CN112927184A - 基于深度学习的自密实混凝土性能检测方法及装置 - Google Patents
基于深度学习的自密实混凝土性能检测方法及装置 Download PDFInfo
- Publication number
- CN112927184A CN112927184A CN202110057925.XA CN202110057925A CN112927184A CN 112927184 A CN112927184 A CN 112927184A CN 202110057925 A CN202110057925 A CN 202110057925A CN 112927184 A CN112927184 A CN 112927184A
- Authority
- CN
- China
- Prior art keywords
- self
- compacting concrete
- slump
- data
- deep learning
- 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
- 239000011376 self-consolidating concrete Substances 0.000 title claims abstract description 176
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000013135 deep learning Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 118
- 239000004567 concrete Substances 0.000 claims abstract description 28
- 238000005056 compaction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 54
- 238000005204 segregation Methods 0.000 claims description 38
- 239000000203 mixture Substances 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000005029 sieve analysis Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000003245 working effect Effects 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000000872 buffer Substances 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 3
- 235000017491 Bambusa tulda Nutrition 0.000 description 3
- 241001330002 Bambuseae Species 0.000 description 3
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 3
- 239000011425 bamboo Substances 0.000 description 3
- 239000004568 cement Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 229920000915 polyvinyl chloride Polymers 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004574 high-performance concrete Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Ceramic Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种基于深度学习的自密实混凝土性能检测方法及装置，方法包括：接收自密实混凝土坍落过程图像数据，确定对应的自密实混凝土坍落图像数据；根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据；本申请能够基于深度学习技术，对自密实混凝土的坍落过程进行监督学习，由此准确对自密实混凝土的工作性能进行检测。
Description
技术领域
本申请涉及机器学习领域，具体涉及一种基于深度学习的自密实混凝土性能检测方法及装置。
背景技术
自密实混凝土(SCC)指通过掺入高效减水剂使混凝土拌合物得到高流动性，混凝土拌合物不需要振捣仅依靠重力既能充满模板、包裹钢筋，并能保持不离析和均匀性，达到充分密室和最佳的性能，属于高性能混凝土的一种。自密实混凝土具有良好工作性能，可浇筑复杂、薄窄钢筋密集的结构，能够解决传统施工过程中，钢筋密集区难以振捣、钢筋与预埋件振捣移位的问题，同时可减轻劳动强度、改善劳动环境、缩短工期减少成本等特点。工作性能不合格的SCC会出现流动性能不足或者离析泌水的现象，浇筑至模板后，将影响混凝土的均匀性和密实程度。如果流动能力不足，会导致浇筑不密实，使模板或障碍物周围的部分空间出现空洞，为结构物的安全留下隐患；如果抗离析能力不足，会导致填充不均匀，引起骨料下沉的不利情况。
