CN112819781A - 混凝土冲毛质量评估方法、装置及系统 - Google Patents

Abstract

本发明公开了一种混凝土冲毛质量评估方法、装置及系统，其中，该方法包括：通过扫描设备扫描经过冲毛操作的混凝土的目标区域，根据扫描结果获取该目标区域的三维点云数据和目标区域图像；对三维点云数据进行预处理，并基于预定工况、预先构建的工况‑粗糙度关系和预处理后的点云数据确定目标区域的粗糙度参数，粗糙度参数包括如下至少之一：填充体积、平均起伏度、法向量统计指标、表面积膨胀率、曲率统计指标；对目标区域图像进行预处理，并基于边界识别算法对预处理后的图像进行识别，以及基于预定工况、预先构建的工况‑图像特征关系和识别的图像确定目标区域的图像特征；根据目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估。

Description

混凝土冲毛质量评估方法、装置及系统

技术领域

本发明涉及混凝土冲毛技术领域，具体涉及一种混凝土冲毛质量评估方法、装置及系统。

背景技术

新老混凝土界面广泛存在于各类混凝土结构中，如混凝土大坝、桥梁、隧洞等，新老混凝土界面性能直接影响混凝土结构承载力、抗渗性、耐久性、抗侵蚀性等，而新老混凝土界面性能则与粗糙度、粗细骨料与水泥结合程度、水化程度、界面气孔、骨料形貌与分布等有密切关系，为控制界面性能在浇筑上层混凝土前，通常采用凿毛、打磨、冲毛等手段对下层混凝土进行处理。传统的凿毛、打磨等方式费时费力，因此现在工程中多采用高压水枪冲毛的方式对层面进行处理。混凝土浇筑之后，随着早期水化强度迅速增长，通常冲毛时机选择在混凝土终凝之后尽早开展，混凝土完全硬化后冲毛效果较差无法保证层面性能。因此，混凝土层面冲毛处理具有时效性，在施工过程中需要对冲毛效果进行及时、准确评估，并给出相应的冲毛策略。

粗糙程度是评价混凝土冲毛效果的重要指标，为提高混凝土层面抗剪能力JGJ1—2014《装配式混凝土结构技术规程》和GB/T51231—2016《装配式混凝土建筑技术标准》提出粗糙面凹凸深度不小于6mm，而DLT5112—2009《水工碾压混凝土施工规范规》则规定粗糙程度为“微露粗砂”。为了检测混凝土粗糙程度，学者们提出了灌砂法、粗糙度仪法、分形维数法、针触法、细小铁珠测定法等方法，但是上述方法存在操作复杂、测量精度差、测量效率低，无法应用在大尺度现场冲毛质量检测中等缺点。

发明内容

有鉴于此，本发明提供一种混凝土冲毛质量评估方法、装置及系统，以解决上述提及的至少一个问题。

根据本发明的第一方面，提供一种混凝土冲毛质量评估方法，所述方法包括：

通过扫描设备扫描经过冲毛操作的混凝土的目标区域，根据扫描结果获取该目标区域的三维点云数据和目标区域图像；

对所述三维点云数据进行预处理，并基于预定工况、预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，所述粗糙度参数包括如下至少之一：填充体积、平均起伏度、法向量统计指标、表面积膨胀率、曲率统计指标；

对所述目标区域图像进行预处理，并基于边界识别算法对预处理后的图像进行识别，以及基于所述预定工况、预先构建的工况-图像特征关系和识别的图像确定所述目标区域的图像特征，所述图像特征包括如下至少之一：粗细骨料参数、形状特征、气孔分布信息、骨料均匀性系数；

根据所述目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估。

根据本发明的第二方面，提供一种混凝土冲毛质量评估装置，所述装置包括：

初始信息获取单元，用于通过扫描设备扫描经过冲毛操作的混凝土的目标区域，根据扫描结果获取该目标区域的三维点云数据和目标区域图像；

点云数据预处理单元，用于对所述三维点云数据进行预处理；

粗糙度参数确定单元，用于基于预定工况、预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，所述粗糙度参数包括如下至少之一：填充体积、平均起伏度、法向量统计指标、表面积膨胀率、曲率统计指标；

图像预处理单元，用于所述目标区域图像进行预处理，并基于边界识别算法对预处理后的图像进行识别；

图像特征确定单元，用于基于所述预定工况、预先构建的工况-图像特征关系和识别的图像确定所述目标区域的图像特征，所述图像特征包括如下至少之一：粗细骨料参数、形状特征、气孔分布信息、骨料均匀性系数；

