CN112906700A - 自密实混凝土图像语义分割方法、装置及数据集生成方法 - Google Patents
自密实混凝土图像语义分割方法、装置及数据集生成方法 Download PDFInfo
- Publication number
- CN112906700A CN112906700A CN202110056454.0A CN202110056454A CN112906700A CN 112906700 A CN112906700 A CN 112906700A CN 202110056454 A CN202110056454 A CN 202110056454A CN 112906700 A CN112906700 A CN 112906700A
- Authority
- CN
- China
- Prior art keywords
- self
- compacting concrete
- semantic segmentation
- image
- image semantic
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种自密实混凝土图像语义分割方法、装置及数据集生成方法。该自密实混凝土图像语义分割数据集生成方法包括:获取多种自密实混凝土扩展度测试底板图像;其中,自密实混凝土扩展度测试底板图像包括:放置有泌水水体的自密实混凝土扩展度测试底板图像、放置有未被砂浆包裹骨料的自密实混凝土扩展度测试底板图像、放置有砂浆的自密实混凝土扩展度测试底板图像和放置有非自密实混凝土的自密实混凝土扩展度测试底板图像;在多种自密实混凝土扩展度测试底板图像上进行图像语义分割标注,得到标注数据;根据自密实混凝土扩展度测试底板图像和标注数据生成自密实混凝土图像语义分割数据集。本发明可以提高自密实混凝土图像语义分割的准确性。
Description
技术领域
本发明涉及自密实混凝土技术领域,具体地,涉及一种自密实混凝土图像语义分割方法、装置及数据集生成方法。
背景技术
在最近几十年里,计算机视觉技术随着科技的发展和计算机技术的崛起迅猛发展。20世纪50年代,计算机视觉从统计识别开始发展,当时工作主要集中在二维图像分析和识别上;60年代,人们通过计算机程序从数字图像中提取诸如立方体等多面体三维结构,并对物体形状及物体空间关系进行描述;90年代中期(MIT)人工智能(AI)实验室正式开设“机器视觉”(Machine Vision)课程。80年代以来,计算机视觉的研究已经历了从实验室走向实际的发展阶段,计算机工业水平的飞速提高以及人工智能、并行处理和神经元网络等学科的发展促使视觉系统实用化并促进了许多复杂视觉过程的研究。自密实混凝土的离析现象具有很强的视觉特征,该类视觉特征可以采用计算机视觉里图像分割的方法对其进行特征提取,此类提取方法常采用的是机器视觉,机器视觉是用一些图像处理来实现的,图像语义分割是图像处理的基础算法,其将图像分割和目标识别相结合,将图像语义分成特定的语义像素组,对图像中的每个像素都划分出对应的类别,实现图像在像素级别上的分类,最终得到分类图。但图像处理因为自密实混凝土试验客观因素(光照等)不能每次处理都得到很好的结果,为了减少图像的变化,降低机器视觉检测自密实混凝土离析程度的准确度,保证其不会随图像的变化导致识别不准确的情况,基于卷积的模型被人开发。卷积模型为深度学习发展的一个分支,该模型可以学习大量的有监督的数据集,数据集里面包含了很多人为标注的信息,机器学习到足够多的信息会获取更多的特征,更加适应检测不同自密实混凝土图像的离析效果。深度学习在越来越多的领域中凸显出其不可替代的重要性,人们开始从各领域渗透机器学习的典型案例,希望其大规模投入使用,而好的训练结果与坏的训练结果往往取决于拥有多少、多好的数据来训练的模型。在深度学习研究中,创建数据集首先需要根据所需要解决的问题确定数据集类型,保证数据集特征一致性,再采用不同的标注方法对成百上千张清晰图像进行标注,最后将图像和标注文件按照顺序一对一读入保存,形成了数据集。深度学习数据集在训练有监督的机器学习模型时,会将数据划分为训练集、验证集和测试集,对原始数据进行三个集合的划分,能够选出更好、泛化能力最佳的模型。训练集用来拟合模型,通过设置分类器的参数训练分类模型。后续结合验证集作用时,会选出同一参数的不同取值,拟合出多个分类器。验证集是在通过训练集训练出多个模型后,为了能找出效果最佳的模型,使用各个模型对验证集数据进行预测,并记录模型准确率,选出效果最佳的模型所对应的参数用来调整模型参数,如svm中的参数c和核函数等。测试集则是在通过训练集和验证集得出最优模型后,使用测试集进行模型预测,用来衡量该最优模型的性能和分类能力,即可以把测试集当作从来不存在的数据集,当已经确定模型参数后,使用测试集进行模型性能评价。
按照传统的机器学习思路,一般采用自密实混凝土浇筑在自密实混凝土扩展度测试底板上的自密实混凝土数字图像进行图像分割,然后进行分类标注学习,但是由于客观因素,无法得到高质量(清晰、离析明显等)的自密实混凝土图像,在这样的图像训练下,机器学习得到的信息具备偏差,导致图像识别具备偏差,机器判别自密实混凝土离析程度效率不高。同时,因为自密实混凝土是多种材料混合而成的混合物,局部微量砂浆和微量骨料发生分离时难以被检测,甚至有时人眼也难以分别机器学习中几类标签的差别,导致图像语义分割的准确率不高。
