CN113740341B - 一种钢筋锈蚀率快速测定方法 - Google Patents
一种钢筋锈蚀率快速测定方法 Download PDFInfo
- Publication number
- CN113740341B CN113740341B CN202110801339.1A CN202110801339A CN113740341B CN 113740341 B CN113740341 B CN 113740341B CN 202110801339 A CN202110801339 A CN 202110801339A CN 113740341 B CN113740341 B CN 113740341B
- Authority
- CN
- China
- Prior art keywords
- saddle
- steel bar
- image
- qualified
- pixel
- 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.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 98
- 239000010959 steel Substances 0.000 title claims abstract description 98
- 230000007797 corrosion Effects 0.000 title claims abstract description 52
- 238000005260 corrosion Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims description 30
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000012797 qualification Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000002787 reinforcement Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 abstract description 8
- 238000002347 injection Methods 0.000 abstract description 5
- 239000007924 injection Substances 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 238000005554 pickling Methods 0.000 abstract description 4
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 13
- 239000004567 concrete Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 239000011150 reinforced concrete Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Abstract
本发明公开了一种钢筋锈蚀率快速测定方法,包括:步骤S1、通过调整被测钢筋的姿态,用摄像头拍摄得到满足合格条件的合格拍摄图像;步骤S2、将合格拍摄图像输入钢筋横截面锈蚀像素判定网络模型,以得到合格拍摄图像的已锈蚀像素面积;步骤S3、将合格拍摄图像的已锈蚀像素面积换算为锈蚀横截面的已锈蚀物理面积S*;步骤S4、计算被测钢筋在锈蚀横截面处的锈蚀率w=S*/S,式中,S为被测钢筋在未锈蚀时的横截面面积。本发明能够测定被测钢筋在锈蚀横截面处的锈蚀率,实现了对钢筋的非均匀锈蚀率的快速测定,无需进行酸洗、加热、注水等繁琐操作,具有测定速度快、测定精度高、操作简单方便、可靠性高的优点。
Description
技术领域
本发明涉及钢筋的锈蚀率测定,具体的说是一种钢筋锈蚀率快速测定方法。
背景技术
钢筋混凝土结构有效发挥了钢筋和混凝土两种材料的性能,其具有取材容易、可塑性高、耐火性强等诸多优点,在土建工程中应用最广泛的建筑材料。在钢筋混凝土结构诸多优点的背后,其结构耐久性能是工程人员、科研人员的重点关注指标。对于沿海地区,混凝土结构内部的钢筋锈蚀是影响混凝土结构耐久性的主要因素。
