CN114266989A - 一种混凝土拌合物和易性测定方法和装置 - Google Patents
一种混凝土拌合物和易性测定方法和装置 Download PDFInfo
- Publication number
- CN114266989A CN114266989A CN202111348607.5A CN202111348607A CN114266989A CN 114266989 A CN114266989 A CN 114266989A CN 202111348607 A CN202111348607 A CN 202111348607A CN 114266989 A CN114266989 A CN 114266989A
- Authority
- CN
- China
- Prior art keywords
- concrete
- homogeneity
- image
- monitoring
- slump
- 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
- 239000004567 concrete Substances 0.000 title claims abstract description 351
- 238000000034 method Methods 0.000 title claims abstract description 98
- 239000000203 mixture Substances 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 148
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 73
- 238000000605 extraction Methods 0.000 claims abstract description 57
- 230000000007 visual effect Effects 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 26
- 239000002245 particle Substances 0.000 claims description 71
- 239000004576 sand Substances 0.000 claims description 70
- 238000003756 stirring Methods 0.000 claims description 38
- 238000002156 mixing Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000003709 image segmentation Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000013508 migration Methods 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000004575 stone Substances 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 6
- 239000004568 cement Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000011268 mixed slurry Substances 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005204 segregation Methods 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000002969 artificial stone Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000031836 visual learning Effects 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C7/00—Controlling the operation of apparatus for producing mixtures of clay or cement with other substances; Supplying or proportioning the ingredients for mixing clay or cement with other substances; Discharging the mixture
- B28C7/02—Controlling the operation of the mixing
- B28C7/022—Controlling the operation of the mixing by measuring the consistency or composition of the mixture, e.g. with supply of a missing component