由于自密实混凝土胶凝材料用量大，水灰比较低，拌合物的粘度大，流动性较差，采用普通混凝土的测试方法不能客观的评价SCC的高流动性、高稳定性、穿越钢筋间隙能力及填充性，现有技术中使用了一些新实验方法，各有侧重，如坍落度筒法能够对SCC的流动性能进行评估，流动性能可以用SCC坍落过程停止流动时覆盖的圆的直径来表示，间隙通过性能反映SCC通过配筋区和狭窄入口，比如配筋密集区时，不发生离析或是堵塞的性能，可以通过L型仪、U型仪、J环实验对SCC的间隙通过性能进行评估，抗离析性能反映SCC在施工现场保持均匀和质量的基本性能，抗离析通过目测坍落度实验中坍落扩展的SCC中间是否有石子堆积、边缘泌水现象，此外还通过筛分析法，采用5mm方孔直径为350mm的标准筛，用筛通过量反映抗离析性能。但是对SCC的各个工作性能进行测试时，需要做大量的各种实验，过程耗时耗力，目前为止还没有找到一种方法能够全面对SCC的工作性能进行准确检测。
发明内容
针对现有技术中的问题，本申请提供一种基于深度学习的自密实混凝土性能检测方法及装置，能够基于深度学习技术，对自密实混凝土的坍落过程进行监督学习，由此准确对自密实混凝土的工作性能进行检测。
为了解决上述问题中的至少一个，本申请提供以下技术方案：
第一方面，本申请提供一种基于深度学习的自密实混凝土性能检测方法，包括：
接收自密实混凝土坍落过程图像数据，确定对应的自密实混凝土坍落图像数据；
根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据。
进一步地，在所述根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据之前，包括：
采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像进行标签标定操作，其中，所述坍落过程图像是通过预设坍落度筒和图像采集设备得到的；
采集各所述自密实混凝土测试样本的间隙通过率指标数据和抗离析指标数据，并确定与所述间隙通过率指标数据和所述抗离析指标数据对应的坍落过程图像，得到模型训练数据集，其中，所述间隙通过率指标数据和所述抗离析指标数据是通过预设U型仪、L型仪以及筛分析实验装置得到的；
根据所述模型训练数据集对预设深度学习模型进行训练，得到自密实混凝土性能检测模型。
进一步地，所述采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像进行标签标定操作，包括：
所述采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像，并对所述坍落过程图像进行空间差异分析和时序差异分析，对得到的分析结果中符合预设差异条件的坍落过程图像进行标签标定操作。
进一步地，在所述根据所述模型训练数据集对预设深度学习模型进行训练之前，包括：
对所述模型训练数据集进行数据标准化操作和数据增强操作，得到经过所述数据标准化操作和所述数据增强操作后的模型训练数据集。
第二方面，本申请提供一种基于深度学习的自密实混凝土性能检测装置，包括：
图像数据接收模块，用于接收自密实混凝土坍落过程图像数据，确定对应的自密实混凝土坍落图像数据；
模型性能检测模块，用于根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据。
进一步地，还包括：
坍落过程图像采集单元，用于采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像进行标签标定操作，其中，所述坍落过程图像是通过预设坍落度筒和图像采集设备得到的；
间隙通过率指标和抗离析指标采集单元，用于采集各所述自密实混凝土测试样本的间隙通过率指标数据和抗离析指标数据，并确定与所述间隙通过率指标数据和所述抗离析指标数据对应的坍落过程图像，得到模型训练数据集，其中，所述间隙通过率指标数据和所述抗离析指标数据是通过预设U型仪、L型仪以及筛分析实验装置得到的；
模型训练单元，用于根据所述模型训练数据集对预设深度学习模型进行训练，得到自密实混凝土性能检测模型。
进一步地，所述坍落过程图像采集单元包括：
差异分析的标签标定子单元，用于所述采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像，并对所述坍落过程图像进行空间差异分析和时序差异分析，对得到的分析结果中符合预设差异条件的坍落过程图像进行标签标定操作。
进一步地，还包括：
训练数据预处理单元，用于对所述模型训练数据集进行数据标准化操作和数据增强操作，得到经过所述数据标准化操作和所述数据增强操作后的模型训练数据集。
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基于深度学习的自密实混凝土性能检测方法的步骤。
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基于深度学习的自密实混凝土性能检测方法的步骤。
由上述技术方案可知，本申请提供一种基于深度学习的自密实混凝土性能检测方法及装置，通过自密实混凝土性能检测模型对自密实混凝土的坍落过程视频进行自密实混凝土的性能检测，能够便捷、准确得得到自密实混凝土的工作性能数据。
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为本申请实施例中的基于深度学习的自密实混凝土性能检测方法的流程示意图之一；
图2为本申请实施例中的基于深度学习的自密实混凝土性能检测方法的流程示意图之二；
图3为本申请实施例中的基于深度学习的自密实混凝土性能检测装置的结构图之一；
图4为本申请实施例中的基于深度学习的自密实混凝土性能检测装置的结构图之二；
图5为本申请实施例中的基于深度学习的自密实混凝土性能检测装置的结构图之三；
图6为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。
考虑到现有技术不能全面对自密实混凝土的工作性能进行准确检测的问题，本申请提供一种基于深度学习的自密实混凝土性能检测方法及装置，通过自密实混凝土性能检测模型对自密实混凝土的坍落过程视频进行自密实混凝土的性能检测，能够便捷、准确得得到自密实混凝土的工作性能数据。