混凝土内部的钢筋锈蚀会导致混凝土保护层的锈胀开裂,使得建筑结构的服役性能下降,从而带来了巨大的经济损失,已引起了国内外的广泛关注。因此,研究钢筋锈蚀与混凝土结构服役性能的关系具有重要意义。
目前钢筋锈蚀率的测定方法包括标准《普通混凝土长期性能和耐久性试验方法》(GBJ82-85)中的试证法与标准《建筑结构检测技术标准》(GB50344)中所属的电化学测定方法。试证法主要通过钢筋锈蚀后的质量损失来测定钢筋的锈蚀率,而电化学测定方法则是采用极化电极原理测定钢筋腐蚀电流来完成测定工作。上述两种标准方法都只能测定钢筋的均匀锈蚀率,但混凝土内的钢筋存在木桶效应,即需要钢筋的最大锈蚀率来做为服役性能的试算参数,因此钢筋的均匀锈蚀率的测定存在局限性,对钢筋的非均匀锈蚀进行测定才能更好地完成服役性能评估。
中国发明专利CN104964918B,名称为“一种钢筋锈蚀率测定装置及测定方法”的发明中,公开了一种利用浮力来对钢筋的非均匀锈蚀率进行测定的方法,该方法将液体与浮力之间的关系转换为钢筋在长度方向上的锈蚀率曲线,为钢筋非均匀锈蚀测定提供了一种思路,但钢筋在锈蚀后,表面的膨胀与收缩会导致液位的非均匀上升,因此该专利的测定精度不高,测定之前还需要以相同的方法对未锈蚀的同款钢筋进行测定,测定过程冗余,准备过程较长。针对测定过程冗余的问题,中国发明专利CN107389731B,名称为“一种便携式钢筋锈蚀率的测定装置及测定方法”的发明专利,通过将钢筋加热,观察钢筋长度方向上的温度变化速率来测定非均匀锈蚀,这种不需要冗余的测定准备过程,但绕制钢筋加热的套筒难以做到生产标准化,且加热丝的可靠性难以保证,专利中提及的条形热成像仪的制作也较为困难,因此该专利在使用体验和可靠性上依然存在问题。
综上所述,钢筋非均匀锈蚀率测定方法拥有重大的研究意义和经济价值,但目前存在的测定方法都存在各自的不足,技术方案落后。
发明内容
本发明所要解决的技术问题是:提供一种钢筋锈蚀率快速测定方法。
解决上述技术问题,本发明所采用的技术方案如下:
一种钢筋锈蚀率快速测定方法,其特征在于,包括:
步骤S1、将被测钢筋需要进行测定的锈蚀横截面置于摄像头的拍摄范围内,并用所述摄像头采集得到采样图像,如果所述采样图像的拍摄角度不满足合格条件,则调整被测钢筋的姿态后重新进行采样图像的采集,直至所述采样图像的拍摄角度满足合格条件时,用所述摄像头拍摄得到合格拍摄图像;其中,所述合格条件为:所述摄像头的拍摄方向与所述锈蚀横截面的垂直度在预设的垂直度允许偏差以内;所述需要进行测定的锈蚀横截面通过对被测钢筋进行切割露出;
步骤S2、将所述合格拍摄图像输入钢筋横截面锈蚀像素判定网络模型,以得到所述合格拍摄图像的已锈蚀像素面积;其中,所述钢筋横截面锈蚀像素判定网络模型由分类卷积神经网络经过训练得到;
步骤S3、将所述合格拍摄图像的已锈蚀像素面积换算为所述锈蚀横截面的已锈蚀物理面积S*;
步骤S4、计算所述被测钢筋在所述锈蚀横截面处的锈蚀率w=S*/S,式中,S为所述被测钢筋在未锈蚀时的横截面面积。
从而,本发明能够测定被测钢筋在锈蚀横截面处的锈蚀率,实现了对钢筋的非均匀锈蚀率的快速测定,无需进行酸洗、加热、注水等繁琐操作,具有测定速度快、测定精度高、操作简单方便、可靠性高的优点。
作为本发明的优选实施方式:如图2和图3所示,所述步骤S1中,判断所述采样图像的拍摄角度是否满足所述合格条件的方式为:
步骤S1.1、采用设有靶平面的标定装置,所述靶平面上设置三个马鞍圆,该三个马鞍圆的鞍点以等腰直角三角形的形式分布,位于直角位置的鞍点记为基准鞍点,其余两个鞍点记为第二鞍点和第三鞍点,其中,所述马鞍圆为内部被分为四等份的圆圈图案,且该四等份沿顺时针方向交替填充两种不同的颜色,所述鞍点为所述马鞍圆的圆心;参见图3,所述四等份优选采用黑色和白色进行填充;
并且,将所述标定装置与被测钢筋相对固定,并使所述靶平面与所述被测钢筋的锈蚀横截面共面;
步骤S1.2、将所述靶平面与所述被测钢筋的锈蚀横截面一起置于所述摄像头的拍摄范围内,以使得所述采样图像和合格拍摄图像中均能够同时包含靶平面和锈蚀横截面;
步骤S1.3、检测所述采样图像中三个马鞍圆的鞍点,以得到所述基准鞍点、第二鞍点和第三鞍点该三个鞍点在所述采样图像中的像素坐标,依次记为(vA,uA)、(vB,uB)和(vC,uC);其中,即便三个鞍点在采样图像中的分布形式因拍摄原因发生了变形,但由于基准鞍点所在夹角仍然会是三个鞍点所在三角形中最大的,故能够据此确定基准鞍点是鞍点检测方法所检测出的三个鞍点中的哪一个。