- B28C7/024—Controlling the operation of the mixing by measuring the consistency or composition of the mixture, e.g. with supply of a missing component by measuring properties of the mixture, e.g. moisture, electrical resistivity, density
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C5/00—Apparatus or methods for producing mixtures of cement with other substances, e.g. slurries, mortars, porous or fibrous compositions
- B28C5/42—Apparatus specially adapted for being mounted on vehicles with provision for mixing during transport
- B28C5/4203—Details; Accessories
- B28C5/4206—Control apparatus; Drive systems, e.g. coupled to the vehicle drive-system
- B28C5/422—Controlling or measuring devices
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Structural Engineering (AREA)
- Mechanical Engineering (AREA)
- Dispersion Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Ceramic Engineering (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种混凝土拌合物和易性测定方法和装置，方法包括基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值和坍落度特征值；基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征；将当前混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合代入预先构建的分类器，得到当前混凝土的匀质性类别和坍落度等级。本发明实现对混凝土和易性的智能化监测，摆脱以往人工监测费时费力、效率低下以及实时性差的缺陷，满足工程的低成本以及高性能要求。
Description
技术领域
本发明涉及混凝土性能检测技术领域，尤其涉及一种混凝土拌合物和易性测定方法和装置。
背景技术
混凝土是指以水泥为主的胶凝材料，与水、砂石以及其他外加剂按照适当的比例配合，经过均匀搅拌、密实成型及养护硬化而成的人造石材。在混凝土中砂石颗粒起到骨架作用，称为骨料；水泥与水形成水泥浆，水泥浆包裹在骨料的表面并填充其空隙。在硬化前，浆体起到润滑作用，赋予拌合物一定和易性，便于施工，水泥浆硬化后，则将骨料胶结成一个坚实的整体。如果混凝土处于和易性(包括坍落度和匀质性)较差的情况下，混凝土的强度将产生难以置信的消减。施工人员将其浇筑在建筑物内部，将会对于人民财产造成极大的损失。
在实际生产中，虽然混凝土配料比例已经确定，但由于混凝土原料的来源广泛，可能会出现混凝土相同强度，混合比例相同，产生的混凝土可操作性差异很大的情况，因此需在浇筑前对混凝土和易性进行测定。目前对于混凝土和易性的测定多是基于人工测定。例如坍落度测试，先用湿布抹湿坍落筒、铁锹和拌和板等用具。坍落筒为上口直径100mm，下口直径200mm，高300mm，呈喇叭状。混凝土首先被填充在坍落筒中，上开口为100毫米，下开口为200毫米，高度为300毫米。然后拉起坍落筒，混凝土会因自身重量而坍塌。坍落筒的高度(300毫米)减去混凝土最高点的高度称为坍落度。均匀性测试，可用先后出机取样混凝土的28d抗压强度差值和砂浆密度的差值评定。
然而，该混凝土和易性测试普通存在以下问题：(1)需提前对混凝土进行采样并测定，对于搅拌车内部不断搅动的混凝土和易性测定缺乏实时性，且费时费力。(2)测试总是在放置前进行，以确保混凝土具有良好的可操作性，如果测试结果表明和易性不合格，该批次混凝土即无法使用，即造成材料的浪费，需要改变配合比重新生产。
发明内容
本发明的目的是提供一种混凝土拌合物和易性测定方法和装置，用于解决现有技术中人工测定混凝土和易性导致的费时费力、实时性差以及材料浪费严重的缺陷，实现对混凝土和易性的智能化测定。
第一个方面，本发明实施例提供一种混凝土拌合物和易性测定方法，包括：
基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值和坍落度特征值；
