CN112924654A - 非接触式混凝土保塑性能智能化实时检测方法及装置 - Google Patents
非接触式混凝土保塑性能智能化实时检测方法及装置 Download PDFInfo
- Publication number
- CN112924654A CN112924654A CN202110056458.9A CN202110056458A CN112924654A CN 112924654 A CN112924654 A CN 112924654A CN 202110056458 A CN202110056458 A CN 202110056458A CN 112924654 A CN112924654 A CN 112924654A
- Authority
- CN
- China
- Prior art keywords
- concrete
- data
- target
- plastic
- retention performance
- 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
- 239000004567 concrete Substances 0.000 title claims abstract description 400
- 230000014759 maintenance of location Effects 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000011897 real-time detection Methods 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 147
- 238000002474 experimental method Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 21
- 239000011376 self-consolidating concrete Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004321 preservation Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000011056 performance test Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 abstract description 24
- 238000004519 manufacturing process Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000005070 sampling Methods 0.000 description 11
- 239000012528 membrane Substances 0.000 description 10
- 239000000463 material Substances 0.000 description 9
- 239000002002 slurry Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 239000003153 chemical reaction reagent Substances 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 210000003815 abdominal wall Anatomy 0.000 description 4
- 239000000654 additive Substances 0.000 description 4
- 239000000872 buffer Substances 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000002969 artificial stone Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Ceramic Engineering (AREA)
- Medicinal Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种非接触式混凝土保塑性能智能化实时检测方法及装置，方法包括：获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据；将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据。本申请能够实现对混凝土保塑性能的非接触式的实时检测，能够准确模拟混凝土保塑性能的检测实验环境，进而能够有效提高混凝土保塑性能检测过程的准确性、智能化程度、自动化程度、便捷性及效率，并能够有效提高混凝土保塑性能检测结果的准确性及实时性。
Description
技术领域
本申请涉及混凝土保塑性能检测技术领域，具体涉及非接触式混凝土保塑性能智能化实时检测方法及装置。
背景技术
随着社会的发展和各种大型工程的需要，混凝土的应用范围不断扩大，对混凝土的性能要求也越来越高。混凝土的性能受到各种外加剂的影响和作用，从而满足不同工况下施工要求的需要。混凝土在进行浇筑施工之前，需要经过混料、搅拌、运输等多个环节，因此往往需要加入外加剂来使其在较长的一段时间内保持一定的可塑性。混凝土的保塑性能是指混凝土工作性能(坍落度、坍落扩展度、流动性等)抵抗经时损失的能力。随着预拌商砼的发展和环境保护的要求，整个行业对混凝土保塑性能提出了更高的要求，相应的高效的保塑性能的测试也亟待解决。
混凝土的保塑性，反映了在一定时间内混凝土的流动性、粘聚性等使用性能(如稠度、泌水量)的能力，包括：
(1)如自密实混凝土等混凝土拌合物在施工时易于流动；
(2)有良好的粘聚性、保水性、在运输过程中不分层、不离析且不泌水；
(3)经工厂制备后，如自密实混凝土等混凝土运到现场在使用前保持砂浆的一定稠度及粘聚性的能力。
目前，现有的混凝土的保塑性能检测方式通常为：由人工等待混凝土经过固定时间后，再由人工进行坍落度或坍落扩展度实验，然而，由于需要依赖实验人员的经验、需要人工干预且需要占用实验人员大量的时间成本及金钱成本，因此使得现有的混凝土的保塑性能检测方式存在实验工作量大及效率低下等问题。而由于坍落度或坍落扩展度实验需要考虑的实验因素众多，所以普通的自动化检测方式无法准确模拟坍落度或坍落扩展度实验的实验结果。
发明内容
针对现有技术中的问题，本申请提供一种非接触式混凝土保塑性能智能化实时检测方法及装置，能够实现对混凝土保塑性能的非接触式的实时检测，能够准确模拟混凝土保塑性能的检测实验环境，进而能够有效提高混凝土保塑性能检测过程的准确性、智能化程度、自动化程度、便捷性及效率，并能够有效提高混凝土保塑性能检测结果的准确性及实时性。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种非接触式混凝土保塑性能智能化实时检测方法，包括：
获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据；
将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据。
进一步地，在所述将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型之前，还包括：
获取多个训练用数据组，其中，每个所述训练用数据组中均包含有：历史混凝土流动图像数据、该历史混凝土流动图像数据对应的历史环境数据以及标签，其中，所述标签用于表示在对应的历史环境下，所述历史混凝土流动图像数据对应的混凝土的保塑性能评价数据；
