CN113902725A - 坍落度的测量方法、装置、设备及存储介质 - Google Patents
坍落度的测量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113902725A CN113902725A CN202111217639.1A CN202111217639A CN113902725A CN 113902725 A CN113902725 A CN 113902725A CN 202111217639 A CN202111217639 A CN 202111217639A CN 113902725 A CN113902725 A CN 113902725A
- Authority
- CN
- China
- Prior art keywords
- concrete
- concrete block
- slump
- target area
- detection
- 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
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种坍落度的测量方法、装置、设备及存储介质。该坍落度的测量方法包括:获取多帧检测图像;提取各帧所述检测图像中混凝土块所在的第一目标区域;根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度;根据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度,实现了基于图像分析的、不借助额外测量工具的坍落度自动测量方式,提高了坍落度测量的效率和准确度。
Description
技术领域
本申请涉及混凝土检测技术领域,尤其涉及一种坍落度的测量方法、装置、设备及存储介质。
背景技术
坍落度主要用于表征混凝土的塑化性能和可泵性能,是混凝土的一项重要指标,为保证施工的正常进行,需要对混凝土的坍落度进行测量。
为了测量混凝土的坍落度,需要在专门的坍落度试验仪,如坍落度桶,中分三次装满混凝土,均匀和抹平后拔起塌落度桶,从而混凝土因自重产生塌落现象,由人工记录塌落后的混凝土块的高度,坍落度桶的高度与混凝土块的高度差即为混凝土的塌落度。
采用人工测量的方式,测量步骤繁琐,测量效率低下,且测量结果往往存在较大的误差。
发明内容
本申请提供一种网坍落度的测量方法、装置、设备及存储介质,用以解决坍落度测量效率低下和准确度较差的问题。
第一方面,本申请提供一种网坍落度的测量方法,该方法包括:
获取多帧检测图像,其中,所述检测图像包括从混凝土容器中倒至地面的混凝土块的检测信息;提取各帧所述检测图像中混凝土块所在的第一目标区域;根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度;根据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
可选的,提取各帧所述检测图像中混凝土块所在的第一目标区域,包括:
检测各帧检测图像中混凝土块所在的第一区域;基于边缘检测算法,对各个所述第一区域进行边缘检测,以获取各帧检测图像中所述混凝土块的混凝土块轮廓;对各个所述混凝土块轮廓进行椭圆拟合,以得到各帧检测图像中所述混凝土块所在的第一目标区域。
可选的,检测各帧检测图像中混凝土块所在的第一区域,包括:
基于深度学习算法,提取各帧检测图像中混凝土块所在的第一区域,并以矩形框标记所述第一区域。
相应的,基于边缘检测算法,对各个所述第一区域进行边缘检测,以获取各帧检测图像中所述混凝土块的混凝土块轮廓,包括:
针对包含矩形框标记的各帧检测图像,基于边缘检测算法,对所述检测图像的所述第一区域进行边缘检测,以获取所述检测图像中所述混凝土块的混凝土块边缘。
可选的,根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度,包括:
根据各个所述第一目标区域的长轴和短轴的长度,确定所述混凝土块的各个扩展度。
可选的,在根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度之前,所述方法还包括:
获取单个像素对应的物理尺寸;针对每个第一目标区域,根据单个像素对应的物理尺寸以及所述第一目标区域对应的像素点,确定所述第一目标区域的尺寸信息。
可选的,获取单个像素对应的物理尺寸,包括:
在至少一个所述第一目标区域的预设范围内,检测混凝土容器的上表面所在的第二目标区域,并标记所述第二目标区域内的各个像素点;对所述第二目标区域进行椭圆拟合,得到所述第二目标区域对应的椭圆,并统计所述第二目标区域对应的椭圆的长轴和短轴的像素点数;根据至少一个所述第二目标区域对应的椭圆的长轴和短轴对应的像素点数,以及所述混凝土容器上表面的实际尺寸,确定单个像素对应的物理尺寸。
可选的,根据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度,包括:
