射在混凝土上能够形成材料基质与孔隙的鲜明对比，比普通光源效果更好，检测分析结果更加准确，效率更高；(2)采用孔隙图像智能识别系统进行检测分析，减少了对样本的预处理，大大简化了检测操作，节约检测时间，检测更加快捷；(3)本发明装置由载物系统和图像采集系统两部分组成，其中各个装置布置一目了然，结构简单清晰，且不影响功能发挥，结构设计合理；(4)本发明装置简单，无特殊设备，使用操作步骤简洁明了，通过各部件之间的巧妙协作，可根据需要自由改变光源、样本、显微镜、摄像头的相对位置，简化了工艺流程，操作简单且成本低，也提高了检测效率；(5)本发明操作简单，图像取样快捷，分析步骤简洁，因此节约时间，检测效率高。(6)在采集数据时能够将采集的数据更新到储存模块建立数据库，以扩充数据，进行进一步训练，更新模型参数，用于之后的识别分析，使检测结果更加准确；(7)对于各种不同类型的混凝土都有较好的适应性，能够在原有数据的基础上对其他具有特殊用途的混凝土也做到较为准确的检测。
附图说明
图1是本发明载样系统和图像采集系统的整体结构示意图。
图2是本发明图像识别与分析系统的示意图。
图3至图8是本发明其他局部结构示意图。
图中：1—工作台，2—纵向滑台一，3—纵向滑台二，4—横向滑台，5—置物台，6—垂直杆，7—卡箍一，8—卡箍二，9—显微支架，10—显微镜，11—摄像头，12—万向架支座，13—万向伸缩悬臂支架，14—光源。
具体实施方式：
下面结合附图与具体实例对本发明进行详细说明。
如图所示，本发明的一种水泥基材孔结构智能检测设备的装置包括：载样系统、图像采集系统和图像识别与分析系统，所述载样系统由工作台1、纵向滑台一2、纵向滑台二3、横向滑台4、置物台5组成；所述图像采集系统由垂直杆6、卡箍一7、卡箍二8、显微支架9、显微镜10、摄像头11、万向架支座12、万向伸缩悬臂支架13、光源14组成；所述工作台1上端面平行安装有纵向滑台一2、纵向滑台二3，且工作台1上端面边缘安装有垂直杆6；所述纵向滑台一2、纵向滑台二3固定安装于工作台1上端面，所述纵向滑台一2、纵向滑台二3上设置有横向滑台4；所述横向滑台4安装于纵向滑台一2、纵向滑台二3上，与纵向滑台一2、纵向滑台二3相垂直，且呈“工”形布置，所述横向滑台4上安装有置物台5；所述置物台5安装于横向换台4上；所述垂直杆6安装于工作台1上端面的边缘，且垂直杆6上安装有卡箍一7、卡箍二8、显微支架9、万向架支座12；所述卡箍一7、卡箍二8分别安装在垂直杆6的中部和下部；所述显微支架9安装于垂直杆6，且位于卡箍一7上方，所述显微支架9一端与垂直杆6相连，另一端为套圈且与显微镜10相连；所述显微镜10与显微支架9有套圈的一端相连，且所述显微10镜目镜端通过相互嵌合的螺纹与摄像头11的镜头前端相连；所述摄像头11位于显微镜10的上方，且摄像头11的镜头通过相互嵌合的螺纹与显微镜10的目镜端相连；所述万向架支座12安装于垂直杆6，且位于卡箍二8上方、卡箍一7下方，所述万向架支座12上端面安装有万向伸缩悬臂支架13；所述万向伸缩悬臂支架13一端安装于万向架支座12上表面，万向伸缩悬臂支架13的另一端为自由端并与光源14相连；所述光源14与万向伸缩悬臂支架13的自由端相连；所述图像识别与分析系统与摄像头11相连。
进一步的，所述纵向滑台一2、纵向滑台二3、横向滑台4为滚珠丝杆步进电机滑台。
进一步的，所述置物台5上端面为正方形，设置有尺寸为11cm*11cm的定位凹槽，且置物台5四边中部各设置试样固定卡扣。
进一步的，所述光源14为机器视觉零度环形光源，采用尺寸为照射角度为0度，内径为100mm的环形光源，并且在进行图像采集时将光源14平面中心至于显微镜10、摄像头11轴线处，与试样平面的距离控制在1～2mm。
进一步的，所述图像识别与分析系统由显示模块、储存模块和处理模块组成；所述显示模块用于显示图像采集系统所采集到的图像，以及显示系统识别与分析得出的结果等信息；所述储存模块用于保存图像采集系统所采集的样本图像，并建立数据库，用于制作图像样本标签集；所述处理模块用于搭载孔隙图像智能识别系统进行离线学习、训练、生成与在线使用相适应的混凝土特征检测模型参数。
一种水泥基材孔结构智能检测方法采用孔隙图像智能识别系统，具体实施步骤如下：