基于各个所述训练用数据组训练预设的机器学习模型，以得到用于进行混凝土保塑性能检测的保塑性能检测模型。
进一步地，所述获取多个训练用数据组，包括：
选取至少一种混凝土和多种环境数据，并将每种混凝土分别与不同的环境数据进行组合，以形成多个样本组；
针对每一个所述样本组分别进行流动实验，并记录每一个所述样本组分别对应的混凝土的历史流动图像数据、对应的历史环境数据和保塑性能评价数据，以分别得到各个所述样本组各自对应的训练用数据组；
其中，所述流动实验包括预设的新拌混凝土工作性能试验或震动台实验。
进一步地，所述保塑性能评价数据包括：经时损失值或者用于表示混凝土保塑性能是否合格的信息数据；
其中，若所述混凝土为普通混凝土，则所述经时损失值为坍落度经时损失值；
若所述混凝土为自密实混凝土，则所述经时损失值为坍落扩展度经时损失值。
进一步地，若所述保塑性能评价数据为经时损失值，则所述基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据，包括：
获取所述保塑性能检测模型输出的目标混凝土在当前环境下的经时损失值；
根据所述经时损失值对应的损失阈值确定所述目标混凝土在目标环境下的保塑性能是否合格，并输出用于表示所述目标混凝土在目标环境下的保塑性能是否合格的保塑性能检测结果数据。
进一步地，若所述用于表示混凝土保塑性能是否合格的标识数据，则所述基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据，包括：
获取所述保塑性能检测模型输出的用于表示混凝土保塑性能是否合格的信息数据，并直接输出该信息数据。
进一步地，在所述获取目标混凝土在目标环境下的流动图像数据以及环境数据之前，还包括：
采集所述目标混凝土在目标环境下的流动视频和环境数据；
将所述流动视频抽帧处理为按所述预设顺序排序的至少两个混凝土图片数据；
基于预设的图像预处理方式对各个所述混凝土图片数据进行图像预处理以形成对应的所述流动图像数据。
第二方面，本申请提供一种非接触式混凝土保塑性能智能化实时检测装置，包括：
目标数据获取模块，用于获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据；
预测模型应用模块，用于将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据。
第三方面，本申请提供一种电子设备，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所述的非接触式混凝土保塑性能智能化实时检测方法。
第四方面，本申请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所述的非接触式混凝土保塑性能智能化实时检测方法。
由上述技术方案可知，本申请提供的一种非接触式混凝土保塑性能智能化实时检测方法及装置，方法通过获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据；将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据，通过混凝土保塑性能的检测实验环境、应用图像获取及人工智能技术，能够实现对混凝土保塑性能的非接触式检测，能够实现对混凝土保塑性能的非接触式的实时检测，能够准确模拟混凝土保塑性能的检测实验环境，进而能够有效提高混凝土保塑性能检测过程的准确性、智能化程度、自动化程度、便捷性及效率，并能够有效提高混凝土保塑性能检测结果的准确性及实时性，从而实现混凝土在生产过程中的实时调整，以及工程人员在没有检测仪器、没有实验试剂等场景下的快速验核工作，避免了抽样不具代表性所带来的准确性差和重复实验所需的人力物力消耗大等问题，并且适用于多种应用场景，例如在混凝土销售场景中，无需检测人员到场，仅需根据非接触式采集到的混凝土图像即可以为买家提供混凝土的保塑性能检测结果，又例如在混凝土生产场景中，生产人员仅需根据非接触式采集的混凝土图像即可以为生产人员提供混凝土中保塑性能调整或保塑性能质检提供混凝土检测结果。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是现有技术中的由人工实施的混凝土的保塑性能检测方式的举例示意图。
图2是本申请实施例中的非接触式混凝土保塑性能智能化实时检测方法的第一种流程示意图。
图3是本申请实施例中的震动台实验的具体举例示意图。
图4是本申请实施例中的新拌混凝土工作性能试验的具体举例示意图。
图5是本申请实施例中的非接触式混凝土保塑性能智能化实时检测方法的第二种流程示意图。
图6是本申请实施例中的非接触式混凝土保塑性能智能化实时检测方法中步骤010的具体流程示意图。
图7是本申请实施例中的非接触式混凝土保塑性能智能化实时检测方法的第三种流程示意图。
图8是本申请实施例中的非接触式混凝土保塑性能智能化实时检测方法的第四种流程示意图。
图9是本申请实施例中的非接触式混凝土保塑性能智能化实时检测方法的第五种流程示意图。
图10是本申请应用实例中的模型训练过程的逻辑示意图。
图11是本申请应用实例中的模型实时预测过程的逻辑示意图。
图12是本申请应用实例提供的非接触式混凝土保塑性能智能化实时检测方法的举例示意图。
图13是本申请应用实例提供的视频裁剪和抽帧的举例示意图。
图14是本申请实施例中的非接触式混凝土保塑性能智能化实时检测装置的结构示意图。
图15是本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
考虑到现有的混凝土的保塑性能检测方式通常为如图1所示的实验方式：由人工等待混凝土经过固定时间后，再由人工进行坍落度或坍落扩展度实验，然而，由于需要依赖实验人员的经验、需要人工干预且需要占用实验人员大量的时间成本及金钱成本，因此使得现有的混凝土的保塑性能检测方式存在实验工作量大及效率低下等问题。而由于坍落度或坍落扩展度实验需要考虑的实验因素众多，所以普通的自动化检测方式无法准确模拟坍落度或坍落扩展度实验的实验结果，本申请实施例分别提供一种非接触式混凝土保塑性能智能化实时检测方法、非接触式混凝土保塑性能智能化实时检测装置、电子设备和计算机可读存储介质，通过获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据；将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据，通过混凝土保塑性能的检测实验环境、应用图像获取及人工智能技术，能够实现对混凝土保塑性能的非接触式检测，能够实现对混凝土保塑性能的非接触式的实时检测，能够准确模拟混凝土保塑性能的检测实验环境，进而能够有效提高混凝土保塑性能检测过程的准确性、智能化程度、自动化程度、便捷性及效率，并能够有效提高混凝土保塑性能检测结果的准确性及实时性，从而实现混凝土在生产过程中的实时调整，以及工程人员在没有检测仪器、没有实验试剂等场景下的快速验核工作，避免了抽样不具代表性所带来的准确性差和重复实验所需的人力物力消耗大等问题，并且适用于多种应用场景，例如在混凝土销售场景中，无需检测人员到场，仅需根据非接触式采集到的混凝土图像即可以为买家提供混凝土的保塑性能检测结果，又例如在混凝土生产场景中，生产人员仅需根据非接触式采集的混凝土图像即可以为生产人员提供混凝土中保塑性能调整或保塑性能质检提供混凝土检测结果。
基于上述内容，本申请还提供一种非接触式混凝土保塑性能智能化实时检测装置，该非接触式混凝土保塑性能智能化实时检测装置用于实现本申请一个或多个实施例中提供的非接触式混凝土保塑性能智能化实时检测方法，所述非接触式混凝土保塑性能智能化实时检测装置还可以与至少一个客户端设备之间通信连接，以在获得所述目标混凝土图像数据对应的混凝土中的保塑性能检测结果数据之时或之后，将所述目标混凝土图像数据对应的混凝土中的保塑性能检测结果数据发送给至少一个客户端设备，以使用户根据客户端设备显示的所述目标混凝土图像数据对应的混凝土中的保塑性能检测结果数据及时且有针对性地对混凝土进行含量调整或决定是否购买等。