基于预先训练的神经网络模型、各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
可选的,在获取多帧检测图像之前,所述方法还包括:
生成操作指示信息,以指示操作人员在将混凝土容器内的混凝土倒至地面之后将所述混凝土容器放置于混凝土块的附近。
第二方面,本申请提供一种网络质量匹配度的预测装置,该装置包括:
图像获取模块,用于获取多帧检测图像,其中,所述检测图像包括从混凝土容器中倒至地面的混凝土块的检测信息;第一区域提取模块,用于提取各帧所述检测图像中混凝土块所在的第一目标区域;扩展度确定模块,用于根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度;坍落度确定模块,用于根据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
可选的,第一区域提取模块,包括:
第一检测单元,用于检测各帧检测图像中混凝土块所在的第一区域;边缘检测单元,用于基于边缘检测算法,对各个所述第一区域进行边缘检测,以获取各帧检测图像中所述混凝土块的混凝土块轮廓;拟合单元,用于对各个所述混凝土块轮廓进行椭圆拟合,以得到各帧检测图像中所述混凝土块所在的第一目标区域。
可选的,第一检测单元,具体用于:
基于深度学习算法,提取各帧检测图像中混凝土块所在的第一区域,并以矩形框标记所述第一区域。
相应的,边缘检测单元,具体用于:
针对包含矩形框标记的各帧检测图像,基于边缘检测算法,对所述检测图像的所述第一区域进行边缘检测,以获取所述检测图像中所述混凝土块的混凝土块边缘。
可选的,扩展度确定模块,具体用于:
根据各个所述第一目标区域的长轴和短轴的长度,确定所述混凝土块的各个扩展度。
可选的,所述装置还包括:
单位尺寸获取模块,用于在根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度之前,获取单个像素对应的物理尺寸;尺寸确定模块,用于针对每个第一目标区域,根据单个像素对应的物理尺寸以及所述第一目标区域对应的像素点,确定所述第一目标区域的尺寸信息。
可选的,单位尺寸获取模块,具体用于:
在至少一个所述第一目标区域的预设范围内,检测混凝土容器的上表面所在的第二目标区域,并标记所述第二目标区域内的各个像素点;对所述第二目标区域进行椭圆拟合,得到所述第二目标区域对应的椭圆,并统计所述第二目标区域对应的椭圆的长轴和短轴的像素点数;根据至少一个所述第二目标区域对应的椭圆的长轴和短轴对应的像素点数,以及所述混凝土容器上表面的实际尺寸,确定单个像素对应的物理尺寸。
可选的,坍落度确定模块,具体用于:
基于预先训练的神经网络模型、各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
可选的,所述装置还包括:
操作指示模块,用于在获取多帧检测图像之前,生成操作指示信息,以指示操作人员在将混凝土容器内的混凝土倒至地面之后将所述混凝土容器放置于混凝土块的附近。
第三方面,本申请还提供了一种坍落度的测量设备,包括:处理器,以及与所述处理器通信连接的存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现本申请第一方面提供的坍落度的测量设备方法。
第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现本申请第一方面提供的坍落度的测量方法。
本申请提供的坍落度的测量方法、装置、设备及存储介质,通过对倒至地面的混凝土块进行图像采集,得到多帧检测图像,并提取各帧检测图像进行混凝土块所在的第一目标区域,进而基于所提取的各个第一目标区域的尺寸信息,确定混凝土块的各个扩展度,实现了混凝土扩展度的自动测量;并基于所确定的各个扩展度以及各个扩展度对应的检测图像的拍摄时间,确定混凝土的坍落度,实现了坍落度的自动测量,且无需借助额外的测量工具以及无需人为过多的参与,仅需将混凝土从容器中倒出即可,减小了操作的复杂度,提高了测量效率,同时,通过多组扩展度对应的时序信号进行坍落度的测量,提高了坍落度测量的准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一个实施例提供的坍落度试验仪的结构示意图;
图2为本申请一个实施例提供的坍落度的测量方法的流程图;
图3为本申请另一个实施例提供的坍落度的测量方法的流程图;
图4为本申请图3所示实施例中步骤S306的流程图;
图5为本申请一个实施例提供的坍落度的测量装置的结构示意图;
图6为本申请一个实施例提供的坍落度的测量设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在将混凝土投入使用之前,需要先测量混凝土的坍落度,以评估混凝土的流动性、粘聚性和保水性等。在现有技术中,往往需要借助坍落度试验仪进行坍落度测量,图1为本申请一个实施例提供的坍落度试验仪的结构示意图,如图1所示,该坍落度试验仪10为上口100mm、下口200mm、高300mm的喇叭状或截头圆锥形的坍落度桶,在进行坍落度测量时,操作员需要均分三次在该坍落度试验仪10内填满混凝土,在将坍落度试验仪10内填装的混凝土捣实、抹平之后,操作员拔起该坍落度试验仪10,混凝土因自重产生坍落现象,混凝土块20的最高点的高度与坍落度试验仪10的高度的差值,即为混凝土的坍落度S。