发明内容
本发明实施例的主要目的在于提供一种自密实混凝土图像语义分割方法、装置及数据集生成方法,以提高自密实混凝土图像语义分割的准确性。
为了实现上述目的,本发明实施例提供一种自密实混凝土图像语义分割数据集生成方法,包括:
获取多种自密实混凝土扩展度测试底板图像;其中,自密实混凝土扩展度测试底板图像包括:放置有泌水水体的自密实混凝土扩展度测试底板图像、放置有未被砂浆包裹骨料的自密实混凝土扩展度测试底板图像、放置有砂浆的自密实混凝土扩展度测试底板图像和放置有非自密实混凝土的自密实混凝土扩展度测试底板图像;
在多种自密实混凝土扩展度测试底板图像上进行图像语义分割标注,得到标注数据;
根据自密实混凝土扩展度测试底板图像和标注数据生成自密实混凝土图像语义分割数据集。
本发明实施例还提供一种自密实混凝土图像语义分割方法,包括:
获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像;
将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果;其中,自密实混凝土图像语义分割数据集通过如上所述的自密实混凝土图像语义分割数据集生成方法获得。
本发明实施例还提供一种自密实混凝土图像语义分割装置,包括:
自密实混凝土图像获取模块,用于获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像;
图像语义分割结果模块,用于将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果;其中,自密实混凝土图像语义分割数据集通过如上所述的自密实混凝土图像语义分割数据集生成方法获得。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,处理器执行计算机程序时实现所述的自密实混凝土图像语义分割方法的步骤。
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,计算机程序被处理器执行时实现所述的自密实混凝土图像语义分割方法的步骤。
本发明实施例的自密实混凝土图像语义分割方法、装置及数据集生成方法可以分别对各种图像进行准确标注,进而提高自密实混凝土图像语义分割的准确性。
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,下面描述中的附图仅仅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是本发明实施例中自密实混凝土图像语义分割数据集生成方法的流程图;
图2是本发明实施例中自密实混凝土图像语义分割方法的流程图;
图3是自密实混凝土的材料解析示意图;
图4是本发明实施例中放置有自密实混凝土的自密实混凝土扩展度测试底板图像剖视图;
图5是本发明实施例中放置有自密实混凝土的自密实混凝土扩展度测试底板图像俯视图;
图6是本发明实施例中自密实混凝土图像语义分割装置的结构框图;
图7是本发明实施例中计算机设备的结构框图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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做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。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
鉴于现有技术难以分别机器学习中几类标签的差别,导致图像语义分割的准确性不高,本发明实施例的自密实混凝土图像语义分割方法、装置及数据集生成方法可以分别对各种图像进行准确标注,进而提高自密实混凝土图像语义分割的准确性。
图1是本发明实施例中自密实混凝土图像语义分割数据集生成方法的流程图。如图1所示,自密实混凝土图像语义分割数据集生成方法包括:
S101:获取多种自密实混凝土扩展度测试底板图像。
其中,自密实混凝土扩展度测试底板图像包括:放置有泌水水体的自密实混凝土扩展度测试底板图像、放置有未被砂浆包裹骨料的自密实混凝土扩展度测试底板图像、放置有砂浆的自密实混凝土扩展度测试底板图像和放置有非自密实混凝土的自密实混凝土扩展度测试底板图像。本申请中的泌水水体为胶凝材料净浆泌出的水体。
图3是自密实混凝土的材料解析示意图。自密实混凝土是一种含有多组分的复合材料,尽管各个组成材料的特性均不相同,但是从不同的研究尺度来讲,均可以认为自密实混凝土是由液相浆体和固相颗粒组成的两相材料。如图3所示,自密实混凝土可看作砂浆和粗骨料组成的两相材料,砂浆又可以看作净浆和砂子(细骨料)组成的两相材料,净浆又可以进一步看作水(减水剂)和粉体材料组成的两相材料。
一实施例中,可以将不同浓度的泌水水体(主要选取低浓度)连续或者不连续的滴在自密实混凝土扩展度测试底板上,得到放置有泌水水体的自密实混凝土扩展度测试底板后获取对应的图像。