为了能够基于深度学习技术，对自密实混凝土的坍落过程进行监督学习，由此准确对自密实混凝土的工作性能进行检测，本申请提供一种基于深度学习的自密实混凝土性能检测方法的实施例，参见图1，所述基于深度学习的自密实混凝土性能检测方法具体包含有如下内容：
步骤S101：接收自密实混凝土坍落过程图像数据，确定对应的自密实混凝土坍落图像数据。
步骤S102：根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据。
可选的，本申请可以通过一种能够对自密实混凝土(即SCC)工作性能进行检测的智能软件，例如一种APP或微信小程序，在做SCC实验时，利用三脚架将智能手机固定，记录SCC的坍落扩展度实验视频，输入软件中，根据坍落过程视频和坍落过程其中的几幅或者一副图像就能得到SCC全面的性能数据。
可选的，所述性能数据包括但不限于：坍落扩展度、穿过性能SV值、抗离析SR值。
从上述描述可知，本申请实施例提供的基于深度学习的自密实混凝土性能检测方法，能够通过自密实混凝土性能检测模型对自密实混凝土的坍落过程视频进行自密实混凝土的性能检测，能够便捷、准确得得到自密实混凝土的工作性能数据。
为了能够构建密实混凝土性能检测模型进行工作性能的准确检测，在本申请的基于深度学习的自密实混凝土性能检测方法的一实施例中，参见图2，在上述步骤S102之前，还可以具体包含如下内容：
步骤S201：采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像进行标签标定操作，其中，所述坍落过程图像是通过预设坍落度筒和图像采集设备得到的。
步骤S202：采集各所述自密实混凝土测试样本的间隙通过率指标数据和抗离析指标数据，并确定与所述间隙通过率指标数据和所述抗离析指标数据对应的坍落过程图像，得到模型训练数据集，其中，所述间隙通过率指标数据和所述抗离析指标数据是通过预设U型仪、L型仪以及筛分析实验装置得到的。
举例来说，本申请所采用的多组具有不同配合比的自密实混凝土测试样本例如为18组不同配合比的SCC，这些SCC配合比中粗骨料和砂的含量保持恒定，分别902.22kg/m3和837.43kg/m3，根据水泥的基本需水率，配合比第1-7组的水灰比从1.10变化至1.30，变化步长为0.10，相应地，减水剂占粉体质量的含量从0.80％变化至1.00％，变化步长为0.10％。配合比第8-18组为加密在配合比网格中的点，由此丰富了SCC工作性能的可能情形。
进一步来说，本申请可以采用现有的U型仪、L型仪、坍落度筒、筛分析实验装置进行数据采集，所述U型仪测量SCC的填充高度，所述L型仪测量SCC的高度比PA值，所述坍落度筒测量SCC的坍落扩展度，所述筛分析实验测量SCC的抗离析值SR。
可选的，间隙通过率的指标有PA值、填充高度，流动性指标有坍落扩展度，抗离析指标有抗离析值SR。
可选的，本申请可以随机取15组不同配合比的SCC进行搅拌，对每组配合比做U型仪、L型仪、坍落度筒、筛分析实验，记录每组配合比的填充高度，PA值，坍落扩展度，抗离析值。
具体的，本申请可以在做坍落度筒实验时用三脚架固定一个智能收集，其高度、角度、距离恒定，将坍落度提起到坍落扩展度实验结束的视频记录下来，得到自密实混凝土测试样本的坍落过程图像。
具体的，本申请可以通过现有的U型仪、L型仪得到的填充高度、PA值，并拟合建立穿过性能计算公式SV，其中，所述穿过性能是指SCC穿过最小配筋间隙的能力，并且在配筋密集区不发生离析或是堵塞的工作性能。
可选的，在采集到多组不同配合比的SCC坍落实验中的坍落视频后，可以进行视频的定性与初步分析，将SCC坍落过程视频划分为大量的独立样本(坍落过程图像)，以熵值、差分图像为例，定量分析不同工作性能的SCC坍落图像数据在空间信息、时序信息的差异。对每组图片进行标签标定，所述标签是具体的指标(即U型仪，L型仪，筛分析实验得到的数据)，标签标定的时候，一组实验的数据对应相应的配合比同时对应相应的图像样本，一组配合比的坍落过程图像给定实验测出来的SV值、抗离析值SR，可以得到一个SV、SR值下的多个坍落度过程图像。
在本申请的另一实施例中，本申请还可以取视频划分的最后一张坍落图像，给定标签坍落扩展度。
步骤S203：根据所述模型训练数据集对预设深度学习模型进行训练，得到自密实混凝土性能检测模型。
举例来说，本申请可以随机取15组SCC配合比组成的坍落视频，经过处理后形成大量模型训练数据集。将模型训练数据集经过数据标准化及数据增强等操作后，用于进行深度学习网络训练。
为了能够在构建密实混凝土性能检测模型是对模型训练数据进行准确标签标定，在本申请的基于深度学习的自密实混凝土性能检测方法的一实施例中，上述步骤S201还可以具体包含如下内容：
所述采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像，并对所述坍落过程图像进行空间差异分析和时序差异分析，对得到的分析结果中符合预设差异条件的坍落过程图像进行标签标定操作。
可选的，在采集到多组不同配合比的SCC坍落实验中的坍落视频后，可以进行视频的定性与初步分析，将SCC坍落过程视频划分为大量的独立样本(坍落过程图像)，以熵值、差分图像为例，定量分析不同工作性能的SCC坍落图像数据在空间信息、时序信息的差异，并在符合预设差异条件后对每组图片进行标签标定，一组配合比的坍落过程图像给定实验测出来的SV值、抗离析值SR，可以得到一个SV、SR值下的多个坍落度过程图像。
为了能够提高模型训练数据集的准确性，在本申请的基于深度学习的自密实混凝土性能检测方法的一实施例中，在上述步骤S203之前，还可以具体包含如下内容：
对所述模型训练数据集进行数据标准化操作和数据增强操作，得到经过所述数据标准化操作和所述数据增强操作后的模型训练数据集。
可选的，本申请可以随机取15组SCC配合比组成的坍落视频，经过处理后形成大量模型训练数据集。将模型训练数据集经过数据标准化及数据增强等操作后，用于进行深度学习网络训练。