基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征；
将当前混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合代入预先构建的分类器，得到当前混凝土的匀质性类别和坍落度等级；
其中，所述分类器是基于历史混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合，以及历史混凝土的匀质性类别和坍落度等级构建的。
所述匀质性类别包括均匀和不均匀；所述坍落度等级是预先设定的。
根据本发明提供的混凝土拌合物和易性测定方法，所述基于视觉算法，对当前混凝土的监控视频序列进行特征提取之前，还包括：对当前混凝土的监控视频序列进行预处理；所述对当前混凝土的监控视频序列进行预处理，包括：
对当前混凝土的监控视频序列进行第一感兴趣区域裁剪；其中，所述第一感兴趣区域为混凝土搅拌罐内部区域；
对裁剪后的监控视频序列依次进行多尺度Retinex滤波处理和直方图均衡处理。
根据本发明提供的混凝土拌合物和易性测定方法，所述当前混凝土的监控视频序列由多个连续搅拌周期的混凝土监控视频构成，混凝土搅拌罐叶片旋转一周为一个搅拌周期；所述基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值，包括：
以第一预设时段为间隔，从第一预设时刻开始在各搅拌周期对应的混凝土监控视频中提取混凝土监控图像，并将提取的混凝土监控图像构成图像集合；
计算图像集合中每一个混凝土监控图像中混凝土的匀质性特征值；其中，所述匀质性特征值包括1和0；所述匀质性特征值为1和0时分别表示均匀和不均匀；
确定图像集合中混凝土的匀质性特征值为1的混凝土监控图像占比；
在所述占比大于第一预设阈值的情况下，判定当前混凝土的匀质性特征值为1；否则判定当前混凝土的匀质性特征值为0。
根据本发明提供的混凝土拌合物和易性测定方法，所述计算图像集合中每一个混凝土监控图像中混凝土的匀质性特征值，包括：
利用图像分割算法对混凝土监控图像进行混凝土边界提取，裁剪得到处于混凝土边界内部的区域，并将其作为第二感兴趣区域
使用分水岭算法对第二感兴趣区域进行砂石粒子轮廓定位，确定第二感兴趣区域砂石粒子位置；
对第二感兴趣进行九宫格划分；
对划分后九宫格中的砂石粒子个数进行方差计算；
在所述方差大于预设方差阈值的情况下，认定混凝土监控图像中混凝土的匀质性特征值为0；否则认定混凝土监控图像中混凝土的匀质性特征值为1。
根据本发明提供的混凝土拌合物和易性测定方法，所述当前混凝土的监控视频序列由多个连续搅拌周期的混凝土监控视频构成，混凝土搅拌罐叶片旋转一周为一个搅拌周期；所述基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的坍落度特征值，包括：
以第二预设时段为跟踪时长，从第二预设时刻开始在各搅拌周期对应的混凝土监控视频中截取混凝土跟踪视频；
对于各搅拌周期对应的混凝土跟踪视频的每一帧，利用图像分割算法提取混凝土边界，仅保留处于混凝土边界之内的区域，并利用分水岭算法对保留区域进行砂石粒子轮廓定位处理，得到各搅拌周期对应的混凝土砂石粒子定位视频；
在各搅拌周期对应的混凝土砂石粒子定位视频中任意选定一个区域，利用SORT跟踪算法对选定的区域进行砂石粒子跟踪，得到各搅拌周期选定区域对应的各砂石粒子的偏移速度；
对各搅拌周期选定区域对应的各砂石粒子的偏移速度取平均，得到当前混凝土的监控视频序列对应的砂石粒子平均偏移速度，并将所述砂石粒子平均偏移速度作为当前混凝土的坍落度特征值。
根据本发明提供的混凝土拌合物和易性测定方法，所述基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征，包括：
从所述监控视频序列中提取特定数目的监控图像；
将提取的监控图像代入基于深度学习方法预先构建的图像特征提取模型，得到所述图像特征提取模型输出的当前混凝土的图像特征。
根据本发明提供的混凝土拌合物和易性测定方法，所述图像特征提取模型的训练过程，包括：
从各历史混凝土的监控视频序列中分别提取特定数目的监控图像，并为提取的监控图像打标签；其中，所述标签包括：匀质性类别标签和坍落度等级标签；
以从各历史混凝土的监控视频序列中提取的带有标签的监控图像为初始CNN卷积神经网络的输入，以各历史混凝土匀质性和坍落度的描述文本为初始CNN卷积神经网络的输出，训练初始CNN卷积神经网络，得到图像特征提取模型。
第二方面，本发明还提供一种混凝土拌合物和易性测定装置，所述装置包括：
第一特征提取模块，用于基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值和坍落度特征值；
第二特征提取模块，用于基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征；
测定模块，用于将当前混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合代入预先构建的分类器，得到当前混凝土的匀质性类别和坍落度等级；