具体实施时,可以采用正常商用生产的胶凝材料和实验用水进行混合,分别制成体积浓度为1%、1.5%、2%、2.5%、3%、3.5%、4%、4.5%、5%、5.5%、6%、6.5%、7%和7.5%的泌水水体,胶凝材料与水需确保混合均匀。然后调整自密实混凝土扩展度测试底板的底座,确保整块自密实混凝土扩展度测试底板平衡后用抹布浸润拧干,擦拭自密实混凝土扩展度测试底板以清除污垢,待自密实混凝土扩展度测试底板上的水分干涸后,将装有泌水水体的容器沿着自密实混凝土扩展度测试底板的中心保持较低的高度缓缓倒下,保证泌水水体在自密实混凝土扩展度测试底板上扩散均匀,待泌水水体不再流动时,采用数字图像采集系统采集放置有泌水水体的自密实混凝土扩展度测试底板图像。
一实施例中,未被砂浆包裹骨料通过分离骨料固液混合物获得。
自密实混凝土图像语义分割数据集生成方法还包括:
利用胶凝材料净浆和/或砂浆浸泡骨料得到骨料固液混合物;或将胶凝材料净浆和/或砂浆与骨料进行混合搅拌得到骨料固液混合物。
具体实施时,可以用不同浓度的胶凝材料净浆和/或砂浆(主要选取低浓度)浸泡粗骨料,得到骨料固液混合物。或者可以将不同流动性的胶凝材料净浆和/或砂浆与骨料进行混合搅拌得到骨料固液混合物。
例如,可以采用正常商用生产的胶凝材料和/或砂浆与实验用水和外加剂(非必须)进行混合,分别配置成体积浓度为3%、4%、5%、6%、7%、8%、9%、10%、15%、30%、25%、30%、35%、40%和50%的混合物,胶凝材料和/或砂浆与实验用水需确保混合均匀。然后将若干千克粗骨料浸入若干升混合物中浸泡若干小时,得到骨料固液混合物;或者采用不同流动性的胶凝材料净浆和/或砂浆与粗骨料和外加剂(非必须)混合搅拌得到骨料固液混合物(混凝土)。
接着,将骨料固液混合物中的胶凝材料净浆和/或砂浆与粗骨料分离(例如可以放入筛网中进行振筛),得到未被砂浆包裹骨料,最后将未被砂浆包裹骨料连续或者不连续的放在自密实混凝土扩展度测试底板上,得到放置有未被砂浆包裹骨料的自密实混凝土扩展度测试底板后获取对应的图像。如果骨料固液混合物分离不彻底,则此时自密实混凝土扩展度测试底板放置有未被砂浆包裹骨料、泌水水体和砂浆。
例如,可以调整自密实混凝土扩展度测试底板的底座,确保整块自密实混凝土扩展度测试底板平衡后用抹布浸润拧干,擦拭自密实混凝土扩展度测试底板以清除污垢,待自密实混凝土扩展度测试底板上的水分干涸后,将未被砂浆包裹骨料轻轻倒置自密实混凝土扩展度测试底板上,保证未被砂浆包裹骨料平铺自密实混凝土扩展度测试底板,采用数字图像采集系统采集放置有未被砂浆包裹骨料的自密实混凝土扩展度测试底板图像。
一实施例中,可以将搅拌后的抗离析性能良好的砂浆放置在自密实混凝土扩展度测试底板上,得到放置有砂浆的自密实混凝土扩展度测试底板后获取对应的图像。
具体实施时,可以按照规范将砂、水、外加剂(非必须)和正常生产的胶凝材料加入搅拌机搅拌为一锅抗离析性能好的砂浆;然后从搅拌机中取出新鲜的砂浆,将装有砂浆的容器沿着自密实混凝土扩展度测试底板的中心保持较低的高度缓缓倒下,保证砂浆在自密实混凝土扩展度测试底板扩散均匀。或者,也可以将砂浆装入坍落度筒,通过手提坍落度筒令坍落度筒在垂直方向移动,完成砂浆在底板上的扩展。待砂浆不再流动时,采用数字图像采集系统采集放置有砂浆的自密实混凝土扩展度测试底板图像。
一实施例中,可以将搅拌后的抗离析性能良好的非自密实混凝土放置在自密实混凝土扩展度测试底板上,得到放置有非自密实混凝土的自密实混凝土扩展度测试底板后获取对应的图像。
具体实施时,可以按照规范将砂、水、外加剂(非必须)、正常生产的胶凝材料和粗骨料加入搅拌机搅拌为一锅抗离析性能好的非自密实混凝土;然后从搅拌机中取出刚搅拌的非自密实混凝土,将非自密实混凝土在自密实混凝土扩展度测试底板上平铺成不同的形状。或者,也可以将非自密实混凝土装入坍落度筒,通过手提坍落度筒令坍落度筒在垂直方向移动,完成非自密实混凝土在底板上的扩展。最后采用数字图像采集系统采集放置有非自密实混凝土的自密实混凝土扩展度测试底板图像。
在采集图像时,可以采用数字图像采集系统在自密实混凝土扩展度测试底板上的一米处由上到下进行图像采集,采集时数字图像采集系统的镜头平行于自密实混凝土扩展度测试底板,保证整块自密实混凝土扩展度测试底板被镜头摄入、自密实混凝土扩展度测试底板上没有杂物且图像校正标识物不能被遮挡或覆盖。图像尽量在天气良好,阳光明媚的情况下收集,若遇到光线不太充足的阴雨天气,可以运用额外的照明设备进行补光。为了减少图像的存储空间,可以将全部图像转换为红绿蓝三色图像,并以JPG格式存储。接着使用OpenCV对所有图像进行大小调整,采用面积关系插值方法将图像长边减小到1200像素,同时保持图像的比例不变。最后将图像中的底板外围部分进行裁剪,留取自密实混凝土扩展度测试底板,并且保证位于自密实混凝土扩展度测试底板底部的图像校正标识物不能被裁剪掉。
S102:在多种自密实混凝土扩展度测试底板图像上进行图像语义分割标注,得到标注数据。
其中,标注数据位于一个JSON文件中,包括边界框信息、标签信息以及该实例所在图像的属性。
一实施例中,S102包括:
在多种自密实混凝土扩展度测试底板图像上通过共享边的方式设置所述自密实混凝土扩展度测试底板图像中各个实例的边界框,确定边界框的标签。对于每个实例仅标注一个标签的情况,通过共享边的方式设置边界框即不允许一个像素点拥有两个标签,且自密实混凝土扩展度测试底板图像上的每个像素点有且仅有一个对应的标签。
其中,标签包括底板标签、泌水水体标签、未被砂浆包裹骨料标签、砂浆标签和扩展度饼中心扎堆骨料标签。