为了能够基于深度学习技术，对自密实混凝土的坍落过程进行监督学习，由此准确对自密实混凝土的工作性能进行检测，本申请提供一种用于实现所述基于深度学习的自密实混凝土性能检测方法的全部或部分内容的基于深度学习的自密实混凝土性能检测装置的实施例，参见图3，所述基于深度学习的自密实混凝土性能检测装置具体包含有如下内容：
图像数据接收模块10，用于接收自密实混凝土坍落过程图像数据，确定对应的自密实混凝土坍落图像数据。
模型性能检测模块20，用于根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据。
从上述描述可知，本申请实施例提供的基于深度学习的自密实混凝土性能检测装置，能够通过自密实混凝土性能检测模型对自密实混凝土的坍落过程视频进行自密实混凝土的性能检测，能够便捷、准确得得到自密实混凝土的工作性能数据。
为了能够构建密实混凝土性能检测模型进行工作性能的准确检测，在本申请的基于深度学习的自密实混凝土性能检测装置的一实施例中，参见图4，还具体包含有如下内容：
坍落过程图像采集单元41，用于采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像进行标签标定操作，其中，所述坍落过程图像是通过预设坍落度筒和图像采集设备得到的。
间隙通过率指标和抗离析指标采集单元42，用于采集各所述自密实混凝土测试样本的间隙通过率指标数据和抗离析指标数据，并确定与所述间隙通过率指标数据和所述抗离析指标数据对应的坍落过程图像，得到模型训练数据集，其中，所述间隙通过率指标数据和所述抗离析指标数据是通过预设U型仪、L型仪以及筛分析实验装置得到的。
模型训练单元43，用于根据所述模型训练数据集对预设深度学习模型进行训练，得到自密实混凝土性能检测模型。
为了能够在构建密实混凝土性能检测模型是对模型训练数据进行准确标签标定，在本申请的基于深度学习的自密实混凝土性能检测装置的一实施例中，参见图5，所述坍落过程图像采集单元41包括：
差异分析的标签标定子单元411，用于所述采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像，并对所述坍落过程图像进行空间差异分析和时序差异分析，对得到的分析结果中符合预设差异条件的坍落过程图像进行标签标定操作。
为了能够提高模型训练数据集的准确性，在本申请的基于深度学习的自密实混凝土性能检测装置的一实施例中，还具体包含有如下内容：
训练数据预处理单元，用于对所述模型训练数据集进行数据标准化操作和数据增强操作，得到经过所述数据标准化操作和所述数据增强操作后的模型训练数据集。
从硬件层面来说，为了能够基于深度学习技术，对自密实混凝土的坍落过程进行监督学习，由此准确对自密实混凝土的工作性能进行检测，本申请提供一种用于实现所述基于深度学习的自密实混凝土性能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：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现基于深度学习的自密实混凝土性能检测装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的基于深度学习的自密实混凝土性能检测方法的实施例，以及基于深度学习的自密实混凝土性能检测装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
可以理解的是，所述用户终端可以包括智能手机、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。
在实际应用中，基于深度学习的自密实混凝土性能检测方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。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。
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。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平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。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。
图6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6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6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，基于深度学习的自密实混凝土性能检测方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
步骤S101：接收自密实混凝土坍落过程图像数据，确定对应的自密实混凝土坍落图像数据。
步骤S102：根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据。
从上述描述可知，本申请实施例提供的电子设备，通过自密实混凝土性能检测模型对自密实混凝土的坍落过程视频进行自密实混凝土的性能检测，能够便捷、准确得得到自密实混凝土的工作性能数据。
在另一个实施方式中，基于深度学习的自密实混凝土性能检测装置可以与中央处理器9100分开配置，例如可以将基于深度学习的自密实混凝土性能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基于深度学习的自密实混凝土性能检测方法功能。