评估单元，用于根据所述目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估。

根据本发明的第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

由上述技术方案可知，通过扫描设备扫描经过冲毛操作的混凝土的目标区域，并根据扫描结果得到该目标区域的三维点云数据和目标区域图像，随后对三维点云数据和目标区域图像分别进行预处理，之后，根据预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，根据预先构建的工况-图像特征关系确定所述目标区域的图像特征，之后，根据目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估，相比于现有技术中的检测混凝土粗糙程度方法，本技术方案可以高效、准确、定量化评价现场混凝土冲毛质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的混凝土冲毛质量评估方法的流程图；

图2是根据本发明实施例的混凝土冲毛质量评估系统的结构框图；

图3是根据本发明实施例的混凝土冲毛质量评估装置的结构框图；

图4是根据本发明实施例的混凝土冲毛质量评估系统的示例结构框图；

图5是根据本发明实施例的填充体积(Filling Area)与冲毛程度在不同龄期的关系曲线图；

图6是根据本发明实施例的不同冲毛策略与强度发展关系曲线；

图7(1)和图7(2)是根据本发明实施例的三维激光扫描系统扫描的效果图；

图7(3)和图7(4)是根据本发明实施例的图像识别系统识别的效果图；

图8根据本发明实施例的提供冲毛策略的示意图；

图9为本发明实施例的电子设备600的系统构成的示意框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前的检测混凝土粗糙程度的方法，存在操作复杂、测量精度差、测量效率低，无法应用在大尺度现场冲毛质量检测中等缺点。同时，影响混凝土界面性能的并不仅仅是粗糙程度，相同粗糙程度下骨料形貌、分布、接触体积、气孔、骨料与水泥胶结程度都会影响层面性能，基于此，本发明实施例结合上述因素，提供一种能够高效、准确、定量化评价现场混凝土冲毛质量的方案。以下结合附图来详细描述本发明实施例。

图1是根据本发明实施例的混凝土冲毛质量评估方法的流程图，如图1所示，该方法包括：

步骤101，通过扫描设备扫描经过冲毛操作的混凝土的目标区域，根据扫描结果获取该目标区域的三维点云数据和目标区域图像。

这里的扫描设备可以是三维扫描仪(例如，Roland LPX 3D激光扫描仪)，通过三维扫描仪获取点云数据，精度可达0.02mm，可以为后续冲毛质量评估操作提供精确的数据。

步骤102，对所述三维点云数据进行预处理，并基于预定工况(例如，冲毛时间、冲毛压力、冲毛角度等)、预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，所述粗糙度参数包括如下至少之一：填充体积、平均起伏度、法向量统计指标、表面积膨胀率、曲率统计指标。

其中，填充体积：可以根据检测区域面积、点云中坐标点的数量、各点在Z轴方向上的分量来确定；

平均起伏度：可以根据各点在z轴上的单位法向量均值来确定；

法向量统计指标：可以用法线向量和直角坐标系Z轴之间角度的标准差来表示，该标准差可以根据法向量总数、线向量和直角坐标系Z轴之间的角度、各点云中坐标点的数量来确定；

表面积膨胀率：可以根据单位法向量在z轴的分量、各点云中坐标点的数量以及检测区域面积来确定；

曲率统计指标：可以根据各点的曲率来确定。

这里的对三维点云数据进行预处理可以包括：首先对小点云数据进行过滤，采用RANSAC(Random Sample Consensus，随机采样一致性)与平面填充算法提取和构建混凝土层面几何特性，然后基于修正后的点云数据构建辅助坐标系，并通过点云数据计算获取平面方程，提取平面法向量；之后通过重构坐标系并做滤波处理获得层面几何特征。上述预处理方式可以为现场不同角度测量以及灵活测量提供支持。

在实际操作中，工况-粗糙度关系，可以是粗糙度参数与冲毛时间、冲毛压力、冲毛角度之间的关系模型。

步骤103，对所述目标区域图像进行预处理，并基于边界识别算法对预处理后的图像进行识别，以及基于所述预定工况、预先构建的工况-图像特征关系和识别的图像确定所述目标区域的图像特征，所述图像特征包括如下至少之一：粗细骨料参数(例如，粗细骨料面积、占比、分布系数)、形状特征(一般而言，混凝土粗骨料与砂浆界面存在过渡区，其凸多边形的几何特征对于强度有重要影响)、气孔分布信息(例如，有害气孔分布及其大小)、骨料均匀性系数。