步骤(一)：将样本放置于置物台5，调节置物台5、光源14、显微镜10以及摄像头11的位置，对样本进行观察，并通过摄像头11采集样本图像，再将采集的样本图像发送至图像识别与分析系统的储存模块进行保存，样本图像至少1万张。
步骤(二)：对图像样本进行预处理，对采集的混凝土剖面图像样本使用快速导向滤波，使用下采样的方法得到导向滤波中所需的输入图与引导图，以对图像样本进行处理，然后对得到的图像进行均值，再进行归一化。
步骤(三)：对图像样本中的混凝土特征分别进行标记，制作图像样本对应的标签集，其中混凝土特征包括骨料、正常孔隙、连通孔隙，标签集制作包括对混凝土特征的实例标记、标签分类及储存标签集。
步骤(四)：通过图像识别与分析系统的处理模块离线学习、训练、生成与在线使用相适应的混凝土特征检测模型参数。
步骤(五)：将训练成功所得的混凝土特征检测模型参数发送至图像识别与分析系统的处理模块，进行在线机器自动识别、分割、统计混凝土样本中的孔隙特征，并通过显示模块显示检测结果。
进一步的，所述孔隙图像智能识别系统分为离线学习与在线检测两种模式，离线学习模式下，输入数据库中已做标签的图像集进行训练，输出混凝土特征检测模型参数；在线检测模式下，输入待检测图像集，利用离线学习模式下所输出混凝土特征检测模型参数，对混凝土孔隙特征进行智能检测识别，获得混凝土剖面量化信息。
进一步的，所述步骤(四)包括以下子步骤：采用特征图像金字塔算法将图像通过压缩或放大形成不同维度的图片作为模型输入，并对此类不同维度或不同尺度、尺寸的图片进行卷积特征提取，得到可反映多维度信息的特征集；特征图像金字塔算法所得到的每个维度的特征集，采用自底向上的路径增强，即再将低维度层的强定位特征通过特征图像金字塔算法传递至高维度层；自底向上路径增强的各维度特征使用Regions Of InterestAlign方法进行区域特征聚集操作；再将得到的各维度的全连接层进行特征融合，通过对融合的全连接层的整形，得到混凝土特征检测模型参数。
进一步的，所述步骤(五)包括以下子步骤：输入待测图像，将整张图像输入混凝土特征检测模型，进行特征提取；用混凝土特征检测模型生成实例分割掩膜图像，包括原图像、预测实例分割掩膜、预测分类标签；对所述实例分割掩膜图像中分割所得的特征区域进行分类、统计、计算，获得混凝土剖面量化信息。
上述实施例仅为本发明的优选实施方式，应当指出，对于本技术领域的技术人员来说，在不脱离本发明构思或原理的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (9)
1.一种水泥基材孔结构智能检测设备，其特征在于：包括：载样系统、图像采集系统和图像识别与分析系统，所述载样系统由工作台、2个纵向滑台、横向滑台、置物台组成；所述图像采集系统由垂直杆、2个卡箍、显微支架、显微镜、摄像头、万向架支座、万向伸缩悬臂支架、光源组成；所述工作台上端面平行安装有2个纵向滑台，且工作台上端面边缘安装有垂直杆；所述纵向滑台有2个，固定安装于工作台上端面，所述纵向滑台上设置有横向滑台；所述横向滑台安装于纵向滑台上，与纵向滑台相垂直，且呈“工”形布置，所述横向滑台上安装有置物台；所述置物台安装于横向换台上；所述垂直杆安装于工作台上端面的边缘，且垂直杆上安装有2个卡箍、显微支架、万向架支座；所述卡箍有2个，分别安装在垂直杆的下部和中部；所述显微支架安装于垂直杆，且位于垂直杆中部卡箍上方，所述显微支架一端与垂直杆相连，另一端为套圈且与显微镜相连；所述显微镜与显微支架有套圈的一端相连，且所述显微镜目镜端通过相互嵌合的螺纹与摄像头的镜头前端相连；所述摄像头位于显微镜的上方，且摄像头的镜头通过相互嵌合的螺纹与显微镜的目镜端相连；所述万向架支座安装于垂直杆，且位于垂直杆下部卡箍上方、中部卡箍下方，所述万向架支座上端面安装有万向伸缩悬臂支架；所述万向伸缩悬臂支架一端安装于万向架支座上表面，万向伸缩悬臂支架的另一端为自由端并与光源相连；所述光源与万向伸缩悬臂支架的自由端相连；所述图像识别与分析系统与摄像头相连。
2.根据权利要求1所述的一种水泥基材孔结构智能检测设备，其特征在于：所述纵向滑台、横向滑台为滚珠丝杆步进电机滑台。