如图6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6中所示的所有部件；此外，电子设备9600还可以包括图6中没有示出的部件，可以参考现有技术。
如图6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执行主体为服务器或客户端的基于深度学习的自密实混凝土性能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基于深度学习的自密实混凝土性能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S101：接收自密实混凝土坍落过程图像数据，确定对应的自密实混凝土坍落图像数据。
步骤S102：根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据。
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，通过自密实混凝土性能检测模型对自密实混凝土的坍落过程视频进行自密实混凝土的性能检测，能够便捷、准确得得到自密实混凝土的工作性能数据。
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)
1.一种基于深度学习的自密实混凝土性能检测方法，其特征在于，所述方法包括：
接收自密实混凝土坍落过程图像数据，确定对应的自密实混凝土坍落图像数据；
根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据。
2.根据权利要求1所述的基于深度学习的自密实混凝土性能检测方法，其特征在于，在所述根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据之前，包括：
采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像进行标签标定操作，其中，所述坍落过程图像是通过预设坍落度筒和图像采集设备得到的；
采集各所述自密实混凝土测试样本的间隙通过率指标数据和抗离析指标数据，并确定与所述间隙通过率指标数据和所述抗离析指标数据对应的坍落过程图像，得到模型训练数据集，其中，所述间隙通过率指标数据和所述抗离析指标数据是通过预设U型仪、L型仪以及筛分析实验装置得到的；
根据所述模型训练数据集对预设深度学习模型进行训练，得到自密实混凝土性能检测模型。
3.根据权利要求2所述的基于深度学习的自密实混凝土性能检测方法，其特征在于，所述采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像进行标签标定操作，包括：
所述采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像，并对所述坍落过程图像进行空间差异分析和时序差异分析，对得到的分析结果中符合预设差异条件的坍落过程图像进行标签标定操作。
4.根据权利要求2所述的基于深度学习的自密实混凝土性能检测方法，其特征在于，在所述根据所述模型训练数据集对预设深度学习模型进行训练之前，包括：
对所述模型训练数据集进行数据标准化操作和数据增强操作，得到经过所述数据标准化操作和所述数据增强操作后的模型训练数据集。
5.一种基于深度学习的自密实混凝土性能检测装置，其特征在于，包括：
图像数据接收模块，用于接收自密实混凝土坍落过程图像数据，确定对应的自密实混凝土坍落图像数据；
模型性能检测模块，用于根据自密实混凝土性能检测模型对所述自密实混凝土坍落图像数据进行性能检测，得到自密实混凝土性能数据。
6.根据权利要求5所述的基于深度学习的自密实混凝土性能检测装置，其特征在于，还包括：
坍落过程图像采集单元，用于采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像进行标签标定操作，其中，所述坍落过程图像是通过预设坍落度筒和图像采集设备得到的；
间隙通过率指标和抗离析指标采集单元，用于采集各所述自密实混凝土测试样本的间隙通过率指标数据和抗离析指标数据，并确定与所述间隙通过率指标数据和所述抗离析指标数据对应的坍落过程图像，得到模型训练数据集，其中，所述间隙通过率指标数据和所述抗离析指标数据是通过预设U型仪、L型仪以及筛分析实验装置得到的；
模型训练单元，用于根据所述模型训练数据集对预设深度学习模型进行训练，得到自密实混凝土性能检测模型。
7.根据权利要求6所述的基于深度学习的自密实混凝土性能检测装置，其特征在于，所述坍落过程图像采集单元包括：
差异分析的标签标定子单元，用于所述采集多组具有不同配合比的自密实混凝土测试样本的坍落过程图像，并对所述坍落过程图像进行空间差异分析和时序差异分析，对得到的分析结果中符合预设差异条件的坍落过程图像进行标签标定操作。
8.根据权利要求6所述的基于深度学习的自密实混凝土性能检测装置，其特征在于，还包括：
训练数据预处理单元，用于对所述模型训练数据集进行数据标准化操作和数据增强操作，得到经过所述数据标准化操作和所述数据增强操作后的模型训练数据集。
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4任一项所述的基于深度学习的自密实混凝土性能检测方法的步骤。
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4任一项所述的基于深度学习的自密实混凝土性能检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110057925.XA CN112927184A (zh) | 2021-01-15 | 2021-01-15 | 基于深度学习的自密实混凝土性能检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110057925.XA CN112927184A (zh) | 2021-01-15 | 2021-01-15 | 基于深度学习的自密实混凝土性能检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112927184A true CN112927184A (zh) | 2021-06-08 |