可以理解的是，所述非接触式混凝土保塑性能智能化实时检测装置可以为服务器。进行非接触式混凝土保塑性能智能化实时检测的部分可以在如上述内容所述的非接触式混凝土保塑性能智能化实时检测装置所在服务器节点执行。
在另一实际应用情形中，进行非接触式混凝土保塑性能智能化实时检测的部分可以在如上述内容所述的非接触式混凝土保塑性能智能化实时检测装置所在服务器节点执行，也可以所有的操作都在客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于进行非接触式混凝土保塑性能智能化实时检测的具体处理。
可以理解的是，客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。通信单元还可以接收服务器返回的预测结果。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间系统的服务器，例如与任务调度中心服务器有通信链接的第三方服务器系统的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
上述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
在本申请的一个或多个实施例中，本申请提出一种能够快速获得混凝土的保塑性能，便于对配合比进行调整的保塑性能检测方法，该方法基于深度学习，对保塑性能进行预测，省时省力，且能够实现对混凝土保塑性能的非接触式的实时检测，能够准确模拟混凝土保塑性能的检测实验环境，进而能够有效提高混凝土保塑性能检测过程的准确性、智能化程度、自动化程度、便捷性及效率，并能够有效提高混凝土保塑性能检测结果的准确性及实时性。
在本申请的一个或多个实施例中，目标混凝土适用于普通混凝土或者自密实混凝土等，普通混凝土指以水泥为主要胶凝材料，与水、砂、石子，必要时掺入化学外加剂和矿物掺合料，按适当比例配合，经过均匀搅拌、密实成型及养护硬化而成的人造石材。混凝土主要划分为两个阶段与状态：凝结硬化前的塑性状态，即新拌混凝土或混凝土拌合物；硬化之后的坚硬状态，即硬化混凝土或混凝土。自密实混凝土(Self Compacting Concrete或Self-Consolidating Concrete简称SCC)是指在自身重力作用下，能够流动、密实，即使存在致密钢筋也能完全填充模板，同时获得很好均质性，并且不需要附加振动的混凝土。
具体通过下述多个实施例分别进行说明。
为了解决现有的混凝土保塑性能测试方法存在的样本采集方式需要人工参与、检测方式复杂且耗时长、依赖人工经验、检测设备精准性以及现有的自动化方式无法准确模拟实验环境等问题，本申请提供一种非接触式混凝土保塑性能智能化实时检测方法的实施例，参见图2，所述非接触式混凝土保塑性能智能化实时检测方法具体包含有如下内容：
步骤100：获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据。
在步骤100中，对于与外加剂等浆体混合后的流动的混凝土，可直接利用图像采集设备于任意角度、距离取像。图像采集设备包括但不限于手机、相机、摄像机、摄像头、监控等。
在本申请的一个或多个实施例中，所述预设顺序是指预先设置的流动图像数据中各个混凝土图片数据的排布顺序，例如按采集时间顺序排序的各个混凝土图片数据或者按图像处理时间顺序排序的的各个混凝土图片数据等。
可以理解的是，所述目标混凝土图像数据是指目标区域内的混凝土的流动图像数据，可以从任意角度进行采集。
在步骤100中，目标混凝土可以为制造或生产线中的普通混凝土或自密实混凝土，也可以为实验室中的普通混凝土或自密实混凝土。
若通过实验方式获得目标混凝土，则可以采用两种实验方式，其一为震动台实验：如图3所示，做一个标准的膜具(长和宽＞300mm，高＞150mm)放在震动台上(振动频率为50±5Hz，振幅05±02mm)，取一定体积的混凝土(混凝土的高＞100mm)放入膜具中，待混凝土表面完全被浆体覆盖停止，整个过程进行视频拍摄取样。实验条件所对应的环境数组(优先选择温度、湿度。其二为新拌混凝土工作性能试验：如图4所示，采集坍落度或坍落扩展度实验时混凝土流动时候的动态视频。实验条件所对应的环境数组(优先选择温度、湿度、风速)。
基于此，在拍摄过程中应固定拍摄设备，视频拍摄角度不限，尽量保证视频界面尽可能多地包含混凝土。针对上述的震动台实验预测方法：需要尽量保证视频包含膜具口的各边界和大部分的膜具腹部内壁。针对上述的坍落度或坍落扩展度实验预测方法：需要尽量保证视频包含整个混凝土的扩展饼。
步骤200：将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据。
在本申请的一个或多个实施例中，所述环境数据是指温度数据和湿度数据，也可以包括其他类型的环境数据，具体根据实际应用情形设置。
在步骤200中，可以将按预设顺序获取的至少两个混凝土图片数据和环境数据输入通过机器学习训练好的模型，并自动计算得出混凝土的保塑性能。所述保塑性能检测模型预先基于预设的机器学习模型训练得到，该机器学习模型具体可以为深度学习模型，例如CNN(图片特征)和LSTM(预设顺序信息获取)进行特征提取。
从上述描述可知，本申请实施例提供的非接触式混凝土保塑性能智能化实时检测方法，通过混凝土保塑性能的检测实验环境、应用图像获取及人工智能技术，能够实现对混凝土保塑性能的非接触式检测，能够实现对混凝土保塑性能的非接触式的实时检测，能够准确模拟混凝土保塑性能的检测实验环境，进而能够有效提高混凝土保塑性能检测过程的准确性、智能化程度、自动化程度、便捷性及效率，并能够有效提高混凝土保塑性能检测结果的准确性及实时性，从而实现混凝土在生产过程中的实时调整，以及工程人员在没有检测仪器、没有实验试剂等场景下的快速验核工作，避免了抽样不具代表性所带来的准确性差和重复实验所需的人力物力消耗大等问题，并且适用于多种应用场景，例如在混凝土销售场景中，无需检测人员到场，仅需根据非接触式采集到的混凝土图像即可以为买家提供混凝土的保塑性能检测结果，又例如在混凝土生产场景中，生产人员仅需根据非接触式采集的混凝土图像即可以为生产人员提供混凝土中保塑性能调整或保塑性能质检提供混凝土检测结果。
为了有效提高应非接触式混凝土保塑性能智能化实时检测结果的准确性、自动化程度、智能化程度及准确性，在本申请提供的非接触式混凝土保塑性能智能化实时检测方法的一个实施例中，参见图5，所述非接触式混凝土保塑性能智能化实时检测方法中的步骤100之前还具体包含有如下内容：
步骤010：获取多个训练用数据组，其中，每个所述训练用数据组中均包含有：历史混凝土流动图像数据、该历史混凝土流动图像数据对应的历史环境数据以及标签，其中，所述标签用于表示在对应的历史环境下，所述历史混凝土流动图像数据对应的混凝土的保塑性能评价数据。
具体来说，在机器学习时，输入训练用数据组对所输出的保塑性能检测模型是有决定性作用的，通过大量的训练用数据组来支撑模型的准确性，提高历史混凝土流动图像数据的质量与数量可直接提升机器学习的效率。本申请中机器学习所使用的图集的样本丰富，含有不同的外加剂配比与不同的环境数据下的混凝土，样本更均匀，将其输入预设的机器学习模型计算后所得到的保塑性能检测模型鲁棒性佳。
步骤020：基于各个所述训练用数据组训练预设的机器学习模型，以得到用于进行混凝土保塑性能检测的保塑性能检测模型。
为了有效提高训练用数据组的应用可靠性及准确性，在本申请提供的非接触式混凝土保塑性能智能化实时检测方法的一个实施例中，参见图6，所述非接触式混凝土保塑性能智能化实时检测方法中的步骤010还具体包含有如下内容：