一实施例中,放置有泌水水体的自密实混凝土扩展度测试底板图像的标签包括底板标签和泌水水体标签;放置有未被砂浆包裹骨料的自密实混凝土扩展度测试底板图像的标签包括底板标签和未被砂浆包裹骨料标签;放置有砂浆的自密实混凝土扩展度测试底板图像的标签包括底板标签和砂浆标签;放置有非自密实混凝土的自密实混凝土扩展度测试底板图像的标签包括底板标签和扩展度饼中心扎堆骨料标签。
S103:根据自密实混凝土扩展度测试底板图像和标注数据生成自密实混凝土图像语义分割数据集。
其中,所有自密实混凝土扩展度测试底板图像均被随机打乱后从1开始编码。自密实混凝土扩展度测试底板图像上设置有图像校正标识物。S103包括:
根据图像校正标识物校正图像语义分割标注后的自密实混凝土扩展度测试底板图像,并根据校正后的自密实混凝土扩展度测试底板图像生成自密实混凝土图像语义分割数据集。
如果通过自密实混凝土图像语义分割数据集得到的自密实混凝土图像语义分割结果后续用来确定自密实混凝土中各组分的面积,则需要根据图像中的图像校正标识物对自密实混凝土扩展度测试底板图像进行校正。
图像校正标识物为图像校正的基准,是还原各类面积真实尺寸的参照、也是将斜视还原为正视的基准。图像校正标识物可以是贴在自密实混凝土扩展度测试底板的二维码、刻画在自密实混凝土扩展度测试底板的一系列同心圆等已知真实尺寸和姿态的物体;在图像采集时,需要保证图像校正标识物在取景框内。在放置泌水水体、未被砂浆包裹骨料、砂浆和非自密实混凝土时,不能对图像校正标识物进行遮盖。
具体实施时,组成图像校正标识物边缘轮廓的点的各坐标可以保存于一二维数组中,数组中的每一元素表示边缘轮廓中一个点的坐标信息,沿轮廓按顺时针方向存储。数组中最小的横坐标Xmin及最小的纵坐标Ymin所对应的点即为图像校正标识物的左上角点,数组中最大的横坐标Xmax及最小的纵坐标Ymin所对应的点即为图像校正标识物的右上角点,数组中最小的横坐标Xmin及最大的纵坐标Ymax所对应的点即为图像校正标识物的左下角点,数组中最大的横坐标Xmax及最大的纵坐标Ymax所对应的点即为图像校正标识物的右下角点。这四个角点的坐标值是透视变换模型的必要参数,透视变换模型对应于跨平台计算机视觉和机器学习软件库OpenCV中的函数getPerspectiveTransform,透视变换模型可实现对图像校正标识物的校正,进而校正图像语义分割标注后的自密实混凝土扩展度测试底板图像,使自然拍摄状态下歪歪斜斜的自密实混凝土扩展度测试底板图像转化为一正视图。
综上,本发明实施例的自密实混凝土图像语义分割数据集生成方法先获取多种自密实混凝土扩展度测试底板图像,再在多种自密实混凝土扩展度测试底板图像上进行图像语义分割标注,得到标注数据,最后根据自密实混凝土扩展度测试底板图像和标注数据生成自密实混凝土图像语义分割数据集,可以分别对各种图像进行准确标注,进而提高自密实混凝土图像语义分割的准确性,减少图像语义分割标注的工作量。
基于同一发明构思,本发明实施例还提供了一种自密实混凝土图像语义分割方法,由于该方法解决问题的原理与自密实混凝土图像语义分割数据集生成方法相似,因此该方法的实施可以参见自密实混凝土图像语义分割数据集生成方法的实施,重复之处不再赘述。
图2是本发明实施例中自密实混凝土图像语义分割方法的流程图。如图2所示,自密实混凝土图像语义分割方法包括:
S201:获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像。
图4是本发明实施例中放置有自密实混凝土的自密实混凝土扩展度测试底板图像剖视图。图5是本发明实施例中放置有自密实混凝土的自密实混凝土扩展度测试底板图像俯视图。如图4和图5所示,放置有自密实混凝土的自密实混凝土扩展度测试底板图像包括泌水水体1、未被砂浆包裹骨料2、砂浆3、扩展度饼中心扎堆骨料4和自密实混凝土扩展度测试底板5。具体实施时,如果本申请的自密实混凝土图像语义分割结果后续用来确定自密实混凝土中各组分的面积,则需要根据图像中的图像校正标识物对放置有自密实混凝土的自密实混凝土扩展度测试底板图像进行校正。
S202:将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果。
其中,自密实混凝土图像语义分割数据集通过如上所述的自密实混凝土图像语义分割数据集生成方法获得。
一实施例中,基于自密实混凝土图像语义分割数据集获得自密实混凝土图像语义分割模型包括:
将自密实混凝土图像语义分割数据集划分为训练集和验证集;根据训练集训练预设的初始图像语义分割模型,得到多个图像语义分割训练模型;根据验证集验证多个图像语义分割训练模型,根据各图像语义分割训练模型的验证结果从多个图像语义分割训练模型中选择自密实混凝土图像语义分割模型。
具体实施时,图像语义分割训练模型的验证结果可以为准确度,根据各图像语义分割训练模型的验证结果从多个图像语义分割训练模型中选择自密实混凝土图像语义分割模型即选择准确度最高的图像语义分割训练模型为自密实混凝土图像语义分割模型。
图像语义分割可以将图像中的每一个像素点按照标签进行分类,放置有自密实混凝土的自密实混凝土扩展度测试底板图像对应的标注数据(自密实混凝土图像语义分割结果)包括各实例的边界框和各边界框对应的底板标签、泌水水体标签、未被砂浆包裹骨料标签、砂浆标签和扩展度饼中心扎堆骨料标签。