在实际操作中，工况-图像特征关系，可以是图像特征与冲毛时间、冲毛压力、冲毛角度之间的关系模型。

在一个实施例中，工况-粗糙度关系和工况-图像特征关系可以用一个关系模型来表示，即，粗糙度参数、图像特征与冲毛时间、冲毛压力、冲毛角度之间的关系模型。

步骤104，根据所述目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估。

通过扫描设备扫描经过冲毛操作的混凝土的目标区域，并根据扫描结果得到该目标区域的三维点云数据和目标区域图像，随后对三维点云数据和目标区域图像分别进行预处理，之后，根据预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，根据预先构建的工况-图像特征关系确定所述目标区域的图像特征，之后，根据目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估，相比于现有技术中的检测混凝土粗糙程度方法，本发明实施例可以高效、准确、定量化评价现场混凝土冲毛质量。

在步骤104评价之后，当对混凝土冲毛质量的评估结果为不合格时，可以根据所述预先构建的工况-粗糙度关系对所述目标区域确定评估结果合格的粗糙度参数，以及根据所述预先构建的工况-图像特征关系对所述目标区域确定评估结果合格的图像特征；之后，根据确定的评估结果合格的粗糙度参数和图像特征确定混凝土的冲毛操作信息(或者称为冲毛策略)。

进一步地，对经过冲毛操作的混凝土进行劈拉操作；之后基于劈拉后的混凝土图像、所述预定工况、混凝土龄期和预先构建的工况-强度关系确定混凝土强度。

随后，基于劈拉后的混凝土图像、所述预定工况、预先构建的工况-劈拉后层面信息关系确定劈拉后的混凝土界面的粗糙度参数和图像特征。

优选地，步骤104可以根据所述目标区域的粗糙度参数和图像特征、以及劈拉后的混凝土界面的粗糙度参数和图像特征对混凝土冲毛质量进行评估，可以得到更准确地混凝土冲毛质量评估结果。

在一个实施例中，预先构建的工况-强度关系还可以用于确定冲毛策略。具体地，获取待冲毛操作的混凝土的结构信息，所述结构信息包括：混凝土龄期、粘结强度、建筑部位信息；基于所述混凝土结构信息和所述预先构建的工况-强度关系确定该待冲毛操作混凝土的冲毛策略，这里的冲毛策略可以包括：冲毛压力、冲毛时间、冲毛角度等。

在实际操作中，对于大坝混凝土层面，需要混凝土粘结强度较高，层间粘结强度需要达到本体强度的70％-90％，以提高大坝抗裂性、抗渗性；而对于拱坝横缝(横缝是两个坝段之间连接的缝)来说，粘结强度不能太高，因为拱坝横缝需要在混凝土降温过程中拉开至0.5mm的开度，以满足横缝灌浆要求，使大坝成为一个整体；对于大坝诱导缝，粘结强度也不能太高，因为当大坝应力水平达到一定程度，需要由诱导缝释放应力，因此针对不同的层面需要有不同的冲毛策略。

在具体实施时，确定待冲毛操作混凝土的冲毛策略流程可以是：先判断混凝土结构所在的部位，如横缝部位；然后根据仿真计算获取大坝应力水平及其发展历程；当粘结强度与横缝应力一致时横缝张开；因此根据工程需要判断横缝所需要张开的时间节点；即，通过混凝土龄期、混凝土粘结强度、通过预先构建的工况-强度关系计算获取层面处理所需要的冲毛策略。在施工过程中，根据冲毛策略对层面进行处理，处理过程中，根据预先构建的工况-粗糙度关系和工况-图像特征关系提供评价指标，如冲毛质量不合格，则提出进一步的冲毛措施。

基于相似的发明构思，本发明实施例还提供一种混凝土冲毛质量评估系统，如图2所示，该系统包括：扫描设备1和混凝土冲毛质量评估装置2，其中，混凝土冲毛质量评估装置2优选地可用于实现上述混凝土冲毛质量评估方法的流程。

图3是该混凝土冲毛质量评估装置2的结构框图，如图2所示，该装置包括：初始信息获取单元21、点云数据预处理单元22、粗糙度参数确定单元23、图像预处理单元24、图像特征确定单元25和评估单元26，其中：

初始信息获取单元21，用于通过扫描设备1扫描经过冲毛操作的混凝土的目标区域，根据扫描结果获取该目标区域的三维点云数据和目标区域图像；

点云数据预处理单元22，用于对所述三维点云数据进行预处理；

粗糙度参数确定单元23，用于基于预定工况、预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，所述粗糙度参数包括如下至少之一：填充体积、平均起伏度、法向量统计指标、表面积膨胀率、曲率统计指标；

图像预处理单元24，用于所述目标区域图像进行预处理，并基于边界识别算法对预处理后的图像进行识别；

图像特征确定单元25，用于基于所述预定工况、预先构建的工况-图像特征关系和识别的图像确定所述目标区域的图像特征，所述图像特征包括如下至少之一：粗细骨料参数、形状特征、气孔分布信息、骨料均匀性系数；