其中，所述分类器是基于历史混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合，以及历史混凝土的匀质性类别和坍落度等级构建的。
所述匀质性类别包括均匀和不均匀；所述坍落度等级是预先设定的。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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如第一方面所述混凝土拌合物和易性测定方法的步骤。
第四方面，本发明还提供一种非暂态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如第一方面所述混凝土拌合物和易性测定方法的步骤。
本发明通过传统视觉算法对于混凝土视频序列进行特征提取得到匀质性特征值和坍落度特征值，通过深度学习对于混凝土视频序列进行特征提取得到图像特征,通过传统视觉算法和深度学习配合，得到由匀质性特征值、坍落度特征值和图像特征得到特征向量，最后由分类器对特征向量进行分类，得到混凝土的匀质性类别和坍落度等级；最终实现了智能化、高效率、强实时性以及高准确性的混凝土和易性测定。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的实现混凝土拌合物和易性测定的硬件配置系统示意图；
图2是本发明提供的混凝土拌合物和易性测定方法流程图；
图3是本发明提供的混凝土拌合物和易性测定执行步骤流程图；
图4是本发明提供的未进行预处理的监控图像
图5是本发明提供的已进行预处理的监控图像
图6是本发明提供的图像集合生成示意图；
图7是本发明提供的九宫格示意图；
图8是本发明砂石粒子跟踪示意图；
图9是本发明提供的混凝土拌合物和易性测定装置结构图；
图10是本发明提供的实现混凝土拌合物和易性测定方法的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
为了便于本发明的理解，下面对本发明出现的技术用语进行解释：
坍落度：主要是指混凝土的塑化性能和可泵性能，是实验室进行混凝土配合比设计和建筑工地质量控制时一项重要的性能测试指标，其可以简单、方便地指示搅拌机操作员和现场工人混凝土的具体可操作性。
匀质性：混凝土各部位，比如上部和下部品质的均匀一致性；在混凝土的拌合、运输、浇筑和振捣过程中，由于材料本身性质的限制，容易产生离析等不利情况，这对成品混凝土是不利的。应尽量减小这种离析情况，要想完全的均匀一致是不可能的，但是可以控制在可以接受的范围内。
多尺度Retinex滤波(MSR)，即对一幅图像在不同的尺度上利用高斯进行滤波，然后在对不同尺度上的滤波结果进行平均加权，获得所估计的照度图像。
直方图均衡(Histogram Equalization)：又称直方图平坦化,实质上是对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。这样,原来直方图中间的峰顶部分对比度得到增强,而两侧的谷底部分对比度降低,输出图像的直方图是一个较平的分段直方图:如果输出数据分段值较小的话,会产生粗略分类的视觉效果。
图像分割算法：就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
分水岭算法(Watershed Algorithm)：是根据分水岭的构成来考虑图像的分割。现实中我们可以或者说可以想象有山有湖的景象，那么那一定是水绕山，山围水的情形。当然在需要的时候，要人工构筑分水岭，以防集水盆之间的互相穿透。而区分高山(plateaus)与水的界线，以及湖与湖之间的间隔或都是连通的关系，就是分水岭(watershed)。
SORT跟踪算法，是多目标跟踪(MOT)中的一种，主要任务中是给定一个图像序列，找到图像序列中运动的物体，并将不同帧的运动物体进行识别，也就是给定一个确定准确的id，当然这些物体可以是任意的，如行人、车辆、各种动物等等，而最多的研究是行人跟踪，由于人是一个非刚体的目标，且实际应用中行人检测跟踪更具有商业价值。
卡尔曼滤波(Kalman filtering)：是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。
匈牙利算法是基于Hall定理中充分性证明的思想，它是部图匹配最常见的算法，该算法的核心就是寻找增广路径，它是一种用增广路径求二分图最大匹配的算法。
下面结合图1-图10描述本发明提供的一种混凝土拌合物和易性测定方法和装置。
图1提供了实现混凝土拌合物和易性测定的硬件配置系统示意图，如图1所示，所述硬件配置系统，包括：前端设备(也称为前端设备，包括：摄像机、镜头，防护罩、云台、支架、光源等)、传输介质(视频线、电源线、控制线、连接件等)和车载计算机；所述车载计算机包括中心控制处理设备(即混凝土拌合物和易性测定装置，用于执行混凝土拌合物性能测定方法的步骤)、数字硬盘录像控制系统和显示模块；
其中，该系统能自动地通过摄像机对搅拌车内部监控区域(主要是搅拌罐内部)进行全方位实时摄录、摄录的视频通过信号线传到数字硬盘录像控制系统和中心控制处理设备，中心控制处理设备通过监控视频以及内置算法对于罐内混凝土性能进行数值化表征，例如坍落度性能、匀质性等性能进行数值表征，并向显示模块输出表征数值；表征的数值由显示模块对外显示。