上述测量方式,为纯手动测量,效率低下,为了提高坍落度测量效率,一些实施例中提供了一种测距仪30,通过该测距仪30可以直接测得混凝土的高度、长度和宽度等尺寸信息,从而计算出混凝土的坍落度和扩展度。上述测量方式,需要借助额外的测量仪器,测量成本较高,且需要操作人员进行测距仪30的控制,测量过程仍较复杂,测量效率提高有限。
为了降低坍落度测量的程度以及进一步提高坍落度测量的效率,本申请提供的坍落度的测量方法,无需借助任何测量仪器,其主要构思为:在操作员将混凝土容器内的混凝土倒出之后,拍摄包括混凝土块的多帧图像,通过图像处理和分析,得到各帧图像中混凝土块的尺寸信息,从而计算出各帧图像对应的混凝土的扩展度,进而基于各个扩展度及其对应的拍摄时间,确定混凝土的坍落度,整个测量过程无需人为介入,提高了测量效率,且基于多组扩展度对应的时间序列进行坍落度的确定,提高了坍落度测量的准确性。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请一个实施例提供的坍落度的测量方法的流程图,该方法可以由坍落度的测量设备执行,该设备可以为计算机、服务器或者含有图像处理功能的任意一种其他设备,如图2所示,该坍落度的测量方法包括以下步骤:
步骤S201,获取多帧检测图像。
其中,所述检测图像包括从混凝土容器中倒至地面的混凝土块的检测信息。
在一些实施例中,混凝土容器可以为上述坍落度试验仪10。
具体的,可以通过图像采集设备,如高清摄像头、RGBD摄像头等,拍摄混凝土块所在区域的多帧检测图像,进而将各帧检测图像发送至坍落度的测量设备,如图像处理平台。
具体的,可以在进行坍落度测量之前或者在将混凝土容器中的混凝土倒至地面之后,开启摄像头,以按照设定频率采集混凝土对应区域的多帧检测图像。
进一步地,在得到多帧检测图像之后,还可以对各帧检测图像进行预处理,如图像分割、降噪处理等。
具体的,图像采集设备可以设置在较高的位置,如距离地面2米~5米的高度处,如2.5米、3.5米等,从而较好地采集混凝土块所在区域的检测图像。
步骤S202,提取各帧所述检测图像中所述混凝土块所在的第一目标区域。
具体的,在得到各帧检测图像之后,对各帧检测图像进行混凝土块检测,从而提取各帧检测图像中混凝土块所在的区域,即第一目标区域。
进一步地,可以预先建立混凝土块检测模块,该模块基于深度学习算法,如R-CNN(Region-Convolutional Neural Network,基于区域的卷积神经网络算法)、YOLO等算法,输入的各帧检测图像进行混凝土块所在区域的检测,即提取各帧检测图像的第一目标区域。
进一步地,若在其中一帧检测图像中无法提取混凝土所在的第一目标区域,如该检测图像中混凝土块的部分被遮挡,则删除该帧检测图像。
步骤S203,根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度。
其中,第一目标区域的尺寸信息可以包括第一目标区域的长度和宽度。
在一些实施例中,第一目标区域的长度可以用于表征混凝土块的长度,第一目标区域的宽度则可以用于表征混凝土块的宽度。
具体的,可以预先对图像采集设备进行标定,从而确定图像采集设备所采集的图像中单个像素的物理尺寸。进而基于第一目标区域在第一方向和第二方向上包括的像素数以及单个像素的物理尺寸,确定第一区域在第一方向和第二方向的尺寸信息,第一方向和第二方向为互相垂直的两个方向,且混凝土块在该第一方向的长度最长,第一方向的尺寸信息可以用于表征混凝土块的长度,第二方向的尺寸信息可以用于表征混凝土块的宽度。
示例性的,图3为本申请图2所示实施例中第一目标区域的示意图,如图3所示,在检测图像中,混凝土块310呈类椭圆形,其对应的第一目标区域320为一个矩形区域,第一方向为X轴所在方向,第二方向则为Y轴所在方向,分别统计该混凝土块310在X轴和Y轴方向的最大长度对应的像素数,进而基于单个像素的物理尺寸以及X轴和Y轴方向对应的像素数,计算第一目标区域320的长度和宽度。
具体的,可以将各帧检测图像的第一目标区域的尺寸信息分别代入预设关系式,从而得到各帧检测图像中的混凝土块的扩展度。
具体的,预设关系式可以为:Ki=(Ai+Bi)/2,其中,Ai为第i帧检测图像的第一目标区域的长度,Bi为第i帧检测图像的第一目标区域的宽度,Ki为第i帧检测图像的扩展度。
步骤S204,根据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
具体的,在得到各个扩展度之后,获取各个扩展度对应的检测图像的拍摄时间,根据各个扩展度及其对应的拍摄时间,确定混凝土块的坍落度。
进一步地,可以根据各个扩展度及其对应的拍摄时间,绘制混凝土或混凝土块的扩展度随时间变化的曲线图,通过特征匹配确定与该曲线图匹配的标准曲线图,进而确定混凝土块的坍落度为该标准曲线图对应的坍落度。