评估单元26，用于根据所述目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估。

如上所述，通过扫描设备扫描经过冲毛操作的混凝土的目标区域，初始信息获取单元21根据扫描结果得到该目标区域的三维点云数据和目标区域图像，随后点云数据预处理单元22对三维点云数据、图像预处理单元24对目标区域图像分别进行预处理，之后，粗糙度参数确定单元23根据预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，图像特征确定单元25根据预先构建的工况-图像特征关系确定所述目标区域的图像特征，之后，评估单元26根据目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估，相比于现有技术中的检测混凝土粗糙程度方法，本发明实施例可以高效、准确、定量化评价现场混凝土冲毛质量。

在一个实施例中，上述装置还包括：合格参数确定单元和冲毛操作信息确定单元，其中：

合格参数确定单元，用于当对混凝土冲毛质量的评估结果为不合格时，根据所述预先构建的工况-粗糙度关系对所述目标区域确定评估结果合格的粗糙度参数，以及根据所述预先构建的工况-图像特征关系对所述目标区域确定评估结果合格的图像特征；

冲毛操作信息确定单元，用于根据确定的评估结果合格的粗糙度参数和图像特征确定混凝土的冲毛操作信息。

在实际操作中，上述装置还包括：混凝土强度确定单元，用于基于劈拉后的混凝土图像(即，对经过冲毛操作的混凝土进行劈拉操作后的混凝土界面图像)、所述预定工况、混凝土龄期和预先构建的工况-强度关系确定混凝土强度。

相应地，上述装置还包括：混凝土界面信息确定单元，用于基于劈拉后的混凝土图像、所述预定工况、预先构建的工况-劈拉后层面信息关系确定劈拉后的混凝土界面的粗糙度参数和图像特征。

基于混凝土界面信息确定单元的劈拉后的混凝土界面的粗糙度参数和图像特征，上述评价单元可以根据所述目标区域的粗糙度参数和图像特征、以及劈拉后的混凝土界面的粗糙度参数和图像特征对混凝土冲毛质量进行评估。如此，可以对冲毛质量更准确地评估。

在一个实施例中，上述装置还包括：结构信息获取单元和冲毛策略确定单元，其中：

结构信息获取单元，用于获取待冲毛操作的混凝土的结构信息，所述结构信息包括：混凝土龄期、粘结强度、建筑部位信息；

冲毛策略确定单元，用于基于所述混凝土结构信息和所述预先构建的工况-强度关系确定该待冲毛操作混凝土的冲毛策略。

上述各单元、各模块的具体执行过程，可以参见上述方法实施例中的描述，此处不再赘述。

在实际操作中，上述各单元、各模块可以组合设置、也可以单一设置，本发明不限于此。

为了更好地理解本发明实施例，以下给出一混凝土冲毛质量评估系统示例。

图4是该示例系统的结构框图，如图4所示，该系统包括：支持决策系统1、三维激光扫描系统2、图像识别系统3以及终端计算机4(图中未示出)，以下分别描述这四个部分。

(一)支持决策系统1

支持决策系统，包括针对工程构建的模型库11、针对工程问题构建的策略库12以及现场施工参数数据库13构成。针对工程构建的模型库包括三个模型；针对问题构建的策略库解决三类问题；施工参数数据库由混凝土材料参数、冲毛设备工作性能参数等组成。

(二)三维激光扫描系统2

三维激光扫描系统，包括：便携式三维扫描装置、三维点云分析模块、粗糙度特征指标分析模块，其中：三维扫描装置获取精确坐标数据；三维点云分析模块确定检测区域、修正点云数据、构建三维模型；粗糙度特征指标分析模块用于计算，为决策支持系统提供参数。

(三)图像识别系统3

图像识别系统，包括：摄像头和图像识别模块。摄像头可以获取目标区域图像；图像识别模块用于分析混凝土层面各类特征，可为决策支持系统提供参数，解算层面性能。

在实际操作中，图像识别模块可以识别获取的不同工况处理后的层面图像数据及其特征。具体识别流程包括：首先通过高斯模糊算法对图像进行去噪，采用大律法、全局自适应阈值方法对图像进行二化值处理；然后采用边界识别算法(Laplace、sobel、canny等)对混凝土层面粗骨料、气孔、砂浆区域进行识别与标定，计算粗细骨料面积、占比、分布系数、形状特征、有害气孔分布及其大小、骨料均匀性系数。