本发明由数字硬盘录像控制系统控制摄像机自动地进行搅拌车内部监控区域摄录，监控人员可以观看摄像机的摄录画面。录入数字硬盘录像控制系统的视频图像以数字化压缩格式存储在计算机硬盘或云端。压缩比可用软件进行调整，存储的视频文件可由质检人员进行选择性删除。
该系统搅拌车图像收集、混凝土拌合物性能测定以及显示三个方面的工作，本发明主要对混凝土拌合物性能测定进行说明。
第一方面，如图2所示，本发明提供的一种混凝土拌合物和易性测定方法，包括：
S11：基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值和坍落度特征值；
本发明独立创新的混凝土和易性测定方法置于搅拌车内部，对搅拌过程中的混凝土和易性进行性能测定，实现对于混凝土和易性实时及高效的检测。
此外，本发明从视觉算法角度出发衡量混凝土的和易性，以期望提高和易性测定准确性。
S12：基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征；
本发明还从智能算法角度出发衡量混凝土的和易性，以期望提高和易性测定准确性。
S13：将当前混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合代入预先构建的分类器，得到当前混凝土的匀质性类别和坍落度等级；
本发明由传统视觉算法及深度学习算法得到的特征，组成特征向量[V,U,C],将其作为分类器输入数据，分类器类别设计由实际项目需要设计，如：坍落度分为等级[SL1,SL2,SL3,SL4,SL5]，匀质性类别分为[U0,U1]，分类器输出结果为[SL,U]，其中SL代表坍落度等级数值，U代表匀质性特征值，V代表坍落度特征值，U代表图像特征，U0表示不均匀，U1表示均匀。
其中，所述分类器是基于历史混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合，以及历史混凝土的匀质性类别和坍落度等级构建的。
所述匀质性类别包括均匀和不均匀；所述坍落度等级是预先设定的。
本发明通过传统视觉算法对于混凝土视频序列进行特征提取得到匀质性特征值和坍落度特征值，通过深度学习对于混凝土视频序列进行特征提取得到图像特征,通过传统视觉算法和深度学习配合，得到由匀质性特征值、坍落度特征值和图像特征得到特征向量，最后由分类器对特征向量进行分类，得到混凝土的匀质性类别和坍落度等级；最终实现了智能化、高效率、强实时性以及高准确性的混凝土和易性测定。
图3是本发明提供的混凝土拌合物和易性测定执行步骤流程图，包括输入混凝土监控视频序列，视频序列的预处理，基于传统视觉算法和深度学习算法的和易性相关特征提取以及组合，基于分类器对特征组合进行分类并针对混凝土和易性(主要为坍落度及匀质性)做出判断。该方法基于传统视觉算法和深度学习算法建立的并适用于搅拌车内部的混凝土和易性测定，主要在硬件配置系统的车载计算机中完成，具备以下优势：
(1)效率高：通过车载计算机对于罐内混凝土进行检测和性能分析，摆脱了以往需要人工对于罐内混凝土取样并进行坍落度实验及匀质性实验，浪费人力物力，造成效率低下的缺陷。
(2)实时性强：车载计算机通过对于监控设备传输的罐内混凝土视频检测及性能分析，并通过云端数据传输给工程师，完成实时对于混凝土的性能判定和调整。
(3)准确率高：对混凝土性能的判断在达到一定准确率后，不会随时间推移及其他外部条件发生准确率偏移，可保持相对稳定的测定效果。
在上述各实施例的基础上，作为一种可选的实施例，所述基于视觉算法，对当前混凝土的监控视频序列进行特征提取之前，还包括：对当前混凝土的监控视频序列进行预处理；所述对当前混凝土的监控视频序列进行预处理，包括：
对当前混凝土的监控视频序列进行第一感兴趣区域裁剪；其中，所述第一感兴趣区域为混凝土搅拌罐内部区域
在本发明技术领域中，对当前混凝土的监控视频序列进行预处理即为对当前混凝土的监控视频序列中的每一帧监控图像进行预处理；因监控图像可能会涵盖搅拌车罐壁以及搅拌车罐外的区域，这些区域对混凝土性能识别起不到作用，是无效信息，为了减少无效信息的干扰，需对监控图像进行第一感兴趣区域(即搅拌罐内部区域)裁剪；
对裁剪后的监控视频序列依次进行多尺度Retinex滤波处理和直方图均衡处理。
在本发明技术领域中，搅拌罐内部监控图像具有较差的色块界限，监控图像所表现出的砂石粒子及其混合泥浆之间的界限模糊，两者拥有极为接近的灰度值；这对后续进行的砂石粒子的跟踪具有强干扰作用；此外混凝土沙石粒子在搅拌过程中会发生非定向的漂移，进一步加剧沙石粒子的跟踪难度，因此为了给后续混凝土性能测定及深度学习做准备，本发明对视频序列进行视频质量提升等处理；
本发明主要从增强砂石粒子及其混合泥浆之间的对比度和增大监控图像的灰度范围等方面着手提升视频质量，达到砂石粒子界限区分清晰的目的。具体来讲，本发明利用多尺度Retinex滤波的手段对监控图像进行处理，以减弱搅拌车内部光源杂乱不同对混凝土监控图像的影响，并在此基础上对监控图像进行直方图均衡处理，使得监控图像的灰度范围变大；