具体实施时,可以根据各标签对应的边界框框住的图像面积可以确定自密实混凝土中各组分(泌水水体、未被砂浆包裹骨料、砂浆和扩展度饼中心扎堆骨料)的面积,也可以对自密实混凝土图像语义分割结果进行三维语义分割。其中,第一类面积为泌水水体在水平面上投影的总面积,第二类面积为未被砂浆包裹骨料在水平面上投影的总面积,第三类面积为第二类面积、第四类面积和砂浆在水平面上投影的总面积的和,第四类面积为扩展度饼中心扎堆骨料在水平面上投影的总面积。
综上,本发明实施例的自密实混凝土图像语义分割方法先获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像,再将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果,可以提高自密实混凝土图像语义分割的准确性。
基于同一发明构思,本发明实施例还提供了一种自密实混凝土图像语义分割装置,由于该方法解决问题的原理与自密实混凝土图像语义分割方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
图6是本发明实施例中自密实混凝土图像语义分割装置的结构框图。如图6所示,自密实混凝土图像语义分割装置包括:
自密实混凝土图像获取模块,用于获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像;
图像语义分割结果模块,用于将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果;其中,自密实混凝土图像语义分割数据集通过如上所述的自密实混凝土图像语义分割数据集生成方法获得。
在其中一种实施例中,还包括:自密实混凝土图像语义分割模型模块,用于:
将自密实混凝土图像语义分割数据集划分为训练集和验证集;
根据训练集训练预设的初始图像语义分割模型,得到多个图像语义分割训练模型;
根据验证集验证多个图像语义分割训练模型,根据各图像语义分割训练模型的验证结果从多个图像语义分割训练模型中选择自密实混凝土图像语义分割模型。
综上,本发明实施例的自密实混凝土图像语义分割装置先获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像,再将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果,可以提高自密实混凝土图像语义分割的准确性。
本发明实施例还提供能够实现上述实施例中的自密实混凝土图像语义分割方法中全部步骤的一种计算机设备的具体实施方式。图7是本发明实施例中计算机设备的结构框图,参见图7,所述计算机设备具体包括如下内容:
处理器(processor)701和存储器(memory)702。
所述处理器701用于调用所述存储器702中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的自密实混凝土图像语义分割方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像;
将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果;其中,自密实混凝土图像语义分割数据集通过如上所述的自密实混凝土图像语义分割数据集生成方法获得。
综上,本发明实施例的计算机设备先获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像,再将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果,可以提高自密实混凝土图像语义分割的准确性。
本发明实施例还提供能够实现上述实施例中的自密实混凝土图像语义分割方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质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实施例中的自密实混凝土图像语义分割方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像;
将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果;其中,自密实混凝土图像语义分割数据集通过如上所述的自密实混凝土图像语义分割数据集生成方法获得。
综上,本发明实施例的计算机可读存储介质先获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像,再将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果,可以提高自密实混凝土图像语义分割的准确性。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元,或装置都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
Claims (11)
1.一种自密实混凝土图像语义分割数据集生成方法,其特征在于,包括:
获取多种自密实混凝土扩展度测试底板图像;其中,所述自密实混凝土扩展度测试底板图像包括:放置有泌水水体的自密实混凝土扩展度测试底板图像、放置有未被砂浆包裹骨料的自密实混凝土扩展度测试底板图像、放置有砂浆的自密实混凝土扩展度测试底板图像和放置有非自密实混凝土的自密实混凝土扩展度测试底板图像;