(四)终端计算机4

终端计算机，为支持决策系统1、三维激光扫描系统2、图像识别系统3提供计算服务，并为工作人员提供可视化冲毛策略与冲毛质量评价指标。

在混凝土材料领域，模型的构建通常是指通过混凝土强度、变形等试验获取相应性能的规律，并获得相应的数学表达，本发明实施例涉及的模型均针对工程项目通过实际试验结果构建。以下描述支持决策系统中的针对工程构建的模型库中的三个模型。

(1)模型1：粗糙度、图像特征与冲毛时间、冲毛压力、冲毛角度之间的关系模型

该模型1对应于上述的工况-粗糙度关系和工况-图像特征关系。

在实际操作中，首先浇筑混凝土试件，混凝土试件分为A层和B层，先浇筑A层混凝土试件，通过灌入阻力仪测定混凝土终凝时间(通常冲毛作业在混凝土终凝之后开始)。

当混凝土达到终凝状态之后，采用可调节压力的高压水枪对混凝土表面进行处理，其中，冲毛工况包括：冲毛压力工况(0/15/35MPa)、冲毛时间工况(1/2/3/5min)、冲毛角度(30/45/60/75°)，表面处理后通过三维激光扫描系统2、图像识别系统3对参数进行对比。

通过三维激光扫描系统(例如，Roland LPX 3D激光扫描仪)获取点云数据，精度可达0.02mm，对点云数据进行预处理：首先对其小点云进行过滤，然后采用RANSAC与平面填充算法提取和构建混凝土层面几何特性，然后基于修正后的点云数据构建辅助坐标系，并通过点云数据计算获取平面方程，提取平面法向量；然后通过重构坐标系并做滤波处理获得层面几何特征。上述处理方式可以为现场不同角度测量以及灵活测量提供支持。

基于上述预处理的数据，这里定义了五个特征指标对粗糙度进行表征。五种特征指标分别为：填充体积、平均起伏度、法向量统计指标、表面积膨胀率、曲率统计指标。通过扫描不同冲毛工况下的混凝土层面，获取粗糙度指标与冲毛工况的量化关系，例如，图5是填充体积(Filling Area)与冲毛程度在不同龄期的关系曲线图，其中S表示本体混凝土的工况，35MPa代表混凝土层面采用35MPa压力冲毛处理的工况。

类似地，通过图像识别系统3获取不同工况处理后的层面图像数据及其特征。具体识别流程包括：首先通过高斯模糊算法对图像进行去噪，采用大律法、全局自适应阈值方法对图像进行二化值处理；然后采用边界识别算法(Laplace、sobel、canny等)对混凝土层面粗骨料、气孔、砂浆区域进行识别与标定，计算粗细骨料面积、占比、分布系数、形状特征、有害气孔分布及其大小、骨料均匀性系数，最后将上述参数与冲毛工况构建函数关系。

(2)模型2：不同冲毛策略、冲毛程度下混凝土层面强度随龄期增长关系模型

该模型2对应于上述的工况-强度关系。

模型1建立了不同工况(即，不同冲毛策略)与粗糙程度之间的关系，在此基础上模型2通过强度试验获取冲毛策略与强度之间的关系。

混凝土试件分两层浇筑，A层浇筑终凝后采用不同冲毛工况处理(同模型1)，处理完成后经过标准养护一定龄期后浇筑B层混凝土，根据混凝土试验规程中的试验方法对上述混凝土试件进行标准养护。

分别在3/7/14/28天时对其强度进行测试，其中，强度测试方法依据混凝土试验规程，采用劈拉试验的方法，每个工况在每个龄期开展多块(例如，6块)试验测试，以确保试验数据的准确性和可靠性，之后建立冲毛策略与强度发展相应的指数模型。

当模型2构建完成后，在具体使用时，当输入冲毛压力、冲毛时间、冲毛角度、混凝土龄期时，通过模型2计算，可以获得混凝土强度。图6是不同冲毛策略与强度发展关系曲线，其中，S表示本体混凝土的工况，N表示对浇筑层面不做处理的工况。

(3)模型3：通过劈拉试验获取强度，劈拉后层面粗糙度、图像特征(骨料、气孔、龄期等)与冲毛策略关系模型

该模型3对应于上述的工况-劈拉后层面信息关系。

模型3在模型2劈拉强度试验后，对劈拉后的层面开展混凝土粗糙度及图像特征识别，并建立相应的关系。该识别过程中的三维处理与图像识别处理可以参见模型1中的处理。

在实际操作中，由于现有的用于强度测试的混凝土压力试验机无法被移动至工程现场使用，因此现场取芯后通常需要送后方实验室测强度。而本发明实施例可以在现场取芯后基于粗糙度特征、图像特征、混凝土龄期，计算出混凝土劈拉强度，直接用于现场评价冲毛质量。