本实施例提供的坍落度的测量方法,通过对倒至地面的混凝土块进行图像采集,得到多帧检测图像,并提取各帧检测图像进行混凝土块所在的第一目标区域,进而基于所提取的各个第一目标区域的尺寸信息,确定混凝土块的各个扩展度,实现了混凝土扩展度的自动测量;并基于所确定的各个扩展度以及各个扩展度对应的检测图像的拍摄时间,确定混凝土的坍落度,实现了坍落度的自动测量,且无需借助额外的测量工具以及无需人为过多的参与,仅需将混凝土从容器中倒出即可,减小了操作的复杂度,提高了测量效率,同时,通过多组扩展度对应的时序信号进行坍落度的测量,提高了坍落度测量的准确度。
可选的,据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度,包括:
基于预先训练的神经网络模型、各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
在一些实施例中,神经网络模型可以为LSTM(Long Short Term Memory,长短期记忆网络)模型、时间卷积网络模型等,还可以是采用LSTM网络结合BN(BatchNormalization,批量归一化)层和全连接层组成的网络模型。
示例性的,可以采用三层的LSTM模型。
具体的,可以通过人工测量方式得到多组坍落度已知的混凝土块各个时刻的扩展度,作为神经网络模型的训练的样本数据,进而将样本数据按一定比例划分为训练集和测试集,如8:2、9:1等进而在初始化神经网络模型的参数之后,基于训练集对神经网络模型进行训练,通过反向传播误差对神经网络模型的参数进行调整,直至达到训练结束条件,如输出的误差小于设定误差,或者训练次数达到预设次数,或者训练时间达到预设时间。通过测试集对训练后的神经网络模型进行评估,评估结果为合格,则将训练后的神经网络模型投入使用。
具体的,将各个扩展度及其对应的拍摄时间输入神经网络模型中,通过神经网络模型输出对应的扩展度。通过基于大量样本数据训练的神经网络模型,基于多组扩展度进行坍落度的预测,提高了坍落度预测的准确度。
图3为本申请另一个实施例提供的坍落度的测量方法的流程图,本实施例是在图2所示实施例的基础上,对步骤S202和步骤S203的进一步细化,在步骤S201之前增加操作提示信息生成的步骤,以及在步骤S203之前增加确定各个第一目标区域的尺寸信息的步骤,如图3所示,本实施例提供的坍落度的测量方法可以包括以下步骤:
步骤S301,生成操作指示信息,以指示操作人员在将混凝土容器内的混凝土倒至地面之后将所述混凝土容器放置于混凝土块的附近。
其中,操作指示信息可以通过图像或动画的形式进行显示或播放,以直观、形象地指导操作人员进行操作。
具体的,在混凝土的坍落度测量之前,需要操作人员先按照标准在混凝土容器内填装混凝土,捣实、抹平之后,将装有混凝土的混凝土容器移动至设定位置,进而拔起混凝土容器,从而使混凝土容器内的混凝土因自重坍落至地面,形成混凝土块。其中,设定位置可以为图像采集设备的视野范围内,设定位置为混凝土块所在的位置。
在一些实施例中,可以采用圆形标志标注该设定位置。
具体的,该操作指示信息中可以包括上述设定位置以及混凝土容器的放置位置。
通过上述操作提示信息,可以直观地指导操作人员按照设定模式进行操作,从而使得混凝土容器位于混凝土块的附近,从而使得存在包括混凝土块以及混凝土容器的检测信息的检测图像,为后续的扩展度和坍落度的确定打下基础。
步骤S302,获取多帧检测图像。
其中,检测图像包括从混凝土容器中倒至地面的混凝土块的检测信息以及该混凝土容器的检测信息。
步骤S303,检测各帧检测图像中混凝土块所在的第一区域。
具体的,可以基于混凝土块的形状特征,对各帧检测图像进行检测,从而确定混凝土块所在的第一区域。
步骤S304,基于边缘检测算法,对各个所述第一区域进行边缘检测,以获取各帧检测图像中所述混凝土块的混凝土块轮廓。
其中,边缘检测算法可以基于Robert算子、Sobel算子、Laplace算子或Canny算子等的边缘检测算法。
可选的,检测各帧检测图像中混凝土块所在的第一区域,包括:基于深度学习算法,提取各帧检测图像中混凝土块所在的第一区域,并以矩形框标记所述第一区域。如基于YOLO、RCNN等深度学习算法,提取各帧检测图像中混凝土块所在的第一区域。相应的,基于边缘检测算法,对各个所述第一区域进行边缘检测,以获取各帧检测图像中所述混凝土块的混凝土块轮廓,包括:针对包含矩形框标记的各帧检测图像,基于边缘检测算法,对所述检测图像的所述第一区域进行边缘检测,以获取所述检测图像中所述混凝土块的混凝土块边缘,从而得到各帧检测图像中混凝土块的外轮廓,即混凝土块轮廓。
具体的,由于图像采集设备设置在较高的位置,故所得到的混凝土块轮廓通常为混凝土块俯视图对应的轮廓。
具体的,由于检测图像是在操作人员操作的过程中采集的,从而导致部分检测图像中的混凝土块可能被遮挡,如被混凝土容器或操作人员遮挡,从而无法检测到第一区域,即可能会出现不存在框形标记的检测图像,为了提高效率,仅针对含有框形标记的各帧检测图像,在其第一区域内进行边缘检测,以得到混凝土块的边缘。
步骤S305,对各个所述混凝土块轮廓进行椭圆拟合,以得到各帧检测图像中所述混凝土块所在的第一目标区域。