在所述多种自密实混凝土扩展度测试底板图像上进行图像语义分割标注,得到标注数据;
根据所述自密实混凝土扩展度测试底板图像和所述标注数据生成自密实混凝土图像语义分割数据集。
2.根据权利要求1所述的自密实混凝土图像语义分割数据集生成方法,其特征在于,所述未被砂浆包裹骨料通过分离骨料固液混合物获得;
所述自密实混凝土图像语义分割数据集生成方法还包括:
利用胶凝材料净浆和/或砂浆浸泡骨料得到所述骨料固液混合物;或
将所述胶凝材料净浆和/或所述砂浆与所述骨料进行混合搅拌得到所述骨料固液混合物。
3.根据权利要求1所述的自密实混凝土图像语义分割数据集生成方法,其特征在于,所述标注数据包括边界框和标签;
在所述多种自密实混凝土扩展度测试底板图像上进行图像语义分割标注,得到标注数据包括:
在所述多种自密实混凝土扩展度测试底板图像上通过共享边的方式设置所述自密实混凝土扩展度测试底板图像中各个实例的边界框,确定所述边界框的标签。
4.根据权利要求3所述的自密实混凝土图像语义分割数据集生成方法,其特征在于,
所述放置有泌水水体的自密实混凝土扩展度测试底板图像的标签包括底板标签和泌水水体标签;
所述放置有未被砂浆包裹骨料的自密实混凝土扩展度测试底板图像的标签包括所述底板标签和未被砂浆包裹骨料标签;
所述放置有砂浆的自密实混凝土扩展度测试底板图像的标签包括所述底板标签和砂浆标签;
所述放置有非自密实混凝土的自密实混凝土扩展度测试底板图像的标签包括所述底板标签和扩展度饼中心扎堆骨料标签。
5.根据权利要求1所述的自密实混凝土图像语义分割数据集生成方法,其特征在于,所述自密实混凝土扩展度测试底板图像上设置有图像校正标识物;
根据图像语义分割标注后的自密实混凝土扩展度测试底板图像生成自密实混凝土图像语义分割数据集包括:
根据所述图像校正标识物校正图像语义分割标注后的自密实混凝土扩展度测试底板图像,并根据校正后的自密实混凝土扩展度测试底板图像生成自密实混凝土图像语义分割数据集。
6.一种自密实混凝土图像语义分割方法,其特征在于,包括:
获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像;
将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果;其中,自密实混凝土图像语义分割数据集通过权利要求1-5任一权利要求所述的自密实混凝土图像语义分割数据集生成方法获得。
7.根据权利要求6所述的自密实混凝土图像语义分割方法,其特征在于,基于所述自密实混凝土图像语义分割数据集获得自密实混凝土图像语义分割模型包括:
将所述自密实混凝土图像语义分割数据集划分为训练集和验证集;
根据所述训练集训练预设的初始图像语义分割模型,得到多个图像语义分割训练模型;
根据所述验证集验证所述多个图像语义分割训练模型,根据各图像语义分割训练模型的验证结果从所述多个图像语义分割训练模型中选择自密实混凝土图像语义分割模型。
8.一种自密实混凝土图像语义分割装置,其特征在于,包括:
自密实混凝土图像获取模块,用于获取放置有自密实混凝土的自密实混凝土扩展度测试底板图像;
图像语义分割结果模块,用于将放置有自密实混凝土的自密实混凝土扩展度测试底板图像输入基于自密实混凝土图像语义分割数据集获得的自密实混凝土图像语义分割模型中,得到自密实混凝土图像语义分割结果;其中,自密实混凝土图像语义分割数据集通过权利要求1-5任一权利要求所述的自密实混凝土图像语义分割数据集生成方法获得。
9.根据权利要求8所述的自密实混凝土图像语义分割装置,其特征在于,还包括:自密实混凝土图像语义分割模型模块,用于:
将所述自密实混凝土图像语义分割数据集划分为训练集和验证集;
根据所述训练集训练预设的初始图像语义分割模型,得到多个图像语义分割训练模型;
根据所述验证集验证所述多个图像语义分割训练模型,根据各图像语义分割训练模型的验证结果从所述多个图像语义分割训练模型中选择自密实混凝土图像语义分割模型。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并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计算机程序时实现权利要求6至7任一项所述的自密实混凝土图像语义分割方法的步骤。
11.一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,所述计算机程序被处理器执行时实现权利要求6至7任一项所述的自密实混凝土图像语义分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056454.0A CN112906700B (zh) | 2021-01-15 | 2021-01-15 | 自密实混凝土图像语义分割方法、装置及数据集生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056454.0A CN112906700B (zh) | 2021-01-15 | 2021-01-15 | 自密实混凝土图像语义分割方法、装置及数据集生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906700A true CN112906700A (zh) | 2021-06-04 |