为了进一步理解本发明，以下描述支持决策系统中的针对问题构建的策略库，该策略库解决三类问题，以下分别描述这三类问题及其解决策略。

(1)问题1：针对不同层面粘结强度需求提供不同冲毛策略。

在水利工程中，不同的混凝土层面对于混凝土性能要求不同。

如，对于大坝混凝土层面，需要混凝土粘结强度较高，层间粘结强度需要达到本体强度的70％-90％，以提高大坝抗裂性、抗渗性；对于拱坝横缝(横缝是两个坝段之间连接的缝)来说，粘结强度不能太高，因为拱坝横缝需要在混凝土降温过程中拉开至0.5mm的开度，以满足横缝灌浆要求，使大坝成为一个整体；对于大坝诱导缝，粘结强度也不能太高，因为当大坝应力水平达到一定程度，需要由诱导缝释放应力，因此针对不同的层面需要有不同的策略。

在具体操作中，在需要提供不同冲毛策略时，首先需要判断结构所在的部位，如横缝部位；然后根据仿真计算获取大坝应力水平及其发展历程；当粘结强度与横缝应力一致时横缝张开；因此，根据工程需要判断横缝所需要张开的时间节点。一般来说，根据混凝土龄期、混凝土粘结强度、并通过模型2计算，可以得到层面处理所需要的冲毛策略。在施工过程中，根据冲毛策略对层面进行处理，处理过程中，根据模型1提供的评价指标来判断处理是否合格，当不合格时，进一步提出冲毛措施。

(2)问题2：提供现场冲毛质量检测评估，质量未达标区域提供具体冲毛工作参数(例如，冲毛压力、冲毛时间等)。

根据采集结果对比现场混凝土粗糙度五个特征指标、图像特征指标与设定指标之间的差异，如未满足，则根据模型1给出策略，即，根据目标粗糙度特征指标与图像特征指标、高压水枪工作参数范围，由模型1计算，并通过图像方式给出需进一步处理的区域坐标、冲毛压力、冲毛时间。

(3)问题3：如果浇筑期未检测冲毛质量，后期取样依据劈拉强度，三维扫描粗糙度，图像特征评价冲毛质量，追踪工程质量问题。

混凝土现场钻心取样之后，通过三点加载的方式使芯样沿层面破坏，并通过三维激光扫描系统2、图像识别系统3获取粗糙度及图像特征指标，并将其作为输入，输入至模型3中，解算混凝土强度，现场评估混凝土冲毛质量是否满足设计要求。

在实际操作中，可以将三维激光扫描系统2、图像识别系统3集成在一个手持设备中，例如，通过一体式手持支架，便携式支架固定三维激光扫描系统2和图像识别系统3，便于工作人员现场扫描，现场评估冲毛质量。

在一个实施例中，工作人员手持具有三维激光扫描(由三维激光扫描系统2提供功能)和图像识别(由图像识别系统3提供功能)功能的便携式混凝土冲毛质量评估装置，对目标区域进行扫描。

三维激光扫描系统获取三维点云参数，例如，获取XYZ三维空间信息，可生成通用格式数据stl.obj.stl。将获取的数据输入终端计算机计算粗糙度参数，例如，填充体积、平均起伏度、法向量统计指标、表面积膨胀率、曲率统计指标。

同时，图像识别系统扫描区域混凝土层面照片，获取并识别图像信息，将识别的信息输入终端计算机解算层面图像特征参数，计算粗细骨料面积、占比、分布系数、形状特征、有害气孔分布系数及其大小、形貌、骨料均匀性系数。

图7(1)和图7(2)是三维激光扫描系统扫描的效果图，图7(3)和图7(4)是图像识别系统识别的效果图，其中，图7(1)是三维激光扫描系统扫描的一个效果图，图7(2)是三维激光扫描系统扫描的另一效果图，图7(3)是与图7(1)相应的图像识别效果图，图7(4)是与图7(2)相应的图像识别效果图，其中，orignal表示原图，binary表示二值化图，contours6(CAR：0.15)表示骨料边界识别图，pcontous5表示骨料面积占比图。

将终端计算机计算得到的粗糙度参数和层面图像特征参数输入支持决策系统，支持决策系统评估冲毛质量、提供冲毛策略。

在实际操作中，还可以针对不同问题输入不同参数，通过支持决策系统1给出不同策略，并反馈到终端电脑显示器，可以基于图像标定检测区域，显示如图8所示的具体的冲毛处理部位、冲毛压力、冲毛时间，以便于工作人员施工处理。