步骤S1.4、如图4所示,计算所述基准鞍点的像素坐标与第二鞍点的像素坐标之间的像素距离D1,所述基准鞍点的像素坐标与第三鞍点的像素坐标之间的像素距离D2;并且,计算在所述三个鞍点的像素坐标所组成的三角形中,所述基准鞍点的像素坐标所在夹角的角度值α;
如果同时满足和(90°-AT)≤α≤(90°+AT),则判断所述采样图像的拍摄角度满足所述合格条件,否则,判断为不满足所述合格条件;
式中,DT为预设的距离偏差阈值,AT为预设的角度偏差阈值,DT和AT的取值越接近于0,表示所述垂直度允许偏差越小,也即所述摄像头的拍摄方向与所述锈蚀横截面的垂直度要求越严格。
从而,本发明能够自动、准确的为调整被测钢筋的姿态提供依据,以保证合格拍摄图像的采集质量,确保测定结果的准确性。
其中,所述步骤S1.3中,检测任意一个鞍点在所述采样图像中的像素坐标的鞍点检测方法如下:
通过图像的海森矩阵的特征值来寻找所述采样图像中的鞍点,假定采样图像的每个点的像素灰度值可通过f(u,v)的二阶多项式来进行表示,对于图像中某一点(u,v)的海森矩阵可以表示为:
而一个函数的二阶偏导近似于该函数与高斯二阶偏导的卷积,公式二至公式四中的“*”符号表示进行卷积操作,x与y表示高斯卷积核中的坐标:
而高斯函数的二阶偏导数可以表示为:
其中σ表示高斯函数的标准方差。
根据公式八可进一步求得采样图像中某一点(u,v)处的海森矩阵的特征值λ1与λ2。
如果该点的特征值λ1与λ2异号,且特征值λ1与λ2的绝对值均大于阈值T,则可判定该点为马鞍圆的原点,也即判断该点为鞍点。
参见图3,所述标定装置还设有夹紧装置,该夹紧装置与所述靶平面固定连接,所述靶平面通过该夹紧装置夹紧固定在所述被测钢筋上,以确保标定装置与被测钢筋的相对固定。其中,所述夹紧装置优选采用通过弹簧实现开合的弹簧夹具结构,以便于与被测钢筋的装拆,以及适配不同粗细的被测钢筋。
参见图3和图4,所述步骤S3中,依据所述三个鞍点在所述合格拍摄图像中的像素坐标(vA,uA)、(vB,uB)和(vC,uC),计算所述三个鞍点在所述合格拍摄图像中的像素坐标所组成三角形的三角形像素面积,计算所述三个鞍点在所述靶平面中所组成等腰直角三角形的三角形物理面积,并计算出所述三角形像素面积与三角形物理面积的换算比例,以将所述合格拍摄图像的已锈蚀像素面积换算为所述锈蚀横截面的已锈蚀物理面积S*。
从而,本发明利用三个鞍点所组成三角形在合格拍摄图像中和在靶平面中的尺寸映射关系,实现将合格拍摄图像的已锈蚀像素面积换算为锈蚀横截面的已锈蚀物理面积S*,具有精度高、使用方便的优点。
作为本发明的优选实施方式:所述钢筋横截面锈蚀像素判定网络模型,通过用模型训练数据集对所述分类卷积神经网络进行训练得到;
其中,所述模型训练数据集包含足够数量的数据组,每一组所述数据组均包含一幅所述合格拍摄图像、通过人工标记得到的所述合格拍摄图像的分类标记数据、通过实测得到的所述合格拍摄图像的已锈蚀像素面积(例如:图5中所有实心方框的总像素面积即为已锈蚀像素面积),所述分类标记数据包含所述合格拍摄图像中每一个像素的分类标记,所述分类标记分为1和0两种,所述合格拍摄图像中的已锈蚀像素被标记1(例如:图5中的每一个实心方框均标记为1),所述合格拍摄图像中的未锈蚀像素和背景像素均被标记为0(例如:图5中的每一个空心方框均标记为0)。
另外,由于拍摄采样图像时,对焦点在被测钢筋的锈蚀横截面上,拍摄时的背景会被虚化掉,使得钢筋横截面锈蚀像素判定网络模型能够很容易识别出背景像素和已锈蚀像素的区别;而且,可以在拍摄采样图像时,采用纯色的幕布作为背景,以去除背景干扰,能够进一步提高钢筋横截面锈蚀像素判定网络模型的判定可靠性。
从而,训练得到的钢筋横截面锈蚀像素判定网络模型,能够对输入的合格拍摄图像进行逐像素分析,以判定合格拍摄图像的每一个像素的分类标记是1还是0,以确定分类标记为1的全部已锈蚀像素的数量,最终输出所述合格拍摄图像的已锈蚀像素面积。
优选的:所述步骤S2中,所述分类卷积神经网络为VGG19-FCN卷积神经网络模型或U-Net卷积神经网络模型。
与现有技术相比,本发明具有以下有益效果:
第一,本发明能够测定被测钢筋在锈蚀横截面处的锈蚀率,实现了对钢筋的非均匀锈蚀率的快速测定,无需进行酸洗、加热、注水等繁琐操作,具有测定速度快、测定精度高、操作简单方便、可靠性高的优点。
第二,本发明采用步骤S1.1至步骤S1.4所述方式判断采样图像的拍摄角度是否满足合格条件,能够自动、准确的为调整被测钢筋的姿态提供依据,以保证合格拍摄图像的采集质量,确保测定结果的准确性。
第三,本发明利用三个鞍点所组成三角形在合格拍摄图像中和在靶平面中的尺寸映射关系,实现将合格拍摄图像的已锈蚀像素面积换算为锈蚀横截面的已锈蚀物理面积S*,具有精度高、使用方便的优点。
附图说明
下面结合附图和具体实施例对本发明作进一步的详细说明:
图1为本发明的钢筋锈蚀率快速测定方法的流程框图;
图2为本发明步骤S1中判断是否满足合格条件的流程框图;
图3为本发明中标定装置的结构示意图;
图4为本发明步骤S1,三个鞍点的像素坐标在采样图像中的示意图;
图5为本发明中合格拍摄图像的放大示意简图,其中,实心方框表示已锈蚀像素,空心方框表示未锈蚀像素和背景像素。
具体实施方式
下面结合实施例及其附图对本发明进行详细说明,以帮助本领域的技术人员更好的理解本发明的发明构思,但本发明权利要求的保护范围不限于下述实施例,对本领域的技术人员来说,在不脱离本发明之发明构思的前提下,没有做出创造性劳动所获得的所有其他实施例,都属于本发明的保护范围。
实施例一
如图1所示,本发明公开的是一种钢筋锈蚀率快速测定方法,包括:
步骤S1、将被测钢筋需要进行测定的锈蚀横截面置于摄像头的拍摄范围内,并用所述摄像头采集得到采样图像,如果所述采样图像的拍摄角度不满足合格条件,则调整被测钢筋的姿态后重新进行采样图像的采集,直至所述采样图像的拍摄角度满足合格条件时,用所述摄像头拍摄得到合格拍摄图像;其中,所述合格条件为:所述摄像头的拍摄方向与所述锈蚀横截面的垂直度在预设的垂直度允许偏差以内;所述需要进行测定的锈蚀横截面通过对被测钢筋进行切割露出;
步骤S2、将所述合格拍摄图像输入钢筋横截面锈蚀像素判定网络模型,以得到所述合格拍摄图像的已锈蚀像素面积;其中,所述钢筋横截面锈蚀像素判定网络模型由分类卷积神经网络经过训练得到;
步骤S3、将所述合格拍摄图像的已锈蚀像素面积换算为所述锈蚀横截面的已锈蚀物理面积S*;
步骤S4、计算所述被测钢筋在所述锈蚀横截面处的锈蚀率w=S*/S,式中,S为所述被测钢筋在未锈蚀时的横截面面积。
从而,本发明能够测定被测钢筋在锈蚀横截面处的锈蚀率,实现了对钢筋的非均匀锈蚀率的快速测定,无需进行酸洗、加热、注水等繁琐操作,具有测定速度快、测定精度高、操作简单方便、可靠性高的优点。
实施例二
在上述实施例一的基础上,本实施例二还采用了以下优选的实施方式:
如图2和图3所示,所述步骤S1中,判断所述采样图像的拍摄角度是否满足所述合格条件的方式为:
步骤S1.1、采用设有靶平面1的标定装置,所述靶平面1上设置三个马鞍圆2,该三个马鞍圆2的鞍点以等腰直角三角形的形式分布,位于直角位置的鞍点记为基准鞍点A,其余两个鞍点记为第二鞍点B和第三鞍点C,其中,所述马鞍圆2为内部被分为四等份的圆圈图案,且该四等份沿顺时针方向交替填充两种不同的颜色,所述鞍点为所述马鞍圆2的圆心;参见图3,所述四等份优选采用黑色和白色进行填充;
并且,将所述标定装置与被测钢筋相对固定,并使所述靶平面1与所述被测钢筋的锈蚀横截面共面;
步骤S1.2、将所述靶平面1与所述被测钢筋的锈蚀横截面一起置于所述摄像头的拍摄范围内,以使得所述采样图像和合格拍摄图像中均能够同时包含靶平面1和锈蚀横截面;
步骤S1.3、检测所述采样图像中三个马鞍圆2的鞍点,以得到所述基准鞍点A、第二鞍点B和第三鞍点C该三个鞍点在所述采样图像中的像素坐标,依次记为(vA,uA)、(vB,uB)和(vC,uC);其中,即便三个鞍点在采样图像中的分布形式因拍摄原因发生了变形,但由于基准鞍点A所在夹角仍然会是三个鞍点所在三角形中最大的,故能够据此确定基准鞍点A是鞍点检测方法所检测出的三个鞍点中的哪一个。
步骤S1.4、如图4所示,计算所述基准鞍点A的像素坐标与第二鞍点B的像素坐标之间的像素距离D1,所述基准鞍点A的像素坐标与第三鞍点C的像素坐标之间的像素距离D2;并且,计算在所述三个鞍点的像素坐标所组成的三角形中,所述基准鞍点A的像素坐标所在夹角的角度值α;
如果同时满足和(90°-AT)≤α≤(90°+AT),则判断所述采样图像的拍摄角度满足所述合格条件,否则,判断为不满足所述合格条件;
式中,DT为预设的距离偏差阈值,AT为预设的角度偏差阈值,DT和AT的取值越接近于0,表示所述垂直度允许偏差越小,也即所述摄像头的拍摄方向与所述锈蚀横截面的垂直度要求越严格。
从而,本发明能够自动、准确的为调整被测钢筋的姿态提供依据,以保证合格拍摄图像的采集质量,确保测定结果的准确性。
其中,所述步骤S1.3中,通过解算海森矩阵定位所述采样图像中所述马鞍圆2的鞍点的像素坐标,具体的鞍点检测方法如下:
通过图像的海森矩阵的特征值来寻找所述采样图像中的鞍点,假定采样图像的每个点的像素灰度值可通过f(u,v)的二阶多项式来进行表示,对于图像中某一点(u,v)的海森矩阵可以表示为:
而一个函数的二阶偏导近似于该函数与高斯二阶偏导的卷积,公式二至公式四中的“*”符号表示进行卷积操作,x与y表示高斯卷积核中的坐标:
而高斯函数的二阶偏导数可以表示为:
其中σ表示高斯函数的标准方差。
根据公式八可进一步求得采样图像中某一点(u,v)处的海森矩阵的特征值λ1与λ2。
如果该点的特征值λ1与λ2异号,且特征值λ1与λ2的绝对值均大于阈值T,则可判定该点为马鞍圆2的原点,也即判断该点为鞍点。
以上为本实施例二的基本实施方式,可以在该基本实施方式的基础上做进一步的优化、改进和限定:
参见图3,所述标定装置还设有夹紧装置3,该夹紧装置3与所述靶平面1固定连接,所述靶平面1通过该夹紧装置3夹紧固定在所述被测钢筋上,以确保标定装置与被测钢筋的相对固定。其中,所述夹紧装置3优选采用通过弹簧实现开合的弹簧夹具结构,以便于与被测钢筋的装拆,以及适配不同粗细的被测钢筋。
优选的:参见图3和图4,所述步骤S3中,依据所述三个鞍点在所述合格拍摄图像中的像素坐标(vA,uA)、(vB,uB)和(vC,uC),计算所述三个鞍点在所述合格拍摄图像中的像素坐标所组成三角形的三角形像素面积,计算所述三个鞍点在所述靶平面1中所组成等腰直角三角形的三角形物理面积,并计算出所述三角形像素面积与三角形物理面积的换算比例,以将所述合格拍摄图像的已锈蚀像素面积换算为所述锈蚀横截面的已锈蚀物理面积S*。
从而,本发明利用三个鞍点所组成三角形在合格拍摄图像中和在靶平面1中的尺寸映射关系,实现将合格拍摄图像的已锈蚀像素面积换算为锈蚀横截面的已锈蚀物理面积S*,具有精度高、使用方便的优点。
实施例三
在上述实施例一或实施例二的基础上,本实施例三还采用了以下优选的实施方式:
所述钢筋横截面锈蚀像素判定网络模型,通过用模型训练数据集对所述分类卷积神经网络进行训练得到;
其中,所述模型训练数据集包含足够数量的数据组,每一组所述数据组均包含一幅所述合格拍摄图像、通过人工标记得到的所述合格拍摄图像的分类标记数据、通过实测得到的所述合格拍摄图像的已锈蚀像素面积(例如:图5中所有实心方框的总像素面积即为已锈蚀像素面积),所述分类标记数据包含所述合格拍摄图像中每一个像素的分类标记,所述分类标记分为1和0两种,所述合格拍摄图像中的已锈蚀像素被标记1(例如:图5中的每一个实心方框均标记为1),所述合格拍摄图像中的未锈蚀像素和背景像素均被标记为0(例如:图5中的每一个空心方框均标记为0)。
另外,由于拍摄采样图像时,对焦点在被测钢筋的锈蚀横截面上,拍摄时的背景会被虚化掉,使得钢筋横截面锈蚀像素判定网络模型能够很容易识别出背景像素和已锈蚀像素的区别;而且,可以在拍摄采样图像时,采用纯色的幕布作为背景,以去除背景干扰,能够进一步提高钢筋横截面锈蚀像素判定网络模型的判定可靠性。
从而,训练得到的钢筋横截面锈蚀像素判定网络模型,能够对输入的合格拍摄图像进行逐像素分析,以判定合格拍摄图像的每一个像素的分类标记是1还是0,以确定分类标记为1的全部已锈蚀像素的数量,最终输出所述合格拍摄图像的已锈蚀像素面积。
以上为本实施例三的基本实施方式,可以在该基本实施方式的基础上做进一步的优化、改进和限定:
优选的:所述步骤S2中,所述分类卷积神经网络为VGG19-FCN卷积神经网络模型或U-Net卷积神经网络模型。
下面通过一个实例来验证本发明的钢筋锈蚀率快速测定方法的效果:
两根被测钢筋采用锈蚀周期约为26年、标识为HRB335的螺纹钢,直径分别为16mm和20mm;
靶平面1上三个马鞍圆2的直径均为0.6cm,基准鞍点A与第二鞍点B之间的距离、基准鞍点A与第三鞍点C之间的距离均为1.8cm,公式五至公式七中的标准方差σ设置为1,采用了7x7的高斯核来对合格拍摄图像进行卷积操作,距离偏差阈值DT设置为0.05,角度偏差阈值AT设置为5°。
采用VGG19-FCN卷积神经网络模型作为所述分类卷积神经网络训练得到钢筋横截面锈蚀像素判定网络模型;
将所述摄像头布置在距离被测钢筋的锈蚀横截面20cm左右的位置,按本发明的钢筋锈蚀率快速测定方法进行定量测定,测定结果如表1所示:
从表1可知,在观察距离为20cm左右的位置拍摄钢筋截面,由于采用具体实施方式中的参数设置,因此观察到的马鞍圆的大小是近似相同的。不管是测量16mm还是20mm的钢筋截面,根据马鞍圆换算出的像素物理尺寸存在数值上的波动,但波动幅度具有相似性。由于20mm直径的钢筋在相同观察距离下在相机视野中所占的比例更大,拥有更多像素面积,因此在锈蚀率测定中的数值波动较小。在16mm和20mm钢筋下的测定结果显示,本发明对钢筋非均匀锈蚀率的测定结果精度较高,锈腐率波动范围小于1%。测定过程只需要对钢筋截面进行拍照,不需要对钢筋进行酸洗、注水、加热,因此本发明所述测定方法在使用上更为方便快捷。通过钢筋横截面锈蚀像素判定网络模型以及实现已锈蚀像素面积与已锈蚀物理面积换算的像素标定算法,使得本发明在拍照距离上的限制小,能够适应不同直径的钢筋的锈蚀率测定任务,因此测定过程的智能化程度更好。
本发明不局限于上述具体实施方式,根据上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,本发明还可以做出其它多种形式的等效修改、替换或变更,均落在本发明的保护范围之中。
Claims (4)
1.一种钢筋锈蚀率快速测定方法,其特征在于,包括:
步骤S1、将被测钢筋需要进行测定的锈蚀横截面置于摄像头的拍摄范围内,并用所述摄像头采集得到采样图像,如果所述采样图像的拍摄角度不满足合格条件,则调整被测钢筋的姿态后重新进行采样图像的采集,直至所述采样图像的拍摄角度满足合格条件时,用所述摄像头拍摄得到合格拍摄图像;其中,所述合格条件为:所述摄像头的拍摄方向与所述锈蚀横截面的垂直度在预设的垂直度允许偏差以内;
步骤S2、将所述合格拍摄图像输入钢筋横截面锈蚀像素判定网络模型,以得到所述合格拍摄图像的已锈蚀像素面积;其中,所述钢筋横截面锈蚀像素判定网络模型由分类卷积神经网络经过训练得到;所述分类卷积神经网络为VGG19-FCN卷积神经网络模型或U-Net卷积神经网络模型;
步骤S3、将所述合格拍摄图像的已锈蚀像素面积换算为所述锈蚀横截面的已锈蚀物理面积S*;
步骤S4、计算所述被测钢筋在所述锈蚀横截面处的锈蚀率w=S*/S,式中,S为所述被测钢筋在未锈蚀时的横截面面积;
所述步骤S1中,判断所述采样图像的拍摄角度是否满足所述合格条件的方式为:
步骤S1.1、采用设有靶平面(1)的标定装置,所述靶平面(1)上设置三个马鞍圆(2),该三个马鞍圆(2)的鞍点以等腰直角三角形的形式分布,位于直角位置的鞍点记为基准鞍点(A),其余两个鞍点记为第二鞍点(B)和第三鞍点(C),其中,所述马鞍圆(2)为内部被分为四等份的圆圈图案,且该四等份沿顺时针方向交替填充两种不同的颜色,所述鞍点为所述马鞍圆(2)的圆心;
并且,将所述标定装置与被测钢筋相对固定,并使所述靶平面(1)与所述被测钢筋的锈蚀横截面共面;
步骤S1.2、将所述靶平面(1)与所述被测钢筋的锈蚀横截面一起置于所述摄像头的拍摄范围内;
步骤S1.3、检测所述采样图像中三个马鞍圆(2)的鞍点,以得到所述基准鞍点(A)、第二鞍点(B)和第三鞍点(C)该三个鞍点在所述采样图像中的像素坐标;
其中,所述步骤S1.3中,通过解算海森矩阵定位所述采样图像中所述马鞍圆(2)的鞍点的像素坐标,具体的鞍点检测方法如下:
通过图像的海森矩阵的特征值来寻找所述采样图像中的鞍点,假定采样图像的每个点的像素灰度值通过f(u,v)的二阶多项式来进行表示,对于图像中某一点(u,v)的海森矩阵表示为:
而一个函数的二阶偏导近似于该函数与高斯二阶偏导的卷积,公式二至公式四中的“*”符号表示进行卷积操作,x与y表示高斯卷积核中的坐标:
而高斯函数的二阶偏导数表示为:
其中σ表示高斯函数的标准方差;
根据公式八进一步求得采样图像中某一点(u,v)处的海森矩阵的特征值λ1与λ2;
如果该点的特征值λ1与λ2异号,且特征值λ1与λ2的绝对值均大于阈值T,则判定该点为马鞍圆(2)的原点,也即判断该点为鞍点;
步骤S1.4、计算所述基准鞍点(A)的像素坐标与第二鞍点(B)的像素坐标之间的像素距离D1,所述基准鞍点(A)的像素坐标与第三鞍点(C)的像素坐标之间的像素距离D2;并且,计算在所述三个鞍点的像素坐标所组成的三角形中,所述基准鞍点(A)的像素坐标所在夹角的角度值α;
如果同时满足和(90°-AT)≤α≤(90°+AT),则判断所述采样图像的拍摄角度满足所述合格条件,否则,判断为不满足所述合格条件;
式中,DT为预设的距离偏差阈值,AT为预设的角度偏差阈值。
2.根据权利要求1所述钢筋锈蚀率快速测定方法,其特征在于:所述标定装置还设有夹紧装置(3),该夹紧装置(3)与所述靶平面(1)固定连接,所述靶平面(1)通过该夹紧装置(3)夹紧固定在所述被测钢筋上。
3.根据权利要求1所述钢筋锈蚀率快速测定方法,其特征在于:所述步骤S3中,依据所述三个鞍点在所述合格拍摄图像中的像素坐标,计算所述三个鞍点在所述合格拍摄图像中的像素坐标所组成三角形的三角形像素面积,计算所述三个鞍点在所述靶平面(1)中所组成等腰直角三角形的三角形物理面积,并计算出所述三角形像素面积与三角形物理面积的换算比例,以将所述合格拍摄图像的已锈蚀像素面积换算为所述锈蚀横截面的已锈蚀物理面积S*。
4.根据权利要求1至3任意一项所述钢筋锈蚀率快速测定方法,其特征在于:所述钢筋横截面锈蚀像素判定网络模型,通过用模型训练数据集对所述分类卷积神经网络进行训练得到;
其中,所述模型训练数据集包含足够数量的数据组,每一组所述数据组均包含一幅所述合格拍摄图像、通过人工标记得到的所述合格拍摄图像的分类标记数据、通过实测得到的所述合格拍摄图像的已锈蚀像素面积,所述分类标记数据包含所述合格拍摄图像中每一个像素的分类标记,所述分类标记分为1和0两种,所述合格拍摄图像中的已锈蚀像素被标记1,所述合格拍摄图像中的未锈蚀像素和背景像素均被标记为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801339.1A CN113740341B (zh) | 2021-07-15 | 一种钢筋锈蚀率快速测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801339.1A CN113740341B (zh) | 2021-07-15 | 一种钢筋锈蚀率快速测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113740341A CN113740341A (zh) | 2021-12-03 |
CN113740341B true CN113740341B (zh) | 2024-07-02 |
Family
ID=
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0650719A (ja) * | 1992-07-28 | 1994-02-25 | Japan Steel & Tube Constr Co Ltd | 配管内面検査装置 |
JPH08110206A (ja) * | 1994-10-12 | 1996-04-30 | Ricoh Co Ltd | 位置及び姿勢検出方法と位置及び姿勢検出装置 |
CN110033431A (zh) * | 2019-02-26 | 2019-07-19 | 北方工业大学 | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 |
CN112767364A (zh) * | 2021-01-22 | 2021-05-07 | 三峡大学 | 一种闸门门叶表面锈蚀的图像检测系统及锈蚀面积快速测算方法 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0650719A (ja) * | 1992-07-28 | 1994-02-25 | Japan Steel & Tube Constr Co Ltd | 配管内面検査装置 |
JPH08110206A (ja) * | 1994-10-12 | 1996-04-30 | Ricoh Co Ltd | 位置及び姿勢検出方法と位置及び姿勢検出装置 |
CN110033431A (zh) * | 2019-02-26 | 2019-07-19 | 北方工业大学 | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 |