3.根据权利要求1所述的一种水泥基材孔结构智能检测设备，其特征在于：所述置物台上端面为正方形，设置有尺寸为11cm*11cm的定位凹槽，且置物台四边中部各设置试样固定卡扣。
4.根据权利要求1所述的一种水泥基材孔结构智能检测设备，其特征在于：所述光源为机器视觉零度环形光源，采用尺寸为照射角度为0度，内径为100mm的环形光源，并且在进行图像采集时将光源平面中心至于显微镜、摄像头轴线处，与试样平面的距离控制在1~2mm，且该光源可使基质与孔隙形成鲜明对比，区分二者。
5.根据权利要求1所述的一种水泥基材孔结构智能检测设备，其特征在于：所述图像识别与分析系统由显示模块、储存模块和处理模块组成。
6.一种水泥基材孔结构智能检测方法，其特征在于：采用孔隙图像智能识别系统，具体实施步骤如下：
步骤（一）：将样本放置于置物台，调节置物台、光源、显微镜以及摄像头的位置，对样本进行观察，并通过摄像头采集样本的图像样本，再将采集的图像样本发送至图像识别与分析系统的储存模块进行保存，图像样本至少1万张；
步骤（二）：对图像样本进行预处理，对采集的混凝土剖面图像样本使用快速导向滤波，使用下采样的方法得到导向滤波中所需的输入图与引导图，以对图像样本进行处理，然后对得到的图像进行均值，再进行归一化；
步骤（三）：对图像样本中的混凝土特征分别进行标记，制作图像样本对应的标签集，其中混凝土特征包括骨料、正常孔隙、连通孔隙，标签集制作包括对混凝土特征的实例标记、标签分类及储存标签集；
步骤（四）：通过图像识别与分析系统的处理模块离线学习、训练、生成与在线使用相适应的混凝土特征检测模型参数；
步骤（五）：将训练成功所得的混凝土特征检测模型参数发送至图像识别与分析系统的处理模块，进行在线机器自动识别、分割、统计混凝土样本中的孔隙特征，并通过显示模块显示检测结果。
7.根据权利要求6所述的一种水泥基材孔结构智能检测方法，其特征在于：所述孔隙图像智能识别系统分为离线学习与在线检测两种模式，离线学习模式下，输入数据库中已做标签的图像集进行训练，输出混凝土特征检测模型参数；在线检测模式下，输入待检测图像集，利用离线学习模式下所输出混凝土特征检测模型参数，对混凝土孔隙特征进行智能检测识别，获得混凝土剖面量化信息。
8.根据权利要求6所述的一种水泥基材孔结构智能检测方法，其特征在于：所述步骤（四）包括以下子步骤：采用特征图像金字塔算法将图像通过压缩或放大形成不同维度的图片作为模型输入，并对此类不同维度或不同尺度、尺寸的图片进行卷积特征提取，得到可反映多维度信息的特征集；特征图像金字塔算法所得到的每个维度的特征集，采用自底向上的路径增强，即再将低维度层的强定位特征通过特征图像金字塔算法传递至高维度层；自底向上路径增强的各维度特征使用Regions Of Interest Align方法进行区域特征聚集操作；再将得到的各维度的全连接层进行特征融合，通过对融合的全连接层的整形，得到混凝土特征检测模型参数。
9.根据权利要求6所述的一种水泥基材孔结构智能检测方法，其特征在于：所述步骤（五）包括以下子步骤：输入待测图像，将整张图像输入混凝土特征检测模型，进行特征提取；用混凝土特征检测模型生成实例分割掩膜图像，包括原图像、预测实例分割掩膜、预测分类标签；对所述实例分割掩膜图像中分割所得的特征区域进行分类、统计、计算，获得混凝土剖面量化信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010345054.7A CN111626333A (zh) | 2020-04-27 | 2020-04-27 | 一种水泥基材孔结构智能检测设备及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010345054.7A CN111626333A (zh) | 2020-04-27 | 2020-04-27 | 一种水泥基材孔结构智能检测设备及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111626333A true CN111626333A (zh) | 2020-09-04 |
Family