由以上面描述可知，本发明实施例可以高效、准确、定量化检测现场大尺度混凝土层面冲毛质量，为施工人员提供有效指导，其中：

本发明实施例中的三维激光扫描系统分析粗糙度及其特征指标非常高效，能够对整个仓面进行高速扫描，且精度达到毫米级别，能够通过手持式的设备在现场直接测定分析。传统的方法如灌砂法、粗糙度仪法、分形维数法、针触法、细小铁珠测定法等方法，效率非常低下，且不能大面积高精度测定。其中，灌砂法、细小铁珠法等需要辅助材料，而且评价指标单一，只有填充体积，不能够在现场应用；粗糙度仪法、针触法通常采用一根接触针，对一个断面进行多条线性测量，求平均值反映粗糙度，即不能高效测量，也不能准确反映整个界面的粗糙程度，尤其是对于粗糙度较小低压力冲毛的处理方式评价效果极差。

通过前期试验构建的模型，可以多指标定量化评价粗糙度、混凝土界面材料特征、随龄期变化的强度性能等，而且能够基于此提出相应的处理手段与策略。通常只考虑粗糙度及其特征并不能反映混凝土全部的强度性能，混凝土是一种多相材料，其骨料、气孔、裂纹对于其强度影响显著，因此需要通过图像对上述参数进行综合定量评价，再结合粗糙程度才能够准确评价。这是其他方式或者单一某一种方式无法达到的要求。

相对于上述两点，传统方法无法在现场应用，由于混凝土材料性能与其龄期发展有关，混凝土冲毛作业通常在混凝土终凝(混凝土基本硬化，大约在浇筑后24小时之后)之后处理，因此现场对于评价冲毛效果的评价具有时效性的要求，传统方法无法快速测量、分析，并给出策略。

本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照上述方法实施例进行实施及混凝土冲毛质量评估装置/系统的实施例进行实施，其内容被合并于此，重复之处不再赘述。

图9为本发明实施例的电子设备600的系统构成的示意框图。如图9所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，混凝土冲毛质量评估功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：

通过扫描设备扫描经过冲毛操作的混凝土的目标区域，根据扫描结果获取该目标区域的三维点云数据和目标区域图像；

对所述三维点云数据进行预处理，并基于预定工况、预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，所述粗糙度参数包括如下至少之一：填充体积、平均起伏度、法向量统计指标、表面积膨胀率、曲率统计指标；

对所述目标区域图像进行预处理，并基于边界识别算法对预处理后的图像进行识别，以及基于所述预定工况、预先构建的工况-图像特征关系和识别的图像确定所述目标区域的图像特征，所述图像特征包括如下至少之一：粗细骨料参数、形状特征、气孔分布信息、骨料均匀性系数；

根据所述目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估。

从上述描述可知，本申请实施例提供的电子设备，通过扫描设备扫描经过冲毛操作的混凝土的目标区域，并根据扫描结果得到该目标区域的三维点云数据和目标区域图像，随后通过对三维点云数据和目标区域图像分别进行预处理，之后，根据预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，根据预先构建的工况-图像特征关系确定所述目标区域的图像特征，之后，根据目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估，相比于现有技术中的检测混凝土粗糙程度方法，本发明实施例可以高效、准确、定量化评价现场混凝土冲毛质量。

在另一个实施方式中，混凝土冲毛质量评估装置/系统可以与中央处理器100分开配置，例如可以将混凝土冲毛质量评估装置/系统配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现混凝土冲毛质量评估功能。

如图9所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图9中所示的所有部件；此外，电子设备600还可以包括图9中没有示出的部件，可以参考现有技术。

如图9所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述混凝土冲毛质量评估方法的步骤。

综上所述，本发明实施例提出一种基于三维激光扫描和图像识别的便携式混凝土冲毛质量评估系统，其中：混凝土冲毛质量评估决策支持系统为不同工程问题提供相应措施；三维激光扫描系统，可以实现现场精准采集、实时量化分析混凝土界面粗糙程度及特征指标；图像识别系统，可以基于图像识别方法实现层面特征判别、冲毛质量分析；终端计算机，可以基于三维激光扫描系统和图像识别系统参数输出可视化冲毛策略。本发明实施例可以高效、定量化、效检测现场大尺度混凝土层面冲毛质量，为施工人员提供有效指导。

以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (15)

1.一种混凝土冲毛质量评估方法，其特征在于，所述方法包括：

通过扫描设备扫描经过冲毛操作的混凝土的目标区域，根据扫描结果获取该目标区域的三维点云数据和目标区域图像；

对所述三维点云数据进行预处理，并基于预定工况、预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，所述粗糙度参数包括如下至少之一：填充体积、平均起伏度、法向量统计指标、表面积膨胀率、曲率统计指标；