CN112906700B CN112906700B (zh) | 2022-10-21 |
Family
ID=76113654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110056454.0A Active CN112906700B (zh) | 2021-01-15 | 2021-01-15 | 自密实混凝土图像语义分割方法、装置及数据集生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906700B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
CN117125945A (zh) * | 2023-10-24 | 2023-11-28 | 上海建工集团股份有限公司 | 一种低粘度高稳定性工程修复材料及制备方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105588546A (zh) * | 2016-03-15 | 2016-05-18 | 清华大学 | 一种测量浆体形状参数及其随时间变化的方法及系统 |
US20170053412A1 (en) * | 2015-08-21 | 2017-02-23 | Adobe Systems Incorporated | Image Depth Inference from Semantic Labels |
US10235601B1 (en) * | 2017-09-07 | 2019-03-19 | 7D Labs, Inc. | Method for image analysis |
CN110761288A (zh) * | 2019-10-30 | 2020-02-07 | 中国铁建重工集团股份有限公司 | 深基坑混凝土浇筑方法 |
CN111028217A (zh) * | 2019-12-10 | 2020-04-17 | 南京航空航天大学 | 一种基于全卷积神经网络的图像裂缝分割方法 |
CN210975503U (zh) * | 2019-09-05 | 2020-07-10 | 海峡建工集团有限公司 | 大跨度预制拼装式盖梁与桥墩立柱连接结构 |
CN111476781A (zh) * | 2020-04-08 | 2020-07-31 | 浙江大学 | 一种基于视频语义分割技术的混凝土裂缝识别方法和装置 |
CN111612787A (zh) * | 2020-06-19 | 2020-09-01 | 国网湖南省电力有限公司 | 混凝土裂纹高分图像无损语义分割方法、装置及存储介质 |
CN111612786A (zh) * | 2020-06-19 | 2020-09-01 | 国网湖南省电力有限公司 | 基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质 |
CN111650088A (zh) * | 2020-06-10 | 2020-09-11 | 河海大学 | 一种流态混凝土拌合物流变性能实时检测方法 |
-
2021
- 2021-01-15 CN CN202110056454.0A patent/CN112906700B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170053412A1 (en) * | 2015-08-21 | 2017-02-23 | Adobe Systems Incorporated | Image Depth Inference from Semantic Labels |
CN105588546A (zh) * | 2016-03-15 | 2016-05-18 | 清华大学 | 一种测量浆体形状参数及其随时间变化的方法及系统 |
US10235601B1 (en) * | 2017-09-07 | 2019-03-19 | 7D Labs, Inc. | Method for image analysis |
CN210975503U (zh) * | 2019-09-05 | 2020-07-10 | 海峡建工集团有限公司 | 大跨度预制拼装式盖梁与桥墩立柱连接结构 |
CN110761288A (zh) * | 2019-10-30 | 2020-02-07 | 中国铁建重工集团股份有限公司 | 深基坑混凝土浇筑方法 |
CN111028217A (zh) * | 2019-12-10 | 2020-04-17 | 南京航空航天大学 | 一种基于全卷积神经网络的图像裂缝分割方法 |
CN111476781A (zh) * | 2020-04-08 | 2020-07-31 | 浙江大学 | 一种基于视频语义分割技术的混凝土裂缝识别方法和装置 |
CN111650088A (zh) * | 2020-06-10 | 2020-09-11 | 河海大学 | 一种流态混凝土拌合物流变性能实时检测方法 |
CN111612787A (zh) * | 2020-06-19 | 2020-09-01 | 国网湖南省电力有限公司 | 混凝土裂纹高分图像无损语义分割方法、装置及存储介质 |