通常混凝土容器的形状为截头圆锥形,其上下表面均为圆形,故混凝土块的上下表面通常呈类圆形或类椭圆形,进而所得到混凝土块轮廓也是类圆形或类椭圆形,进而为了便于扩展度的计算,对各个混凝土块轮廓进行椭圆拟合,从而得到各帧检测图像中的混凝土块对应的椭圆,即第一目标区域。
步骤S306,获取单个像素对应的物理尺寸。
具体的,可以基于图像采集设备的位姿以及设备参数,确定检测图像中单个像素对应的物理尺寸。
在一些实施例中,图像采集设备的位姿固定,则可以预先基于图像采集设备的位姿以及设备参数,确定检测图像中单个像素对应的物理尺寸,进而将单个像素对应的物理尺寸存储至坍落度的测量设备的存储器中,从而在需要使用该单个像素对应的物理尺寸时,可以直接从存储器中获取该单个像素对应的物理尺寸。
在一些实施例中,为了提高坍落度测量的准确度,避免由于图像采集设备的位姿变化,而导致单个像素的物理尺寸发生变化,因此需要实时确定单个像素的物理尺寸。可选的,图4为本申请图3所示实施例中步骤S306的流程图,如图4所示,步骤S306可以包括以下步骤:
步骤S3061,在至少一个所述第一目标区域的预设范围内,检测混凝土容器的上表面所在的第二目标区域,并标记所述第二目标区域内的各个像素点。
由于混凝土容器被放置于混凝土块的附件,如预设范围内,则可以在每个第一目标区域的预设范围内,检测混凝土容器的上表面所在的第二目标区域。
具体的,由于混凝土容器的形状已知且固定,故可以通过模板匹配的方式,在第一目标区域的预设范围内,检测符合混凝土容器的上表面特征的第二目标区域,并标记第二目标区域内的各个像素点。
步骤S3062,对所述第二目标区域进行椭圆拟合,得到所述第二目标区域对应的椭圆,并统计所述第二目标区域对应的椭圆的长轴和短轴的像素点数。
具体的,混凝土容器的上表面为圆形,其对应的第二目标区域可能为圆形或椭圆形,则可以通过椭圆拟合的方式,得到第二目标区域对应的椭圆,进而可以基于标记的第二目标区域的各个像素点,统计出第二目标区域对应的椭圆的长轴和短轴的长度。
步骤S3063,根据至少一个所述第二目标区域对应的椭圆的长轴和短轴对应的像素点数,以及所述混凝土容器上表面的实际尺寸,确定单个像素对应的物理尺寸。
其中,混凝土容器上表面的实际尺寸可以包括混凝土容器上表面的半径r。
具体的,单个像素对应的物理尺寸可以包括单个像素对应的物理长度px和物理宽度py,物理长度px=r/a,物理宽度py=r/b,a为第二目标区域对应的椭圆的长轴对应的像素点数,b则为第二目标区域对应的椭圆的短轴对应的像素点数。
在一些实施例中,可以在多帧检测图像中检测到混凝土容器完整的上表面,即第二目标区域,则可以基于各个第二目标区域对应的椭圆的长轴对应的像素点数的平均值、短轴对应的像素点数的平均值以及混凝土容器上表面的半径r,确定单个像素对应的物理长度px和物理宽度py。或者直接基于检测到的第一个第二目标区域对应的椭圆的长轴对应的像素点数、短轴对应的像素点数以及混凝土容器上表面的半径r,确定单个像素对应的物理长度px和物理宽度py。
步骤S307,针对每个第一目标区域,根据单个像素对应的物理尺寸以及所述第一目标区域对应的像素点,确定所述第一目标区域的尺寸信息。
具体的,可以统计第一目标区域的最大长度对应的第一像素点数,以及统计第一目标区域在与该最大长度所在第一方向垂直的第二方向的最大长度对应的第二像素点数。
在一些实施例中,第一目标区域的形状为椭圆形,第一像素点数即为长轴对应的像素点数,第二像素点数即为短轴对应的像素点数。
进一步地,可以根据单个像素对应的物理长度px和物理宽度py,以及第一目标区域对应的第一像素点数和第二像素点数,确定第一目标区域的第一尺寸和第二尺寸。在一些实施例中,第一尺寸和第二尺寸可以分别为第一目标区域的长轴和短轴的实际尺寸。
进一步地,可以建立直角坐标系,以单个像素对应的物理长度所在的方向为x轴的方向,以单个像素的物理宽度所在的方向为y轴方向,进而基于第一目标区域对应的像素点,建立第一目标区域对应的椭圆的椭圆方程,进而基于单个像素对应的物理长度px、物理宽度py以及第一目标区域对应的椭圆方程,确定第一目标区域的长轴的实际尺寸和短轴的实际尺寸。
步骤S308,根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度。
具体的,扩展度可以为第一目标区域的第一尺寸和第二尺寸的平均值。
可选的,根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度,包括:
根据各个所述第一目标区域的长轴和短轴的长度,确定所述混凝土块的各个扩展度。
具体的,扩展度为第一目标区域的长轴的实际尺寸和短轴的实际尺寸的平均值。
通过基于图像检测的方式,自动确定多组混凝土的扩展度,提高了扩展度计算的效率,同时为后续的坍落度确定提供了数据基础。
步骤S309,根据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