Family
ID=76162993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110057925.XA Pending CN112927184A (zh) | 2021-01-15 | 2021-01-15 | 基于深度学习的自密实混凝土性能检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112927184A (zh) |
Cited By (6)
| 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 |
| CN113997410A (zh) * | 2021-10-21 | 2022-02-01 | 怀化明达建材有限公司 | 一种自动化看料台 |
| CN114266989A (zh) * | 2021-11-15 | 2022-04-01 | 北京建筑材料科学研究总院有限公司 | 一种混凝土拌合物和易性测定方法和装置 |
| CN115588157A (zh) * | 2022-12-12 | 2023-01-10 | 广东祥利科技有限公司 | 交联低烟低卤聚烯烃材料的性能数据处理方法及系统 |
| WO2023142262A1 (zh) * | 2022-01-26 | 2023-08-03 | 福建南方路面机械股份有限公司 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
| CN117422709A (zh) * | 2023-12-13 | 2024-01-19 | 福建南方路面机械股份有限公司 | 基于rgb图像和深度图像的坍落度预测方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020040664A1 (en) * | 2000-07-25 | 2002-04-11 | Marco Tiziana De | Inorganic cohesion agent for self-compacting cement pastes |
| CN103196794A (zh) * | 2013-04-17 | 2013-07-10 | 东南大学 | 一种用于测试混凝土新拌性能的自动测试系统 |
| CN103806366A (zh) * | 2014-02-07 | 2014-05-21 | 中国民航大学 | 一种机场水泥混凝土道面性能采集系统及控制评价方法 |
| CN104749349A (zh) * | 2015-01-27 | 2015-07-01 | 天津大学 | 一种可拆卸的新型l型箱 |
| 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 |
| US20200048152A1 (en) * | 2016-10-14 | 2020-02-13 | Gcp Applied Technologies Inc. | Controllable High Flow Concrete |
| CN111611116A (zh) * | 2020-05-20 | 2020-09-01 | 南阳理工学院 | 一种计算机硬件抗摔性能自动检测平台 |
| CN211505244U (zh) * | 2020-01-14 | 2020-09-15 | 南京白鲨测绘科技有限公司 | 一种水泥基材孔结构图像采集、识别与分析设备 |
| 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 |
| CN112185486A (zh) * | 2020-09-24 | 2021-01-05 | 长安大学 | 基于深度学习的水泥乳化沥青混合料收缩行为预测方法 |
-
2021
- 2021-01-15 CN CN202110057925.XA patent/CN112927184A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020040664A1 (en) * | 2000-07-25 | 2002-04-11 | Marco Tiziana De | Inorganic cohesion agent for self-compacting cement pastes |
| CN103196794A (zh) * | 2013-04-17 | 2013-07-10 | 东南大学 | 一种用于测试混凝土新拌性能的自动测试系统 |
| CN103806366A (zh) * | 2014-02-07 | 2014-05-21 | 中国民航大学 | 一种机场水泥混凝土道面性能采集系统及控制评价方法 |
| CN104749349A (zh) * | 2015-01-27 | 2015-07-01 | 天津大学 | 一种可拆卸的新型l型箱 |
| US20200048152A1 (en) * | 2016-10-14 | 2020-02-13 | Gcp Applied Technologies Inc. | Controllable High Flow Concrete |
| 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 |
| CN211505244U (zh) * | 2020-01-14 | 2020-09-15 | 南京白鲨测绘科技有限公司 | 一种水泥基材孔结构图像采集、识别与分析设备 |