步骤011：选取至少一种混凝土和多种环境数据，并将每种混凝土分别与不同的环境数据进行组合，以形成多个样本组。
步骤012：针对每一个所述样本组分别进行流动实验，并记录每一个所述样本组分别对应的混凝土的历史流动图像数据、对应的历史环境数据和保塑性能评价数据，以分别得到各个所述样本组各自对应的训练用数据组；其中，所述流动实验包括预设的新拌混凝土工作性能试验或震动台实验。
其中，所述新拌混凝土工作性能试验包括针对普通混凝土的坍落度实验，以及针对自密实混凝土的塌落扩展度试验等等。
为了有效提高保塑性能检测模型的适用广泛性及可靠性，在本申请提供的非接触式混凝土保塑性能智能化实时检测方法的一个实施例中，所述非接触式混凝土保塑性能智能化实时检测方法中的所述保塑性能评价数据包括：经时损失值或者用于表示混凝土保塑性能是否合格的信息数据；
其中，若所述混凝土为普通混凝土，则所述经时损失值为坍落度经时损失值；
若所述混凝土为自密实混凝土，则所述经时损失值为坍落扩展度经时损失值。
基于上述内容，为了进一步提高保塑性能检测模型的适用广泛性和保塑性能检测结果数据的可靠性，在本申请提供的非接触式混凝土保塑性能智能化实时检测方法的一个实施例中，若所述保塑性能评价数据为经时损失值，则参见图7，所述非接触式混凝土保塑性能智能化实时检测方法中的步骤200具体包含有如下内容：
步骤210：将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，获取所述保塑性能检测模型输出的目标混凝土在当前环境下的经时损失值；
步骤220：根据所述经时损失值对应的损失阈值确定所述目标混凝土在目标环境下的保塑性能是否合格，并输出用于表示所述目标混凝土在目标环境下的保塑性能是否合格的保塑性能检测结果数据。
同时，为了进一步提高保塑性能检测模型的适用广泛性和保塑性能检测结果数据的可靠性，在本申请提供的非接触式混凝土保塑性能智能化实时检测方法的一个实施例中，若所述用于表示混凝土保塑性能是否合格的标识数据，则参见图8，所述非接触式混凝土保塑性能智能化实时检测方法中的步骤200具体包含有如下内容：
步骤230：将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，获取所述保塑性能检测模型输出的用于表示混凝土保塑性能是否合格的信息数据，并直接输出该信息数据。
为了有效提高目标混凝土流动图像数据的获取效率及准确性，在本申请提供的非接触式混凝土保塑性能智能化实时检测方法的一个实施例中，参见图9，所述非接触式混凝土保塑性能智能化实时检测方法中的步骤100之前还具体包含有如下内容：
步骤030：采集所述目标混凝土在目标环境下的流动视频和环境数据。
步骤040：将所述流动视频抽帧处理为按所述预设顺序排序的至少两个混凝土图片数据。
步骤050：基于预设的图像预处理方式对各个所述混凝土图片数据进行图像预处理以形成对应的所述流动图像数据。
具体来说，采集混凝土流动(两种测试方法)的视频作为样本，将视频数据进行抽帧转换为一条有序图像和对应的实验环境数组作为深度学习模型的输入；记录该条有序图像对应的混凝土的保塑性(合格、不合格)，作为样本的标签。通过混凝土的坍落度或坍落扩展度实验获得相应的基准指标，从而评估混凝土的保塑性能。
其中，视频裁剪和抽帧规则如下：
(1)裁剪：根据需要将长短视频裁剪为数段短视频，例如一段2min13.15s的视频，裁剪为13段10s的视频和1段3.15s的视频。其中13段10s的视频的为有效视频，1段3.15s的视频为无效视频，扔掉。
(2)抽帧：根据裁剪的假设，进一步假设视频的帧率是6fps，则每段短视频有60帧。将一段短10s的视频抽帧成为3条帧率为2fps的数据，每条数据有20帧图像。每条数据的标签均相同。这样就可以从一条长视频得到39条数据(实例)不同，但是标签相同的数据。以上是针对数据集建立的阶段而言的，进一步的，若在预测阶段，可以采用同样的裁剪、抽帧的方法，得到39条实例，然后通过模型输入39个预测结果，再将结果进行统计，得到最终的输出结果。
当然，上述最后的抽帧完成的视频，也可以不设置固定的时间间隔，只是单纯按照原顺序进行排列得到有序的图像作为一条数据。抽帧和裁剪顺序也可以调换。
基于上述内容，为了进一步说明本方案，本申请还提供一种非接触式混凝土保塑性能智能化实时检测方法的具体应用实例，参见图10至图13，非接触式混凝土保塑性能智能化实时检测方法具体包含有如下内容：
1、有监督的机器学习，通过流动的混凝土的视频(也就是至少两张不同时刻的照片，这是一个动态过程)预测混凝土的保塑性能(输入数据一定是两个时刻以上的有序的状态，单个时刻的状态是很难预测的)。
2、模型训练：以流动的混凝土的视频作为输入，以相应的保塑性能指标作为标签进行机器学习训练。指标是坍落度经时损失或坍落扩展度经时损失。
3、输入数据：
如图3所示，做一个标准的膜具(长和宽＞300mm，高＞150mm)放在震动台上(振动频率为50±5Hz，振幅05±02mm)，取一定体积的混凝土(混凝土的高＞100mm)放入膜具中，待混凝土表面完全被浆体覆盖停止，整个过程进行视频拍摄取样。实验条件所对应的环境数组(优先选择温度、湿度)
如图4所示，坍落度或坍落扩展度实验时混凝土流动时候的动态视频。实验条件所对应的环境数组(优先选择温度、湿度、风速)。
4、标签：坍落度经时损失(普通混凝土)或坍落扩展度经时损失(自密实混凝土)。
5、机器学习模型：CNN(图片特征)和LSTM(如时间顺序等预设顺序信息获取)进行特征提取
6、两个一致性：
(1)训练的模型、数据集、以及用于预测的方法(包括环境条件)之间应该保持一致性；
(2)训练用的视频与标签是一一对应的。
其中，保塑性能、坍落度经时损失和坍落扩展度经时损失之间的对照关系举例参见表1。
表1
| 保塑性能 | 坍落度经时损失 | 坍落扩度经时损失 |
| 合格 | 0～30mm/h | ≥550mm |
| 不合格 | ≥30mm/h | ＜550mm |
采集混凝土流动(两种测试方法)的视频作为样本，将视频数据进行抽帧转换为一条有序图像和对应的实验环境数组作为深度学习模型的输入；记录该条有序图像对应的混凝土的保塑性(合格、不合格)，作为样本的标签。通过混凝土的坍落度或坍落扩度实验获得相应的基准指标，从而评估混凝土的保塑性能。
在拍摄过程中应固定拍摄设备，视频拍摄角度不限，尽量保证视频界面尽可能多地包含混凝土；震动台实验预测方法：尽量保证视频包含膜具口的各边界和大部分的膜具腹部内壁。坍落度或坍落扩度实验预测方法：尽量保证视频包含整个混凝土的扩展饼。
抽帧和裁剪，是因为在实际操作中并不需要那么高的帧率和那么长的视频就可以得到较好的结果。具体来说，视频裁剪和抽帧规则：
裁剪：根据需要将长短视频裁剪为数段短视频，例如一段2min13.15s的视频，裁剪为13段10s的视频和1段3.15s的视频。其中13段10s的视频的为有效视频，1段3.15s的视频为无效视频，扔掉。
抽帧：根据裁剪的假设，进一步假设视频的帧率是6fps，则每段短视频有60帧。将一段短10s的视频抽帧成为3条帧率为2fps的数据，每条数据有20帧图像。每条数据的标签均相同。这样就可以从一条长视频得到39条数据(实例)不同，但是标签相同的数据。以上是针对数据集建立的阶段而言的，进一步的，若在预测阶段，可以采用同样的裁剪、抽帧的方法，得到39条实例，然后通过模型输入39个预测结果，再将结果进行统计，得到最终的输出结果。
当然，上述最后的抽帧完成的视频，也可以不设置固定的时间间隔，只是单纯按照原顺序进行排列得到有序的图像作为一条数据。抽帧和裁剪顺序也可以调换。
从上述描述可知，本申请应用实例提供的非接触式混凝土保塑性能智能化实时检测方法，能够快速获得混凝土的保塑性能，便于对配合比进行调整；基于深度学习，对保塑性能进行预测，省时省力；得到一种快速、非接触式的准确的保塑性能测试方法。