对所述目标区域图像进行预处理，并基于边界识别算法对预处理后的图像进行识别，以及基于所述预定工况、预先构建的工况-图像特征关系和识别的图像确定所述目标区域的图像特征，所述图像特征包括如下至少之一：粗细骨料参数、形状特征、气孔分布信息、骨料均匀性系数；

根据所述目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对经过冲毛操作的混凝土进行劈拉操作；

基于劈拉后的混凝土图像、所述预定工况、混凝土龄期和预先构建的工况-强度关系确定混凝土强度。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

基于劈拉后的混凝土图像、所述预定工况、预先构建的工况-劈拉后层面信息关系确定劈拉后的混凝土界面的粗糙度参数和图像特征。

4.根据权利要求3所述的方法，其特征在于，根据所述目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估包括：

根据所述目标区域的粗糙度参数和图像特征、以及劈拉后的混凝土界面的粗糙度参数和图像特征对混凝土冲毛质量进行评估。

5.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取待冲毛操作的混凝土的结构信息，所述结构信息包括：混凝土龄期、粘结强度、建筑部位信息；

基于所述混凝土结构信息和所述预先构建的工况-强度关系确定该待冲毛操作混凝土的冲毛策略。

6.根据权利要求1所述的方法，其特征在于，根据所述目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估之后，所述方法还包括：

当对混凝土冲毛质量的评估结果为不合格时，根据所述预先构建的工况-粗糙度关系对所述目标区域确定评估结果合格的粗糙度参数，以及根据所述预先构建的工况-图像特征关系对所述目标区域确定评估结果合格的图像特征；

根据确定的评估结果合格的粗糙度参数和图像特征确定混凝土的冲毛操作信息。

7.一种混凝土冲毛质量评估装置，其特征在于，所述装置包括：

初始信息获取单元，用于通过扫描设备扫描经过冲毛操作的混凝土的目标区域，根据扫描结果获取该目标区域的三维点云数据和目标区域图像；

点云数据预处理单元，用于对所述三维点云数据进行预处理；

粗糙度参数确定单元，用于基于预定工况、预先构建的工况-粗糙度关系和预处理后的点云数据确定所述目标区域的粗糙度参数，所述粗糙度参数包括如下至少之一：填充体积、平均起伏度、法向量统计指标、表面积膨胀率、曲率统计指标；

图像预处理单元，用于所述目标区域图像进行预处理，并基于边界识别算法对预处理后的图像进行识别；

图像特征确定单元，用于基于所述预定工况、预先构建的工况-图像特征关系和识别的图像确定所述目标区域的图像特征，所述图像特征包括如下至少之一：粗细骨料参数、形状特征、气孔分布信息、骨料均匀性系数；

评估单元，用于根据所述目标区域的粗糙度参数和图像特征对混凝土冲毛质量进行评估。

8.根据权利要求7所述的装置，其特征在于，对经过冲毛操作的混凝土进行劈拉操作，所述装置还包括：

混凝土强度确定单元，用于基于劈拉后的混凝土图像、所述预定工况、混凝土龄期和预先构建的工况-强度关系确定混凝土强度。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

混凝土界面信息确定单元，用于基于劈拉后的混凝土图像、所述预定工况、预先构建的工况-劈拉后层面信息关系确定劈拉后的混凝土界面的粗糙度参数和图像特征。

10.根据权利要求9所述的装置，其特征在于，所述评估单元具体用于：

根据所述目标区域的粗糙度参数和图像特征、以及劈拉后的混凝土界面的粗糙度参数和图像特征对混凝土冲毛质量进行评估。

11.根据权利要求8所述的装置，其特征在于，所述装置还包括：

结构信息获取单元，用于获取待冲毛操作的混凝土的结构信息，所述结构信息包括：混凝土龄期、粘结强度、建筑部位信息；

冲毛策略确定单元，用于基于所述混凝土结构信息和所述预先构建的工况-强度关系确定该待冲毛操作混凝土的冲毛策略。

12.根据权利要求7所述的装置，其特征在于，所述装置还包括：

合格参数确定单元，用于当对混凝土冲毛质量的评估结果为不合格时，根据所述预先构建的工况-粗糙度关系对所述目标区域确定评估结果合格的粗糙度参数，以及根据所述预先构建的工况-图像特征关系对所述目标区域确定评估结果合格的图像特征；

冲毛操作信息确定单元，用于根据确定的评估结果合格的粗糙度参数和图像特征确定混凝土的冲毛操作信息。

13.一种混凝土冲毛质量评估系统，其特征在于，所述系统包括：扫描设备、以及权利要求7至12中任一项所述的混凝土冲毛质量评估装置。

14.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6中任一项所述方法的步骤。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。

Images