| CN111611116A (zh) * | 2020-05-20 | 2020-09-01 | 南阳理工学院 | 一种计算机硬件抗摔性能自动检测平台 |
| 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 |
| CN112185486A (zh) * | 2020-09-24 | 2021-01-05 | 长安大学 | 基于深度学习的水泥乳化沥青混合料收缩行为预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| TERZI S 等: ""Asphalt concrete stability estimation from non-destructive test methods with artificial neural networks"", 《NEURAL COMPUTING AND APPLICATIONS》 * |
| 丁仲聪 等: ""基于双轴图像的自密实混凝土工作性能分析"", <清华大学学报（自然科学版）> * |
| 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"", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 * |
| 谢鸿: ""高流态自密实灌注混凝土配合比设计与应用"", 《云南水力发电》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113997410A (zh) * | 2021-10-21 | 2022-02-01 | 怀化明达建材有限公司 | 一种自动化看料台 |
| 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 |
| CN114266989A (zh) * | 2021-11-15 | 2022-04-01 | 北京建筑材料科学研究总院有限公司 | 一种混凝土拌合物和易性测定方法和装置 |
| WO2023142262A1 (zh) * | 2022-01-26 | 2023-08-03 | 福建南方路面机械股份有限公司 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
| CN115588157A (zh) * | 2022-12-12 | 2023-01-10 | 广东祥利科技有限公司 | 交联低烟低卤聚烯烃材料的性能数据处理方法及系统 |
| CN117422709A (zh) * | 2023-12-13 | 2024-01-19 | 福建南方路面机械股份有限公司 | 基于rgb图像和深度图像的坍落度预测方法及装置 |
| CN117422709B (zh) * | 2023-12-13 | 2024-04-16 | 福建南方路面机械股份有限公司 | 基于rgb图像和深度图像的坍落度预测方法及装置 |
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 | |
| CN102013246B (zh) | 显示装置的伽马对应表的建立方法 | |
| CN102624576A (zh) | 一种自动测试浏览器的网页下载时间的方法和系统 | |
| CN105025141B (zh) | 终端用电量测试方法及其装置 | |
| CN110750928A (zh) | 有限元模型优化方法、装置及电子设备 | |
| CN111090960A (zh) | 工程结构有限元模型处理方法及装置 | |
| 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 | |
| CN104216826A (zh) | 测试方法及装置 | |
| AU2020305669B2 (en) | Special effect synchronization method, device, and storage medium | |
| CN105009114A (zh) | 预测性地呈现搜索能力 | |
| JP2011232444A (ja) | 座標変換装置、座標変換方法及びプログラム | |
| CN104461891A (zh) | 用于测试涉及定位的应用的方法及装置 | |
| CN107395692A (zh) | 终端屏幕展示方法及装置 | |
| CN110765680A (zh) | 工程结构智能损伤识别方法、装置及电子设备 | |
| CN112699528A (zh) | 含规则裂缝柱塞岩样数字岩心建模方法及装置 | |
| CN110505352B (zh) | 通话质量测试方法、系统、计算机设备和计算机存储介质 | |
| CN111915709A (zh) | 渲染方法及装置 | |
| CN112907512A (zh) | 一种新拌自密实混凝土工作性能检测方法及装置 | |
| KR102367915B1 (ko) | 콘크리트제품 제조 물량 조절 장치 및 방법 | |
| CN114414409A (zh) | 材料疲劳性能的确定方法及装置 | |
| CN112801953A (zh) | 新拌自密实混凝土抗离析性能分析方法及装置 | |
| CN104575542A (zh) | 一种实现音频区域播放的方法及装置 | |
| CN114499709A (zh) | 天线收音测试方法、装置、电子设备及存储介质 | |
| CN112801150A (zh) | 一种周期性视频数据的扩展方法及装置 | |
| CN101901187B (zh) | 一种解码程序测试的方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210608 |