ID=72271777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010345054.7A Pending CN111626333A (zh) | 2020-04-27 | 2020-04-27 | 一种水泥基材孔结构智能检测设备及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626333A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112816475A (zh) * | 2021-01-13 | 2021-05-18 | 太原市玉磊预拌混凝土有限公司 | 一种基于图像扫描的天然砂含泥量检测装置 |
| CN112884726A (zh) * | 2021-02-02 | 2021-06-01 | 中冶武汉冶金建筑研究院有限公司 | 一种混凝土切截面识别与性能预测反馈方法及系统 |
| RU2801526C1 (ru) * | 2022-04-11 | 2023-08-10 | Общество с ограниченной ответственностью "АМДОР" (ООО "АМДОР" | Способ обработки изображений покрытых битумом образцов щебня для определения адгезии |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150153560A1 (en) * | 2012-07-03 | 2015-06-04 | Carl Zeiss Microscopy Gmbh | Method for preparing for and carrying out the acquisition of image stacks of a sample from various orientation angles |
| CN204405501U (zh) * | 2015-03-04 | 2015-06-17 | 天津市建筑科学研究院有限公司 | 一种水泥基材料孔结构的测试分析系统 |
| CN107621436A (zh) * | 2017-10-11 | 2018-01-23 | 云南省交通规划设计研究院 | 一种水泥混凝土孔结构特征分析系统及其测试方法 |
| CN109543350A (zh) * | 2018-12-20 | 2019-03-29 | 哈尔滨工业大学（深圳） | 基于细观模型重构的透水混凝土性能预测方法及系统 |
-
2020
- 2020-04-27 CN CN202010345054.7A patent/CN111626333A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150153560A1 (en) * | 2012-07-03 | 2015-06-04 | Carl Zeiss Microscopy Gmbh | Method for preparing for and carrying out the acquisition of image stacks of a sample from various orientation angles |
| CN204405501U (zh) * | 2015-03-04 | 2015-06-17 | 天津市建筑科学研究院有限公司 | 一种水泥基材料孔结构的测试分析系统 |
| CN107621436A (zh) * | 2017-10-11 | 2018-01-23 | 云南省交通规划设计研究院 | 一种水泥混凝土孔结构特征分析系统及其测试方法 |
| CN109543350A (zh) * | 2018-12-20 | 2019-03-29 | 哈尔滨工业大学（深圳） | 基于细观模型重构的透水混凝土性能预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 周双喜: "基于深度学习的混凝土孔结构图像法快速分析" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112816475A (zh) * | 2021-01-13 | 2021-05-18 | 太原市玉磊预拌混凝土有限公司 | 一种基于图像扫描的天然砂含泥量检测装置 |