CN111612786A (zh) * | 2020-06-19 | 2020-09-01 | 国网湖南省电力有限公司 | 基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质 |
Non-Patent Citations (6)
Title |
---|
XIAOFENG LIAO 等: "Unsupervised Approaches for Textual Semantic Annotation, A Survey", 《ACM COMPUTING SURVEYS》 * |
XIUSHI WANG 等: "An experimental study on deformation performance of dry-mixed self-compacting concrete flexural members", 《2010 INTERNATIONAL CONFERENCE ON MECHANIC AUTOMATION AND CONTROL ENGINEERING》 * |
丁仲聪: "基于深度学习的自密实混凝土工作性能实时调整方法研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
于水生 等: "再生混凝土层裂强度的试验研究", 《混凝土》 * |
刘力搏: "再生大骨料自密实混凝土力学性能研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
吕淼: "自密实混凝土工作性能优化测试方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
CN117125945A (zh) * | 2023-10-24 | 2023-11-28 | 上海建工集团股份有限公司 | 一种低粘度高稳定性工程修复材料及制备方法 |
CN117125945B (zh) * | 2023-10-24 | 2024-02-02 | 上海建工集团股份有限公司 | 一种低粘度高稳定性工程修复材料及制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112906700B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460753B (zh) | 一种检测水上漂浮物的方法 | |
CN112906700B (zh) | 自密实混凝土图像语义分割方法、装置及数据集生成方法 | |
CN108921203B (zh) | 一种指针式水表的检测与识别方法 | |
CN109409365A (zh) | 一种基于深度目标检测的待采摘水果识别和定位方法 | |
CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
CN101426150B (zh) | 视频图像质量测评的方法和系统 | |
CN107665492A (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
CN104134234A (zh) | 一种全自动的基于单幅图像的三维场景构建方法 | |
CN102110294B (zh) | 病鱼的鱼体图像处理方法及系统 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN110689000B (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
CN113435269A (zh) | 一种基于YOLOv3改进的水面漂浮物检测与识别方法及系统 | |
CN108921099A (zh) | 一种基于深度学习的航道内运动船舶目标检测方法 | |
CN109840559A (zh) | 图像筛选方法、装置以及电子设备 | |
CN104463240B (zh) | 一种仪表定位方法及装置 | |
CN111160261A (zh) | 用于自动售货柜的样本图像标注方法、装置及存储介质 | |
CN112873533B (zh) | 混凝土自适应智能拌合方法及装置 | |
CN108764328A (zh) | 太赫兹图像危险品识别方法、装置、设备及可读存储介质 | |
CN109523622A (zh) | 一种非结构化的光场渲染方法 | |
CN106709412A (zh) | 交通标志检测方法和装置 | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
CN112014413A (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
CN113724259A (zh) | 井盖异常检测方法、装置及其应用 | |
CN114565675A (zh) | 一种在视觉slam前端去除动态特征点的方法 | |
CN110059715A (zh) | 植物种类的识别方法及装置、存储介质、计算机设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |