CN113740342A - 一种钢筋锈蚀率智能检测设备 - Google Patents
一种钢筋锈蚀率智能检测设备 Download PDFInfo
- Publication number
- CN113740342A CN113740342A CN202110801345.7A CN202110801345A CN113740342A CN 113740342 A CN113740342 A CN 113740342A CN 202110801345 A CN202110801345 A CN 202110801345A CN 113740342 A CN113740342 A CN 113740342A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- steel bar
- qualified
- saddle
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种钢筋锈蚀率智能检测设备,包括:摄像头和锈蚀检测主机,其中,所述锈蚀检测主机储存有由分类卷积神经网络经过训练得到的钢筋横截面锈蚀像素判定网络模型;并且,所述被测钢筋需要进行测定的锈蚀横截面置于所述摄像头的拍摄范围内;所述锈蚀检测主机能够与摄像头通讯,并按步骤S1至步骤S4的方式对被测钢筋进行测定。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,能够现场出具锈蚀率测定结果,具有测定速度快、测定精度高、操作简单方便、可靠性高、智能化程度高的优点。
Description
技术领域
本发明涉及钢筋的锈蚀率测定装置,具体的说是一种钢筋锈蚀率智能检测设备。
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检测钢筋的均匀锈蚀率,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检测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装置,该装置将液体与浮力之间的关系映射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,而且该装置体积庞大,测定之前还需要以相同的方式对未锈蚀的同款钢筋进行测定,导致了使用上的不便。针对上述问题,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,该设备通过将钢筋加热,观察钢筋长度方向上的温度变化速率来测定非均匀锈蚀,这种设备实现了小型化,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,钢筋锈蚀率测定设备拥有重大的研究意义和经济价值,但目前存在的测定方法存在测定过程繁琐、使用体验不佳、检测时间长等诸多不足之处。
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智能检测设备。
解决上述技术问题,本发明所采用的技术方案如下:
如图1和图2所示,一种钢筋锈蚀率智能检测设备,其特征在于,包括:摄像头和锈蚀检测主机,其中,所述锈蚀检测主机储存有由分类卷积神经网络经过训练得到的钢筋横截面锈蚀像素判定网络模型;并且,所述被测钢筋需要进行测定的锈蚀横截面置于所述摄像头的拍摄范围内;
如图3所示,所述锈蚀检测主机能够与摄像头通讯,并按以下方式对被测钢筋进行测定:
步骤S1、由操作员通过所述锈蚀检测主机控制所述摄像头拍摄得到采样图像,以由所述锈蚀检测主机自动判断所述采样图像的拍摄角度是否满足合格条件;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;
并且,在判断所述采样图像的拍摄角度不满足合格条件时,所述锈蚀检测主机发出提示,以提醒操作员调整所述被测钢筋的姿态后重新进行所述采样图像的拍摄;
在判断所述采样图像的拍摄角度满足合格条件时,所述锈蚀检测主机将相应的采样图像记为合格拍摄图像;
步骤S2、所述锈蚀检测主机自动将所述合格拍摄图像输入所述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;
步骤S3、所述锈蚀检测主机自动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、所述锈蚀检测主机自动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,能够现场出具锈蚀率测定结果,具有测定速度快、测定精度高、操作简单方便、可靠性高、智能化程度高的优点。
作为本发明的优选实施方式:如图4和图5所示,所述钢筋锈蚀率智能检测设备还包括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5,所述四等份优选采用黑色和白色进行填充;
并且,所述标定装置与被测钢筋相对固定,所述靶平面与所述被测钢筋的锈蚀横截面共面;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;所述锈蚀检测主机储存有由操作员输入的距离偏差阈值DT和角度偏差阈值AT,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;
所述步骤S1中,所述锈蚀检测主机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:
首先,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。
然后,如图6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;
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,避免操作员使用设备时的不规范操作行为,以保证合格拍摄图像的采集质量,确保测定结果的准确性,实现了对钢筋的非均匀锈蚀率的智能化快速测定。
参见图5,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,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。
参见图5和图6,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,使得锈蚀检测主机对被测钢筋锈蚀率的测定能够适应于摄像头与锈蚀横截面之间的不同拍摄距离,增强了检测设备的使用灵活性,实现了对钢筋的非均匀锈蚀率的智能化快速测定。
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7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7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7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。
作为本发明的优选实施方式:如图1、图2、图8至图10所示,所述锈蚀检测主机包括控制板和触摸屏,所述控制板设有嵌入式控制系统、电源模块和显示屏连接模块,所述电源模块为所述嵌入式控制系统和显示屏连接模块供电,所述触摸屏用于实现所述操作员与锈蚀检测主机之间的人机交互,所述触摸屏通过所述显示屏连接模块与所述嵌入式控制系统电性连接,所述摄像头与所述嵌入式控制系统电性连接。
其中,所述摄像头优选与所述嵌入式控制系统通过USB通讯方式连接;所述摄像头优选采用130W像素以上的USB摄像头,优选为720p视角为90°的无畸变USB摄像头,以保障摄像头视野足以容纳钢筋截面与靶平面,采用无畸变摄像头可保证鞍点提取的准确性。
其中,参见图8,所述嵌入式控制系统优选由ARM7内核的STM32MP157控制器及其外围电路组成,并运行linux操作系统。所述电源模块优选为如图9所示的电源,规格为输入220V交流、输出12V2A直流,其包含总共有稳压芯片U16和稳压芯片U17,DC_IN用于外部直流电源输入,经过稳压芯片U16转换为5V电源输出,其中VD1是防反接二极管,避免外部直流电源极性反转,保护控制系统,F1为2A自恢复保险丝,用于保护USB电路,U17为3.3V稳压芯片,给嵌入式控制系统提供3.3V电源。所述摄像头优选采用7英寸触摸屏,显示屏连接模块优选如图10所示。
优选的:所述锈蚀检测主机还包括与所述嵌入式控制系统电性连接的外部设备接口,用于与外部设备通讯并从所述外部设备导入所述钢筋横截面锈蚀像素判定网络模型。
优选的:所述锈蚀检测主机还包括优选采用塑料材质的主机外壳,该主机外壳的外表面安装有握持带,以增加检测设备的便携性,所述控制板固定在所述主机外壳的内部,所述触摸屏固定在所述主机外壳的表面。
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,能够现场出具锈蚀率测定结果,具有测定速度快、测定精度高、操作简单方便、可靠性高、智能化程度高的优点。
第二,本发明采用标定装置来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,避免操作员使用设备时的不规范操作行为,以保证合格拍摄图像的采集质量,确保测定结果的准确性,实现了对钢筋的非均匀锈蚀率的智能化快速测定。
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,使得锈蚀检测主机对被测钢筋锈蚀率的测定能够适应于摄像头与锈蚀横截面之间的不同拍摄距离,增强了检测设备的使用灵活性,实现了对钢筋的非均匀锈蚀率的智能化快速测定。
第四,本发明的钢筋锈蚀率智能检测设备,具有使用方便灵活、体积小巧便携性好的优点。
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智能检测设备的结构示意图;
图2为本发明的钢筋锈蚀率智能检测设备的结构爆炸示意图;
图3为本发明对被测钢筋进行测定的流程框图;
图4为本发明步骤S1中判断是否满足合格条件的流程框图;
图5为本发明中标定装置的结构示意图;
图6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7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;
图8为本发明中嵌入式控制系统的电路原理图;
图9为本发明中电源模块的电路原理图;
图10为本发明中显示屏连接模块的电路原理图。
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和图2所示,本发明公开的是一种钢筋锈蚀率智能检测设备,包括:摄像头4和锈蚀检测主机,其中,所述锈蚀检测主机储存有由分类卷积神经网络经过训练得到的钢筋横截面锈蚀像素判定网络模型;并且,所述被测钢筋需要进行测定的锈蚀横截面置于所述摄像头4的拍摄范围内;
如图3所示,所述锈蚀检测主机能够与摄像头4通讯,并按以下方式对被测钢筋进行测定:
步骤S1、由操作员通过所述锈蚀检测主机控制所述摄像头4拍摄得到采样图像,以由所述锈蚀检测主机自动判断所述采样图像的拍摄角度是否满足合格条件;其中,所述合格条件为:所述摄像头4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;
并且,在判断所述采样图像的拍摄角度不满足合格条件时,所述锈蚀检测主机发出提示,以提醒操作员调整所述被测钢筋的姿态后重新进行所述采样图像的拍摄;
在判断所述采样图像的拍摄角度满足合格条件时,所述锈蚀检测主机将相应的采样图像记为合格拍摄图像;
步骤S2、所述锈蚀检测主机自动将所述合格拍摄图像输入所述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;
步骤S3、所述锈蚀检测主机自动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、所述锈蚀检测主机自动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,能够现场出具锈蚀率测定结果,具有测定速度快、测定精度高、操作简单方便、可靠性高、智能化程度高的优点。
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4和图5所示,所述钢筋锈蚀率智能检测设备还包括设有靶平面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5,所述四等份优选采用黑色和白色进行填充;
并且,所述标定装置与被测钢筋相对固定,所述靶平面1与所述被测钢筋的锈蚀横截面共面;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4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;所述锈蚀检测主机储存有由操作员输入的距离偏差阈值DT和角度偏差阈值AT,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4的拍摄方向与所述锈蚀横截面的垂直度要求越严格;
所述步骤S1中,所述锈蚀检测主机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:
首先,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。
然后,如图6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;
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,避免操作员使用设备时的不规范操作行为,以保证合格拍摄图像的采集质量,确保测定结果的准确性,实现了对钢筋的非均匀锈蚀率的智能化快速测定。
其中,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:
优选的:参见图5,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,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5和图6,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,使得锈蚀检测主机对被测钢筋锈蚀率的测定能够适应于摄像头4与锈蚀横截面之间的不同拍摄距离,增强了检测设备的使用灵活性,实现了对钢筋的非均匀锈蚀率的智能化快速测定。
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7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7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7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。
实施例四
在上述实施例一至实施例三任一实施例的基础上,本实施例四还采用了以下优选的实施方式:
如图1、图2、图8至图10所示,所述锈蚀检测主机包括控制板5和触摸屏6,所述控制板5设有嵌入式控制系统、电源模块和显示屏连接模块,所述电源模块为所述嵌入式控制系统和显示屏连接模块供电,所述触摸屏6用于实现所述操作员与锈蚀检测主机之间的人机交互,所述触摸屏6通过所述显示屏连接模块与所述嵌入式控制系统电性连接,所述摄像头4与所述嵌入式控制系统电性连接。
其中,所述摄像头4优选与所述嵌入式控制系统通过USB通讯方式连接;所述摄像头4优选采用130W像素以上的USB摄像头,优选为720p视角为90°的无畸变USB摄像头,以保障摄像头视野足以容纳钢筋截面与靶平面,采用无畸变摄像头可保证鞍点提取的准确性。
以上为本实施例四的基本实施方式,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:
其中,参见图8,所述嵌入式控制系统优选由ARM7内核的STM32MP157控制器及其外围电路组成,并运行linux操作系统。所述电源模块优选为如图9所示的电源,规格为输入220V交流、输出12V2A直流,其包含总共有稳压芯片U16和稳压芯片U17,DC_IN用于外部直流电源输入,经过稳压芯片U16转换为5V电源输出,其中VD1是防反接二极管,避免外部直流电源极性反转,保护控制系统,F1为2A自恢复保险丝,用于保护USB电路,U17为3.3V稳压芯片,给嵌入式控制系统提供3.3V电源。所述摄像头4优选采用7英寸触摸屏,显示屏连接模块优选如图10所示。
优选的:所述锈蚀检测主机还包括与所述嵌入式控制系统电性连接的外部设备接口,用于与外部设备通讯并从所述外部设备导入所述钢筋横截面锈蚀像素判定网络模型。
优选的:所述锈蚀检测主机还包括优选采用塑料材质的主机外壳7,该主机外壳7的外表面安装有握持带8,以增加检测设备的便携性,所述控制板5固定在所述主机外壳7的内部,所述触摸屏6固定在所述主机外壳7的表面。
下面通过一个实例来验证本发明的钢筋锈蚀率智能检测设备的效果:
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,用本发明的钢筋锈蚀率智能检测设备进行定量测定,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,因此本发明的测定设备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 (10)
1.一种钢筋锈蚀率智能检测设备,其特征在于,包括:摄像头(4)和锈蚀检测主机,其中,所述锈蚀检测主机储存有由分类卷积神经网络经过训练得到的钢筋横截面锈蚀像素判定网络模型;并且,所述被测钢筋需要进行测定的锈蚀横截面置于所述摄像头(4)的拍摄范围内;
所述锈蚀检测主机能够与摄像头(4)通讯,并按以下方式对被测钢筋进行测定:
步骤S1、由操作员通过所述锈蚀检测主机控制所述摄像头(4)拍摄得到采样图像,以由所述锈蚀检测主机自动判断所述采样图像的拍摄角度是否满足合格条件;其中,所述合格条件为:所述摄像头(4)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;
并且,在判断所述采样图像的拍摄角度不满足合格条件时,所述锈蚀检测主机发出提示,以提醒操作员调整所述被测钢筋的姿态后重新进行所述采样图像的拍摄;
在判断所述采样图像的拍摄角度满足合格条件时,所述锈蚀检测主机将相应的采样图像记为合格拍摄图像;
步骤S2、所述锈蚀检测主机自动将所述合格拍摄图像输入所述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;
步骤S3、所述锈蚀检测主机自动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、所述锈蚀检测主机自动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。
2.根据权利要求1所述钢筋锈蚀率智能检测设备,其特征在于:所述钢筋锈蚀率智能检测设备还包括设有靶平面(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,所述标定装置与被测钢筋相对固定,所述靶平面(1)与所述被测钢筋的锈蚀横截面共面;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(4)的拍摄范围内;所述锈蚀检测主机储存有由操作员输入的距离偏差阈值DT和角度偏差阈值AT;
所述步骤S1中,所述锈蚀检测主机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:
首先,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;
然后,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;
3.根据权利要求2所述钢筋锈蚀率智能检测设备,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。
4.根据权利要求2所述钢筋锈蚀率智能检测设备,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*。
5.根据权利要求1至4任意一项所述钢筋锈蚀率智能检测设备,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。
6.根据权利要求1至4任意一项所述钢筋锈蚀率智能检测设备,其特征在于: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。
7.根据权利要求1至4任意一项所述钢筋锈蚀率智能检测设备,其特征在于:所述锈蚀检测主机包括控制板(5)和触摸屏(6),所述控制板(5)设有嵌入式控制系统、电源模块和显示屏连接模块,所述电源模块为所述嵌入式控制系统和显示屏连接模块供电,所述触摸屏(6)用于实现所述操作员与锈蚀检测主机之间的人机交互,所述触摸屏(6)通过所述显示屏连接模块与所述嵌入式控制系统电性连接,所述摄像头(4)与所述嵌入式控制系统电性连接。
8.根据权利要求7所述钢筋锈蚀率智能检测设备,其特征在于:所述嵌入式控制系统由STM32MP157控制器及其外围电路组成。
9.根据权利要求7所述钢筋锈蚀率智能检测设备,其特征在于:所述锈蚀检测主机还包括与所述嵌入式控制系统电性连接的外部设备接口,用于与外部设备通讯并从所述外部设备导入所述钢筋横截面锈蚀像素判定网络模型。
10.根据权利要求7所述钢筋锈蚀率智能检测设备,其特征在于:所述锈蚀检测主机还包括主机外壳(7),该主机外壳(7)的外表面安装有握持带(8),所述控制板(5)固定在所述主机外壳(7)的内部,所述触摸屏(6)固定在所述主机外壳(7)的表面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801345.7A CN113740342A (zh) | 2021-07-15 | 2021-07-15 | 一种钢筋锈蚀率智能检测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801345.7A CN113740342A (zh) | 2021-07-15 | 2021-07-15 | 一种钢筋锈蚀率智能检测设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113740342A true CN113740342A (zh) | 2021-12-03 |
Family
ID=78728653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801345.7A Pending CN113740342A (zh) | 2021-07-15 | 2021-07-15 | 一种钢筋锈蚀率智能检测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113740342A (zh) |
Citations (5)
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 |
CN105956942A (zh) * | 2016-05-12 | 2016-09-21 | 陕西瑞海电力工程有限公司 | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 |
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 |
-
2021
- 2021-07-15 CN CN202110801345.7A patent/CN113740342A/zh active Pending
Patent Citations (5)
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 |
CN105956942A (zh) * | 2016-05-12 | 2016-09-21 | 陕西瑞海电力工程有限公司 | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 |
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 |
---|---|---|
Ye et al. | Vision-based structural displacement measurement: System performance evaluation and influence factor analysis | |
CN104330023B (zh) | 混凝土表面初始开裂信息的采集系统与识别方法 | |
CN103105140B (zh) | 大型建筑物变形监测装置以及用其监测的方法 | |
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 | |
US20160358322A1 (en) | Method and system for data detecting of an instrument | |
CN108764257A (zh) | 一种多视角的指针式仪表识别方法 | |
WO2021063062A1 (zh) | 一种电网设备带电检测系统、红外热像仪及方法 | |
WO2017028717A1 (zh) | 检测混凝土表面吸水过程的方法 | |
CN102519400B (zh) | 基于机器视觉的大长径比轴类零件直线度误差检测方法 | |
CN203024737U (zh) | 大型建筑物变形监测装置 | |
WO2021098197A1 (zh) | 混凝土中钢筋检测装置及其方法 | |
CN106643965B (zh) | 一种利用模板匹配精确识别液位的方法 | |
CN106168461B (zh) | 一种新型远距离测量定标仪 | |
CN108226295B (zh) | 一种超声波混凝土裂缝深度检测装置及其工作方法 | |
CN106225702A (zh) | 裂缝宽度检测装置和方法 | |
CN105302961A (zh) | 一种基于三维摄影技术的合拢管现场测量方法 | |
CN113884011A (zh) | 一种非接触式混凝土表观裂缝测量设备和方法 | |
Rivera et al. | Automated detection and measurement of cracks in reinforced concrete components | |
CN109901216A (zh) | 一种检测海水放射性核素的寻峰方法 | |
Dong et al. | Corrosion detection and evaluation for steel wires based on a multi-vision scanning system | |
CN204881602U (zh) | 一种用于测量建筑工程构件变形的装置 | |
CN113740342A (zh) | 一种钢筋锈蚀率智能检测设备 | |
CN109883344A (zh) | 一种海洋防腐涂层表面应变与位移的检测方法 | |
CN113446932A (zh) | 非接触式裂纹测量方法及其系统 | |
CN106546654B (zh) | 用于金属腐蚀监测的传感器 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221012 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. |
|
TA01 | Transfer of patent application right |