在本实施例中,针对所采集的包括混凝土块及混凝土容器的检测信息的多帧检测图像,通过对混凝土块所在区域以及混凝土容器所在区域的检测,以及通过边缘检测、椭圆拟合等图像处理操作,提取混凝土块的上表面和混凝土容器的上表面对应的椭圆,由于混凝土容器的上表面的形状已知且固定,故而可以通过混凝土容器上表面的实际尺寸及其对应的椭圆的长轴和短轴对应的像素点数,确定检测图像中单个像素的物理尺寸,基于单个像素的物理尺寸以及第一目标区域对应的像素,确定各个第一目标区域的实际尺寸,进而基于第一目标区域的实际尺寸,计算混泥土块的扩展度,实现了扩展度的自动计算;通过多组扩展度及其对应的检测图像的拍摄时间,确定混凝土块的坍落度,提高了坍落度测量的准确度。
图5为本申请一个实施例提供的坍落度的测量装置的结构示意图,如图5所示,该装置适用于服务终端,该装置包括:图像获取模块510、第一区域提取模块520、扩展度确定模块530和坍落度确定模块540。
其中,图像获取模块510,用于获取多帧检测图像,其中,所述检测图像包括从混凝土容器中倒至地面的混凝土块的检测信息;第一区域提取模块520,用于提取各帧所述检测图像中混凝土块所在的第一目标区域;扩展度确定模块530,用于根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度;坍落度确定模块540,用于根据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
可选的,第一区域提取模块520,包括:
第一检测单元,用于检测各帧检测图像中混凝土块所在的第一区域;边缘检测单元,用于基于边缘检测算法,对各个所述第一区域进行边缘检测,以获取各帧检测图像中所述混凝土块的混凝土块轮廓;拟合单元,用于对各个所述混凝土块轮廓进行椭圆拟合,以得到各帧检测图像中所述混凝土块所在的第一目标区域。
可选的,第一检测单元,具体用于:
基于深度学习算法,提取各帧检测图像中混凝土块所在的第一区域,并以矩形框标记所述第一区域。
相应的,边缘检测单元,具体用于:
针对包含矩形框标记的各帧检测图像,基于边缘检测算法,对所述检测图像的所述第一区域进行边缘检测,以获取所述检测图像中所述混凝土块的混凝土块边缘。
可选的,扩展度确定模块530,具体用于:
根据各个所述第一目标区域的长轴和短轴的长度,确定所述混凝土块的各个扩展度。
可选的,所述装置还包括:
单位尺寸获取模块,用于在根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度之前,获取单个像素对应的物理尺寸;尺寸确定模块,用于针对每个第一目标区域,根据单个像素对应的物理尺寸以及所述第一目标区域对应的像素点,确定所述第一目标区域的尺寸信息。
可选的,单位尺寸获取模块,具体用于:
在至少一个所述第一目标区域的预设范围内,检测混凝土容器的上表面所在的第二目标区域,并标记所述第二目标区域内的各个像素点;对所述第二目标区域进行椭圆拟合,得到所述第二目标区域对应的椭圆,并统计所述第二目标区域对应的椭圆的长轴和短轴的像素点数;根据至少一个所述第二目标区域对应的椭圆的长轴和短轴对应的像素点数,以及所述混凝土容器上表面的实际尺寸,确定单个像素对应的物理尺寸。
可选的,坍落度确定模块540,具体用于:
基于预先训练的神经网络模型、各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
可选的,所述装置还包括:
操作指示模块,用于在获取多帧检测图像之前,生成操作指示信息,以指示操作人员在将混凝土容器内的混凝土倒至地面之后将所述混凝土容器放置于混凝土块的附近。
本申请实施例所提供的坍落度的测量装置可执行本申请任意实施例所提供的坍落度的测量方法,具备执行方法相应的功能模块和有益效果。
图6为本申请一个实施例提供的坍落度的测量设备的结构示意图,如图6所示,该坍落度的测量设备包括:存储器610,处理器620以及计算机程序。
其中,计算机程序存储在存储器610中,并被配置为由处理器620执行以实现本申请图2至图4所对应的实施例中任一实施例提供的坍落度的测量方法。
其中,存储器610和处理器620通过总线630连接。
相关说明可以对应参见图2至图4的步骤所对应的相关描述和效果进行理解,此处不做过多赘述。
一种非临时性计算机可读存储介质,当该存储介质中的指令由服务终端的处理器执行时,使得服务终端能够执行上述坍落度的测量方法。
例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本申请实施例还提供了一种计算机程序产品,包括可执行计算机程序,该可执行计算机程序存储在可读存储介质中。服务终端的至少一个处理器可以从可读存储介质读取该计算机程序,至少一个处理器执行该计算机程序使得坍落度的测量装置实施上述各种实施方式提供的坍落度的测量方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (11)
1.一种坍落度的测量方法,其特征在于,所述方法包括:
获取多帧检测图像,其中,所述检测图像包括从混凝土容器中倒至地面的混凝土块的检测信息;
提取各帧所述检测图像中所述混凝土块所在的第一目标区域;
根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度;