从软件层面来说，为了解决现有的混凝土保塑性能测试方法存在的样本采集方式需要人工参与、检测方式复杂且耗时长、依赖人工经验、检测设备精准性以及现有的自动化方式无法准确模拟实验环境等问题，本申请提供一种用于执行所述非接触式混凝土保塑性能智能化实时检测方法中全部或部分内容的非接触式混凝土保塑性能智能化实时检测装置的实施例，参见图14，所述非接触式混凝土保塑性能智能化实时检测装置具体包含有如下内容：
目标数据获取模块10，用于获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据。
在目标数据获取模块10中，对于与外加剂等浆体混合后的流动的混凝土，可直接利用图像采集设备于任意角度、距离取像。图像采集设备包括但不限于手机、相机、摄像机、摄像头、监控等。
可以理解的是，所述目标混凝土图像数据是指目标区域内的混凝土的流动图像数据，可以从任意角度进行采集。
在目标数据获取模块10中，目标混凝土可以为制造或生产线中的普通混凝土或自密实混凝土，也可以为实验室中的普通混凝土或自密实混凝土。
若通过实验方式获得目标混凝土，则可以采用两种实验方式，其一为震动台实验：如图3所示，做一个标准的膜具(长和宽＞300mm，高＞150mm)放在震动台上(振动频率为50±5Hz，振幅05±02mm)，取一定体积的混凝土(混凝土的高＞100mm)放入膜具中，待混凝土表面完全被浆体覆盖停止，整个过程进行视频拍摄取样。实验条件所对应的环境数组(优先选择温度、湿度。其二为新拌混凝土工作性能试验：如图4所示，采集坍落度或坍落扩展度实验时混凝土流动时候的动态视频。实验条件所对应的环境数组(优先选择温度、湿度、风速)。
基于此，在拍摄过程中应固定拍摄设备，视频拍摄角度不限，尽量保证视频界面尽可能多地包含混凝土。针对上述的震动台实验预测方法：需要尽量保证视频包含膜具口的各边界和大部分的膜具腹部内壁。针对上述的坍落度或坍落扩展度实验预测方法：需要尽量保证视频包含整个混凝土的扩展饼。
预测模型应用模块20，用于将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据。
在本申请的一个或多个实施例中，所述环境数据是指温度数据和湿度数据，也可以包括其他类型的环境数据，具体根据实际应用情形设置。
在预测模型应用模块20中，可以将按预设顺序获取的至少两个混凝土图片数据和环境数据输入通过机器学习训练好的模型，并自动计算得出混凝土的保塑性能。所述保塑性能检测模型预先基于预设的机器学习模型训练得到，该机器学习模型具体可以为深度学习模型，例如CNN(图片特征)和LSTM(预设顺序信息获取)进行特征提取。
本申请提供的非接触式混凝土保塑性能智能化实时检测装置的实施例具体可以用于执行上述实施例中的非接触式混凝土保塑性能智能化实时检测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
从上述描述可知，本申请实施例提供的非接触式混凝土保塑性能智能化实时检测装置，通过混凝土保塑性能的检测实验环境、应用图像获取及人工智能技术，能够实现对混凝土保塑性能的非接触式检测，能够实现对混凝土保塑性能的非接触式的实时检测，能够准确模拟混凝土保塑性能的检测实验环境，进而能够有效提高混凝土保塑性能检测过程的准确性、智能化程度、自动化程度、便捷性及效率，并能够有效提高混凝土保塑性能检测结果的准确性及实时性，从而实现混凝土在生产过程中的实时调整，以及工程人员在没有检测仪器、没有实验试剂等场景下的快速验核工作，避免了抽样不具代表性所带来的准确性差和重复实验所需的人力物力消耗大等问题，并且适用于多种应用场景，例如在混凝土销售场景中，无需检测人员到场，仅需根据非接触式采集到的混凝土图像即可以为买家提供混凝土的保塑性能检测结果，又例如在混凝土生产场景中，生产人员仅需根据非接触式采集的混凝土图像即可以为生产人员提供混凝土中保塑性能调整或保塑性能质检提供混凝土检测结果。
从硬件层面来说，为了解决现有的混凝土保塑性能测试方法存在的样本采集方式需要人工参与、检测方式复杂且耗时长、依赖人工经验、检测设备精准性以及现有的自动化方式无法准确模拟实验环境等问题，本申请提供一种用于实现所述非接触式混凝土保塑性能智能化实时检测方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
图15为本申请实施例的电子设备9600的系统构成的示意框图。如图15所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图15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。
在一实施例中，非接触式混凝土保塑性能智能化实时检测功能可以被集成到中央处理器中。其中，中央处理器可以被配置为进行如下控制：
步骤100：获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据。
在步骤100中，对于与外加剂等浆体混合后的流动的混凝土，可直接利用图像采集设备于任意角度、距离取像。图像采集设备包括但不限于手机、相机、摄像机、摄像头、监控等。
可以理解的是，所述目标混凝土图像数据是指目标区域内的混凝土的流动图像数据，可以从任意角度进行采集。
在步骤100中，目标混凝土可以为制造或生产线中的普通混凝土或自密实混凝土，也可以为实验室中的普通混凝土或自密实混凝土。
若通过实验方式获得目标混凝土，则可以采用两种实验方式，其一为震动台实验：如图3所示，做一个标准的膜具(长和宽＞300mm，高＞150mm)放在震动台上(振动频率为50±5Hz，振幅05±02mm)，取一定体积的混凝土(混凝土的高＞100mm)放入膜具中，待混凝土表面完全被浆体覆盖停止，整个过程进行视频拍摄取样。实验条件所对应的环境数组(优先选择温度、湿度。其二为新拌混凝土工作性能试验：如图4所示，采集坍落度或坍落扩展度实验时混凝土流动时候的动态视频。实验条件所对应的环境数组(优先选择温度、湿度、风速)。
基于此，在拍摄过程中应固定拍摄设备，视频拍摄角度不限，尽量保证视频界面尽可能多地包含混凝土。针对上述的震动台实验预测方法：需要尽量保证视频包含膜具口的各边界和大部分的膜具腹部内壁。针对上述的坍落度或坍落扩展度实验预测方法：需要尽量保证视频包含整个混凝土的扩展饼。
步骤200：将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据。
在本申请的一个或多个实施例中，所述环境数据是指温度数据和湿度数据，也可以包括其他类型的环境数据，具体根据实际应用情形设置。
在步骤200中，可以将按预设顺序获取的至少两个混凝土图片数据和环境数据输入通过机器学习训练好的模型，并自动计算得出混凝土的保塑性能。所述保塑性能检测模型预先基于预设的机器学习模型训练得到，该机器学习模型具体可以为深度学习模型，例如CNN(图片特征)和LSTM(预设顺序信息获取)进行特征提取。
从上述描述可知，本申请实施例提供的电子设备，通过混凝土保塑性能的检测实验环境、应用图像获取及人工智能技术，能够实现对混凝土保塑性能的非接触式检测，能够实现对混凝土保塑性能的非接触式的实时检测，能够准确模拟混凝土保塑性能的检测实验环境，进而能够有效提高混凝土保塑性能检测过程的准确性、智能化程度、自动化程度、便捷性及效率，并能够有效提高混凝土保塑性能检测结果的准确性及实时性，从而实现混凝土在生产过程中的实时调整，以及工程人员在没有检测仪器、没有实验试剂等场景下的快速验核工作，避免了抽样不具代表性所带来的准确性差和重复实验所需的人力物力消耗大等问题，并且适用于多种应用场景，例如在混凝土销售场景中，无需检测人员到场，仅需根据非接触式采集到的混凝土图像即可以为买家提供混凝土的保塑性能检测结果，又例如在混凝土生产场景中，生产人员仅需根据非接触式采集的混凝土图像即可以为生产人员提供混凝土中保塑性能调整或保塑性能质检提供混凝土检测结果。