| CN112884726A (zh) * | 2021-02-02 | 2021-06-01 | 中冶武汉冶金建筑研究院有限公司 | 一种混凝土切截面识别与性能预测反馈方法及系统 |
| CN112884726B (zh) * | 2021-02-02 | 2022-05-20 | 中冶武汉冶金建筑研究院有限公司 | 一种混凝土切截面识别与性能预测反馈方法及系统 |
| RU2801526C1 (ru) * | 2022-04-11 | 2023-08-10 | Общество с ограниченной ответственностью "АМДОР" (ООО "АМДОР" | Способ обработки изображений покрытых битумом образцов щебня для определения адгезии |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
| CN107449782A (zh) | 手机外壳侧边表面缺陷数字化定量检测系统 | |
| CN103499303B (zh) | 一种羊毛细度自动测量方法 | |
| CN111340798A (zh) | 深度学习在产品外观瑕疵检测中的应用 | |
| CN110383038A (zh) | 用于对空气样本进行自动分析的系统和方法 | |
| CN111626333A (zh) | 一种水泥基材孔结构智能检测设备及方法 | |
| CN211505244U (zh) | 一种水泥基材孔结构图像采集、识别与分析设备 | |
| CN111795894B (zh) | 非接触式高分子塑料材料单轴拉伸大变形测量方法与系统 | |
| CN107016353B (zh) | 一种变分辨率目标探测与识别一体化的方法与系统 | |
| CN112395932A (zh) | 一种金属材料中显微组织全视场定量统计分布表征方法 | |
| CN103499301A (zh) | 一种麻类纤维细度自动分析仪及其应用 | |
| CN109182081A (zh) | 一种基于图像处理模型的单细胞分选系统 | |
| CN112730326A (zh) | 一种岩石薄片智能鉴定装置及方法 | |
| CN113155814A (zh) | 基于光纤阵列的便携式比色阵列图像采集装置及检测方法 | |
| CN115035081B (zh) | 一种基于工业ct的金属内部缺陷危险源定位方法及系统 | |
| CN112964732A (zh) | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 | |
| CN111879972A (zh) | 基于ssd网络模型的工件表面缺陷检测方法及系统 | |
| CN213543477U (zh) | 动力电池极片涂层均匀性在线计量测试系统 | |
| CN202204479U (zh) | 虚拟光学引伸计 | |
| CN111323425A (zh) | 一种多相机视觉检测装置及方法 | |
| CN111795967A (zh) | 一种骨髓细胞形态学自动检测系统的涂片自检方法 | |
| CN101788503B (zh) | 用于检测裸片背面缺陷的裸片缺陷检测系统及其使用方法 | |
| CN110554041A (zh) | 一种基于图像识别技术的银镍触头材料金相组织评价方法 | |
| CN113487550B (zh) | 一种基于改进激活函数的目标检测方法及装置 | |
| CN115541589A (zh) | 基于磁光成像和残差的电阻点焊缺陷采集分析系统及方法 |
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: 20200904 |