根据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
2.根据权利要求1所述的方法,其特征在于,提取各帧所述检测图像中混凝土块所在的第一目标区域,包括:
检测各帧检测图像中混凝土块所在的第一区域;
基于边缘检测算法,对各个所述第一区域进行边缘检测,以获取各帧检测图像中所述混凝土块的混凝土块轮廓;
对各个所述混凝土块轮廓进行椭圆拟合,以得到各帧检测图像中所述混凝土块所在的第一目标区域。
3.根据权利要求2所述的方法,其特征在于,检测各帧检测图像中混凝土块所在的第一区域,包括:
基于深度学习算法,提取各帧检测图像中混凝土块所在的第一区域,并以矩形框标记所述第一区域;
相应的,基于边缘检测算法,对各个所述第一区域进行边缘检测,以获取各帧检测图像中所述混凝土块的混凝土块轮廓,包括:
针对包含矩形框标记的各帧检测图像,基于边缘检测算法,对所述检测图像的所述第一区域进行边缘检测,以获取所述检测图像中所述混凝土块的混凝土块边缘。
4.根据权利要求2所述的方法,其特征在于,根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度,包括:
根据各个所述第一目标区域的长轴和短轴的长度,确定所述混凝土块的各个扩展度。
5.根据权利要求1所述的方法,其特征在于,在根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度之前,所述方法还包括:
获取单个像素对应的物理尺寸;
针对每个第一目标区域,根据单个像素对应的物理尺寸以及所述第一目标区域对应的像素点,确定所述第一目标区域的尺寸信息。
6.根据权利要求5所述的方法,其特征在于,获取单个像素对应的物理尺寸,包括:
在至少一个所述第一目标区域的预设范围内,检测混凝土容器的上表面所在的第二目标区域,并标记所述第二目标区域内的各个像素点;
对所述第二目标区域进行椭圆拟合,得到所述第二目标区域对应的椭圆,并统计所述第二目标区域对应的椭圆的长轴和短轴的像素点数;
根据至少一个所述第二目标区域对应的椭圆的长轴和短轴对应的像素点数,以及所述混凝土容器上表面的实际尺寸,确定单个像素对应的物理尺寸。
7.根据权利要求1-6任一项所述的方法,其特征在于,根据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度,包括:
基于预先训练的神经网络模型、各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
8.根据权利要求1-6任一项所述的方法,其特征在于,在获取多帧检测图像之前,所述方法还包括:
生成操作指示信息,以指示操作人员在将混凝土容器内的混凝土倒至地面之后将所述混凝土容器放置于混凝土块的附近。
9.一种坍落度的测量装置,其特征在于,所述装置包括:
图像获取模块,用于获取多帧检测图像,其中,所述检测图像包括从混凝土容器中倒至地面的混凝土块的检测信息;
第一区域提取模块,用于提取各帧所述检测图像中混凝土块所在的第一目标区域;
扩展度确定模块,用于根据各个所述第一目标区域的尺寸信息,确定所述混凝土块的各个扩展度;
坍落度确定模块,用于根据各个所述扩展度以及各个所述扩展度对应的检测图像的拍摄时间,确定所述混凝土块的坍落度。
10.一种坍落度的测量设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-8中任一项所述的坍落度的测量方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-8任一项所述的坍落度的测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111217639.1A CN113902725A (zh) | 2021-10-19 | 2021-10-19 | 坍落度的测量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111217639.1A CN113902725A (zh) | 2021-10-19 | 2021-10-19 | 坍落度的测量方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902725A true CN113902725A (zh) | 2022-01-07 |
Family
ID=79192990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111217639.1A Pending CN113902725A (zh) | 2021-10-19 | 2021-10-19 | 坍落度的测量方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902725A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895008A (zh) * | 2022-05-25 | 2022-08-12 | 湖南三一快而居住宅工业有限公司 | 一种混凝土塌落度确定方法及系统 |