在另一个实施方式中，非接触式混凝土保塑性能智能化实时检测装置可以与中央处理器9100分开配置，例如可以将非接触式混凝土保塑性能智能化实时检测装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现非接触式混凝土保塑性能智能化实时检测功能。
如图15所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图15中所示的所有部件；此外，电子设备9600还可以包括图15中没有示出的部件，可以参考现有技术。
如图15所示，中央处理器9100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9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，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9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160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9140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9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143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9140的驱动程序存储部9144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9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，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9110，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)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130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9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的非接触式混凝土保塑性能智能化实时检测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执行主体为服务器或客户端的非接触式混凝土保塑性能智能化实时检测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据。
在步骤100中，对于与外加剂等浆体混合后的流动的混凝土，可直接利用图像采集设备于任意角度、距离取像。图像采集设备包括但不限于手机、相机、摄像机、摄像头、监控等。
可以理解的是，所述目标混凝土图像数据是指目标区域内的混凝土的流动图像数据，可以从任意角度进行采集。
在步骤100中，目标混凝土可以为制造或生产线中的普通混凝土或自密实混凝土，也可以为实验室中的普通混凝土或自密实混凝土。
若通过实验方式获得目标混凝土，则可以采用两种实验方式，其一为震动台实验：如图3所示，做一个标准的膜具(长和宽＞300mm，高＞150mm)放在震动台上(振动频率为50±5Hz，振幅05±02mm)，取一定体积的混凝土(混凝土的高＞100mm)放入膜具中，待混凝土表面完全被浆体覆盖停止，整个过程进行视频拍摄取样。实验条件所对应的环境数组(优先选择温度、湿度。其二为新拌混凝土工作性能试验：如图4所示，采集坍落度或坍落扩展度实验时混凝土流动时候的动态视频。实验条件所对应的环境数组(优先选择温度、湿度、风速)。
基于此，在拍摄过程中应固定拍摄设备，视频拍摄角度不限，尽量保证视频界面尽可能多地包含混凝土。针对上述的震动台实验预测方法：需要尽量保证视频包含膜具口的各边界和大部分的膜具腹部内壁。针对上述的坍落度或坍落扩展度实验预测方法：需要尽量保证视频包含整个混凝土的扩展饼。
步骤200：将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据。
在本申请的一个或多个实施例中，所述环境数据是指温度数据和湿度数据，也可以包括其他类型的环境数据，具体根据实际应用情形设置。
在步骤200中，可以将按预设顺序获取的至少两个混凝土图片数据和环境数据输入通过机器学习训练好的模型，并自动计算得出混凝土的保塑性能。所述保塑性能检测模型预先基于预设的机器学习模型训练得到，该机器学习模型具体可以为深度学习模型，例如CNN(图片特征)和LSTM(预设顺序信息获取)进行特征提取。
从上述描述可知，本申请实施例提供的计算机可读存储介质，通过混凝土保塑性能的检测实验环境、应用图像获取及人工智能技术，能够实现对混凝土保塑性能的非接触式检测，能够实现对混凝土保塑性能的非接触式的实时检测，能够准确模拟混凝土保塑性能的检测实验环境，进而能够有效提高混凝土保塑性能检测过程的准确性、智能化程度、自动化程度、便捷性及效率，并能够有效提高混凝土保塑性能检测结果的准确性及实时性，从而实现混凝土在生产过程中的实时调整，以及工程人员在没有检测仪器、没有实验试剂等场景下的快速验核工作，避免了抽样不具代表性所带来的准确性差和重复实验所需的人力物力消耗大等问题，并且适用于多种应用场景，例如在混凝土销售场景中，无需检测人员到场，仅需根据非接触式采集到的混凝土图像即可以为买家提供混凝土的保塑性能检测结果，又例如在混凝土生产场景中，生产人员仅需根据非接触式采集的混凝土图像即可以为生产人员提供混凝土中保塑性能调整或保塑性能质检提供混凝土检测结果。
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、装置、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(装置)、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 (10)
1.一种非接触式混凝土保塑性能智能化实时检测方法，其特征在于，包括：
获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据；
将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据。
2.根据权利要求1所述的非接触式混凝土保塑性能智能化实时检测方法，其特征在于，在所述将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型之前，还包括：
获取多个训练用数据组，其中，每个所述训练用数据组中均包含有：历史混凝土流动图像数据、该历史混凝土流动图像数据对应的历史环境数据以及标签，其中，所述标签用于表示在对应的历史环境下，所述历史混凝土流动图像数据对应的混凝土的保塑性能评价数据；
基于各个所述训练用数据组训练预设的机器学习模型，以得到用于进行混凝土保塑性能检测的保塑性能检测模型。
3.根据权利要求2所述的非接触式混凝土保塑性能智能化实时检测方法，其特征在于，所述获取多个训练用数据组，包括：
选取至少一种混凝土和多种环境数据，并将每种混凝土分别与不同的环境数据进行组合，以形成多个样本组；
针对每一个所述样本组分别进行流动实验，并记录每一个所述样本组分别对应的混凝土的历史流动图像数据、对应的历史环境数据和保塑性能评价数据，以分别得到各个所述样本组各自对应的训练用数据组；