CN112767364A (zh) * | 2021-01-22 | 2021-05-07 | 三峡大学 | 一种闸门门叶表面锈蚀的图像检测系统及锈蚀面积快速测算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109696356B (zh) | 一种土工合成材料拉伸试样全域应变场测量装置及方法 | |
WO2017028717A1 (zh) | 检测混凝土表面吸水过程的方法 | |
CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
CN114862266A (zh) | 一种基于大数据的工业产品生产质量监测分析系统 | |
CN110276752B (zh) | 基于android系统的混凝土表面裂缝特征的APP检测方法 | |
CN107388995B (zh) | 一种手持式平面直线度检测装置及平面直线度检测方法 | |
CN114792323A (zh) | 一种基于图像处理的钢管变形检测方法及系统 | |
Dong et al. | Corrosion detection and evaluation for steel wires based on a multi-vision scanning system | |
CN110310258B (zh) | 一种混凝土构件钢筋锈蚀程度的评定方法 | |
CN113740341B (zh) | 一种钢筋锈蚀率快速测定方法 | |
CN106770327A (zh) | 一种用于热轧钢筋的表面锈蚀面积的定量检测方法 | |
CN113740341A (zh) | 一种钢筋锈蚀率快速测定方法 | |
CN112927185A (zh) | 一种基于数字图像相关法的真应力-真应变曲线测试计算方法 | |
CN113740342B (zh) | 一种钢筋锈蚀率智能检测设备 | |
CN117131671A (zh) | 一种基于数字孪生的水利工程智能监测方法及系统 | |
CN110501237A (zh) | 一种非接触式管材高温csr值测试系统及方法 | |
CN113740342A (zh) | 一种钢筋锈蚀率智能检测设备 | |
JPH02198306A (ja) | コンクリート部材の面内変位計測方法 | |
CN110320211A (zh) | 基于数字图像的小口径管道内壁缺陷识别装置 | |
CN114152213B (zh) | 配合手持式3d扫描仪测量杆式模型形貌特征的装置及方法 | |
CN111504232B (zh) | 一种混凝土裂缝数字化检测方法 | |
CN109870354A (zh) | 金属圆棒试样单轴拉伸断后伸长率自动测量方法 | |
CN112958636A (zh) | 一种用于热轧铝板头尾缺陷检测的柔性传感装置及其方法 | |
CN216770506U (zh) | 一种测定钢筋锈蚀面积的辅助装置 | |
CN110501229A (zh) | 一种非接触式金属管材csr值测试系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221010 Address after: 8 / F, new office building, Jianke academy, 121 Xianlie East Road, Tianhe District, Guangzhou City, Guangdong Province, 510500 Applicant after: GUANGDONG PROVINCIAL ACADEMY OF BUILDING RESEARCH GROUP Co.,Ltd. Address before: 528437 room 409-17, 4 / F, building C, innovation center building, 34 Xiangshan Avenue, Cuiheng New District, Zhongshan City, Guangdong Province Applicant before: Guangdong Jianke Innovation Technology Research Institute Co.,Ltd. |
|
GR01 | Patent grant |