CN117218118A (zh) * | 2023-11-07 | 2023-12-12 | 福建南方路面机械股份有限公司 | 基于图像序列的坍落度监测方法、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 |
CN117630344A (zh) * | 2024-01-25 | 2024-03-01 | 西南科技大学 | 实时在线检测混凝土坍落度范围的方法 |
-
2021
- 2021-10-19 CN CN202111217639.1A patent/CN113902725A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895008A (zh) * | 2022-05-25 | 2022-08-12 | 湖南三一快而居住宅工业有限公司 | 一种混凝土塌落度确定方法及系统 |
CN117218118A (zh) * | 2023-11-07 | 2023-12-12 | 福建南方路面机械股份有限公司 | 基于图像序列的坍落度监测方法、装置及可读介质 |
CN117218118B (zh) * | 2023-11-07 | 2024-03-12 | 福建南方路面机械股份有限公司 | 基于图像序列的坍落度监测方法、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 |
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 |
CN117630344A (zh) * | 2024-01-25 | 2024-03-01 | 西南科技大学 | 实时在线检测混凝土坍落度范围的方法 |
CN117630344B (zh) * | 2024-01-25 | 2024-04-05 | 西南科技大学 | 实时在线检测混凝土坍落度范围的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902725A (zh) | 坍落度的测量方法、装置、设备及存储介质 | |
CN105956942B (zh) | 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 | |
CN113252700B (zh) | 一种结构裂缝检测方法、设备及系统 | |
CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 | |
CN110414341A (zh) | 一种基于无人机技术的露天矿爆堆测量统计方法 | |
CN114894642B (zh) | 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置 | |
CN110133639B (zh) | 一种传力杆施工质量检测方法 | |
CN116399302B (zh) | 基于双目视觉和神经网络模型实时监测强夯夯沉量的方法 | |
JP4025161B2 (ja) | 流速分布計測システム、流速分布計測方法、流速分布計測プログラム、流量計測システム、流量計測方法及び流量計測プログラム | |
CN108827200A (zh) | 一种船体分段智能检测系统及方法 | |
CN104019772A (zh) | 一种桥梁结构砼表面蜂窝麻面面积测定仪及其检测方法 | |
CN115616674A (zh) | 探地雷达训练数据集模拟扩增与道路无损检测方法及系统 | |
CN107607397A (zh) | 缺陷检测方法及装置 | |
CN104134213A (zh) | 一种数字图像中的目标定位方法以及装置 | |
CN113192042B (zh) | 一种基于opencv的工程主体结构施工进度识别方法 | |
CN111932642B (zh) | 一种结构裂纹体积的测算方法、装置、设备及存储介质 | |
CN110018085B (zh) | 一种注浆扩散测试系统及方法 | |
CN114359652A (zh) | 一种基于深度学习和单目大视场平面测量的定位检测方法 | |
CN113781513A (zh) | 一种电厂供水管道泄漏检测方法及系统 | |
CN203643314U (zh) | 流道式纸浆纤维测量系统在线标定测量分辨率的测量系统 | |
CN104267203A (zh) | 一种样品的测试方法及装置 | |
CN216350177U (zh) | 基于图像识别技术的堆石模拟分析系统 | |
CN113533146B (zh) | 基于图像识别技术的堆石模拟分析方法及系统 | |
CN110706244B (zh) | 一种基于声呐图像处理的水下施工控制事件自动获取方法 |
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 |