其中，所述流动实验包括预设的新拌混凝土工作性能试验或震动台实验。
4.根据权利要求2或3所述的非接触式混凝土保塑性能智能化实时检测方法，其特征在于，所述保塑性能评价数据包括：经时损失值或者用于表示混凝土保塑性能是否合格的信息数据；
其中，若所述混凝土为普通混凝土，则所述经时损失值为坍落度经时损失值；
若所述混凝土为自密实混凝土，则所述经时损失值为坍落扩展度经时损失值。
5.根据权利要求4所述的非接触式混凝土保塑性能智能化实时检测方法，其特征在于，若所述保塑性能评价数据为经时损失值，则所述基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据，包括：
获取所述保塑性能检测模型输出的目标混凝土在当前环境下的经时损失值；
根据所述经时损失值对应的损失阈值确定所述目标混凝土在目标环境下的保塑性能是否合格，并输出用于表示所述目标混凝土在目标环境下的保塑性能是否合格的保塑性能检测结果数据。
6.根据权利要求4所述的非接触式混凝土保塑性能智能化实时检测方法，其特征在于，若所述用于表示混凝土保塑性能是否合格的标识数据，则所述基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据，包括：
获取所述保塑性能检测模型输出的用于表示混凝土保塑性能是否合格的信息数据，并直接输出该信息数据。
7.根据权利要求1所述的非接触式混凝土保塑性能智能化实时检测方法，其特征在于，在所述获取目标混凝土在目标环境下的流动图像数据以及环境数据之前，还包括：
采集所述目标混凝土在目标环境下的流动视频和环境数据；
将所述流动视频抽帧处理为按所述预设顺序排序的至少两个混凝土图片数据；
基于预设的图像预处理方式对各个所述混凝土图片数据进行图像预处理以形成对应的所述流动图像数据。
8.一种非接触式混凝土保塑性能智能化实时检测装置，其特征在于，包括：
目标数据获取模块，用于获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据；
预测模型应用模块，用于将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据。
9.一种电子设备，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7任一项所述的非接触式混凝土保塑性能智能化实时检测方法。
10.一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7任一项所述的非接触式混凝土保塑性能智能化实时检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110056458.9A CN112924654B (zh) | 2021-01-15 | 2021-01-15 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110056458.9A CN112924654B (zh) | 2021-01-15 | 2021-01-15 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112924654A true CN112924654A (zh) | 2021-06-08 |
| CN112924654B CN112924654B (zh) | 2023-06-02 |
Family
ID=76163721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110056458.9A Active CN112924654B (zh) | 2021-01-15 | 2021-01-15 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112924654B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114002415A (zh) * | 2021-10-29 | 2022-02-01 | 商车云(北京)科技有限公司 | 一种混凝土塌落度视觉人工智能实时检测设备及方法 |
| CN115019252A (zh) * | 2022-02-28 | 2022-09-06 | 北京建工集团有限责任公司 | 混凝土质量检测方法、装置及监控设备 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB537548A (en) * | 1939-12-29 | 1941-06-26 | William Edward Schenck Strong | Method of producing molded concrete or like products and apparatus therefor |
| CN101186480A (zh) * | 2007-12-10 | 2008-05-28 | 中铁大桥局集团武汉桥梁科学研究院有限公司 | 一种免振自流密实混凝土 |
| CN102276224A (zh) * | 2011-07-22 | 2011-12-14 | 中交上海三航科学研究院有限公司 | 一种海工自密实高性能混凝土及其制备方法 |
| CN108222265A (zh) * | 2018-01-16 | 2018-06-29 | 中厦建设有限公司 | 一种多向超大型钢混凝土转换层节点施工工法 |
| CN108564579A (zh) * | 2018-04-20 | 2018-09-21 | 石家庄铁道大学 | 一种基于时空相关的混凝土裂缝检测方法及检测装置 |
| CN109534748A (zh) * | 2018-12-19 | 2019-03-29 | 中国十七冶集团有限公司 | 一种预拌透水混凝土及其制备方法和应用 |
| US20190164277A1 (en) * | 2018-02-18 | 2019-05-30 | Constru Ltd | System and method for determining the quality of concrete from construction site images |
| CN110006896A (zh) * | 2019-03-04 | 2019-07-12 | 华中科技大学 | 一种3d打印混凝土性能的虚拟检测仪及检测方法 |
| KR20190085611A (ko) * | 2018-01-11 | 2019-07-19 | (주)주성지앤비 | 터널축소모형을 이용한 모의화재 연기의 유동가시화 실험장치 |
| JP2019184548A (ja) * | 2018-04-17 | 2019-10-24 | 株式会社竹中工務店 | 試験装置、試験方法、及び試験プログラム |
| CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
| JP2019211247A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社竹中工務店 | コンクリート評価制御装置、コンクリート評価制御プログラム |
| JP6680936B1 (ja) * | 2018-09-26 | 2020-04-15 | 太平洋セメント株式会社 | 生コンクリートの品質予測方法 |
| JP2020160616A (ja) * | 2019-03-25 | 2020-10-01 | ブラザー工業株式会社 | 生成装置、コンピュータプログラム、生成方法 |
| 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 |
| CN112149356A (zh) * | 2020-09-27 | 2020-12-29 | 湖南大学 | 一种结构裂纹扩展路径的预测方法、装置、设备及介质 |
-
2021
- 2021-01-15 CN CN202110056458.9A patent/CN112924654B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB537548A (en) * | 1939-12-29 | 1941-06-26 | William Edward Schenck Strong | Method of producing molded concrete or like products and apparatus therefor |
| CN101186480A (zh) * | 2007-12-10 | 2008-05-28 | 中铁大桥局集团武汉桥梁科学研究院有限公司 | 一种免振自流密实混凝土 |
| CN102276224A (zh) * | 2011-07-22 | 2011-12-14 | 中交上海三航科学研究院有限公司 | 一种海工自密实高性能混凝土及其制备方法 |
| KR20190085611A (ko) * | 2018-01-11 | 2019-07-19 | (주)주성지앤비 | 터널축소모형을 이용한 모의화재 연기의 유동가시화 실험장치 |
| CN108222265A (zh) * | 2018-01-16 | 2018-06-29 | 中厦建设有限公司 | 一种多向超大型钢混凝土转换层节点施工工法 |
| US20190164277A1 (en) * | 2018-02-18 | 2019-05-30 | Constru Ltd | System and method for determining the quality of concrete from construction site images |
| JP2019184548A (ja) * | 2018-04-17 | 2019-10-24 | 株式会社竹中工務店 | 試験装置、試験方法、及び試験プログラム |
| CN108564579A (zh) * | 2018-04-20 | 2018-09-21 | 石家庄铁道大学 | 一种基于时空相关的混凝土裂缝检测方法及检测装置 |
| JP2019211247A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社竹中工務店 | コンクリート評価制御装置、コンクリート評価制御プログラム |
| JP6680936B1 (ja) * | 2018-09-26 | 2020-04-15 | 太平洋セメント株式会社 | 生コンクリートの品質予測方法 |
| CN109534748A (zh) * | 2018-12-19 | 2019-03-29 | 中国十七冶集团有限公司 | 一种预拌透水混凝土及其制备方法和应用 |
| CN110006896A (zh) * | 2019-03-04 | 2019-07-12 | 华中科技大学 | 一种3d打印混凝土性能的虚拟检测仪及检测方法 |
| JP2020160616A (ja) * | 2019-03-25 | 2020-10-01 | ブラザー工業株式会社 | 生成装置、コンピュータプログラム、生成方法 |
| CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
| 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 |
| CN112149356A (zh) * | 2020-09-27 | 2020-12-29 | 湖南大学 | 一种结构裂纹扩展路径的预测方法、装置、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 焦晓光等: "高强超高层泵送混凝土配合比设计研究", 《混凝土》 * |
| 王啸夫;张雄;赵明;张晓乐;: "砂浆层厚度的计算与测定及其对混凝土力学性能的调控规律研究" * |
| 邬翔;李杰;: "图像处理在混凝土力学性能研究中的应用" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114002415A (zh) * | 2021-10-29 | 2022-02-01 | 商车云(北京)科技有限公司 | 一种混凝土塌落度视觉人工智能实时检测设备及方法 |
| CN115019252A (zh) * | 2022-02-28 | 2022-09-06 | 北京建工集团有限责任公司 | 混凝土质量检测方法、装置及监控设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112924654B (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112927184A (zh) | 基于深度学习的自密实混凝土性能检测方法及装置 | |
| CN112924654B (zh) | 非接触式混凝土保塑性能智能化实时检测方法及装置 | |
| CN111475298B (zh) | 任务处理方法、装置、设备及存储介质 | |
| CN108897829A (zh) | 数据标签的修正方法、装置和存储介质 | |
| CN113704119B (zh) | 一种用于智能驾驶的测试方法、装置、系统及存储介质 | |
| CN107368407B (zh) | 信息处理方法和装置 | |
| CN113656432A (zh) | 数据对比方法及装置 | |
| CN117218118A (zh) | 基于图像序列的坍落度监测方法、装置及可读介质 | |
| CN118393122A (zh) | 一种混凝土质量检验方法和装置 | |
| CN104834723A (zh) | 一种地图的显示处理方法及装置 | |
| CN111897737B (zh) | 微服务系统程序测试的遗漏检测方法及装置 | |
| CN117195083A (zh) | 基于电流曲线的坍落度预测方法、装置及可读介质 | |
| CN115859836B (zh) | 一种岩体蠕变本构模型参数识别方法、装置、设备及介质 | |
| CN102043707B (zh) | 嵌入式应用的性能测试方法、嵌入式终端设备及网络系统 | |
| TW202413968A (zh) | 一種產品線測試方法及測試系統 | |
| CN104077214A (zh) | 软件系统加载过程图像识别方法及系统 | |
| CN114384611B (zh) | 台风模拟区域确定方法、装置、电子设备及存储介质 | |
| CN102761613A (zh) | 移动终端及其器件信息获取方法、系统及服务器 | |
| CN114414409A (zh) | 材料疲劳性能的确定方法及装置 | |
| CN109979444A (zh) | 一种语音指令自动化测试方法、终端以及装置 | |
| CN112801953A (zh) | 新拌自密实混凝土抗离析性能分析方法及装置 | |
| CN202795028U (zh) | 一种基于视频采集及图片识别的砼配合比数据采集装置 | |
| CN114577566A (zh) | 混凝土凝结硬化程度测试方法及系统 | |
| CN112463573A (zh) | 测试应用的方法、装置、终端及存储介质 | |
| CN116757461B (zh) | 更新电网基建业务节点信息显示方法、装置、设备和介质 |
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 |