当然，本发明仅提供一种了可行的方式，可以想到为达到与本发明相同的目的，可以适当用类似的技术替换多尺度Retinex滤波技术和/或直方图均衡技术。
为对本实施例效果有一个直观了解，在混凝土的监控视频序列中随机提取出如图4所示的三帧监控图像，很直观的可以看出，图4中含有搅拌车罐壁和搅拌车罐外区域，搅拌车罐壁内部光源杂乱不同且砂石粒子以及混合泥浆之间的界限较为模糊，然后对该三帧监控图像进行第一感兴趣区域裁剪，并在基础上进行多尺度Retinex滤波处理和直方图均衡处理，得到如图5所示三帧监控图像，很明显的可以看出，经过预处理的三帧监控图像剔除了搅拌车罐壁和搅拌车罐外区域，搅拌车罐壁内部光源杂乱现象得以改善且砂石粒子以及混合泥浆之间的界限模糊情况也得以改善，三帧监控图像更清晰，更容易辨别。
在上述各实施例的基础上，作为一种可选的实施例，所述当前混凝土的监控视频序列由多个连续搅拌周期的混凝土监控视频构成，混凝土搅拌罐叶片旋转一周为一个搅拌周期；所述基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值，包括：
以第一预设时段为间隔，从第一预设时刻开始在各搅拌周期对应的混凝土监控视频中提取混凝土监控图像，并将提取的混凝土监控图像构成图像集合；
在本发明技术领域中，假设叶片旋转至a位置为周期的起始时刻，叶片再次旋转至a位置所用时间为搅拌周期；图6提供了图像集合生成示意图，如图6所示，在每一个搅拌周期中T中，选取时刻t1(搅拌周期T初始时刻为0)图像帧为周期内首张图像，间隔t时段再次选取时刻t2图像帧为周期内第二张图像，以此类推，以时段t为时间间隔，在周期T内选取n张图像,且满足(nt)<T。最后将在各搅拌周期的监控视频中选取的监控图像汇总，得到图像集合。
计算图像集合中每一个混凝土监控图像中混凝土的匀质性特征值；其中，所述匀质性特征值包括1和0；所述匀质性特征值为1和0时分别表示均匀和不均匀；
本发明实现混凝土和易性的非强实时监测(约5～6分钟更新一次监测结果)，在这个过程中搅拌罐处于工作状态，因搅拌以及重力的原因，实际监测时可能会出现前后两帧提取的监控图像匀质性差别较大的情况，因此需分别对每一帧混凝土监控图像进行均质性的计算；
确定图像集合中混凝土的匀质性特征值为1的混凝土监控图像占比；
在所述占比大于第一预设阈值的情况下，判定当前混凝土的匀质性特征值为1；否则判定当前混凝土的匀质性特征值为0。
本发明第一预设阈值的设定是基于专家经验确定的。对于图像集合cn，匀质性特征值为1的图像在图像集合中占比为Pcn,设定第一预设阈值为P；若Pcn>P，则图像集合匀质性特征值为Ucn＝1；若Pcn≤P，则图像集合匀质性特征值为Ucn＝0；最后将该图像集合输出匀质性特征值为U。
本发明基于传统视觉处理算法的匀质性数值表征，对图像集合中的图像进行批量处理，即对每一帧混凝土监控图像进行均质性测定，然后根据第一预设阈值，对图像集合中的监控图像进行均质性的整体评估，进而确定当前混凝土的匀质性特征值U，
这样设定可以更全面的衡量当前混凝土的匀质性，提高当前混凝土的匀质性特征值计算准确性。
在上述各实施例的基础上，作为一种可选的实施例，所述计算图像集合中每一个混凝土监控图像中混凝土的匀质性特征值，包括：
利用图像分割算法对混凝土监控图像进行混凝土边界提取，裁剪得到处于混凝土边界内部的区域，并将其作为第二感兴趣区域；
在本发明技术领域中，由于混凝土自身重力的原因，混凝土聚集在搅拌罐的底部，而对混凝土所在区域进行分析可以对混凝土和易性测定提供帮助，其它区域几乎对混凝土和易性测定起不到任何作用，因此，需要将混凝土所在区域裁剪出来具体分析；本发明采用图像分割算法在监控图像中提取混凝土边界，进而将混凝土所在区域提炼出来，当然只要能实现混凝土所在区域提炼的目的，采用其它技术替换图像分割算法也是可以的。
使用分水岭算法对第二感兴趣区域进行砂石粒子轮廓定位，确定第二感兴趣区域砂石粒子位置；
在本发明技术领域中，混凝土匀质性(混凝土是否均匀)是通过砂石粒子在混凝土中的分布是否均匀来确定的，因此需通过对混凝土所在区域的砂石粒子进行轮廓定位来识别出砂石粒子所在位置；当然，本发明也可采用其它技术对砂石粒子轮廓进行定位，在此不作限制，
对第二感兴趣进行九宫格划分；
在本发明中九宫格划分仅是一种可选形式，采用九宫格、10宫格、16宫格、25宫格均可，具体由操作人员自行选择。
对划分后九宫格中的砂石粒子个数进行方差计算；
通过对混凝土所在区域划分区域，以及进行区域间砂石粒子个数的方差计算，可以衡量出混凝土所在区域砂石粒子的均匀程度，进而为计算混凝土均质性特征值的计算奠定基础。
在所述方差大于预设方差阈值的情况下，认定混凝土监控图像中混凝土的匀质性特征值为0；否则认定混凝土监控图像中混凝土的匀质性特征值为1。
本发明基于专家经验设定方差阈值，并在以方差阈值作为评定混凝土监控图像匀质性的标准，可以提高混凝土匀质性判定的合理性，且操作简单易于实现。
为了更好的理解本发明，提供一个示例：首先对于搅拌车内部混凝土进行边界检测，使用图像分割算法将混凝土提取感兴趣区域(ROI)。使用分水岭算法分割出砂石粒子轮廓，并对其ROI区域进行九宫格处理；对各格内砂石粒子计数。
例：图7所示的九宫格中(三角形和矩形均为砂石粒子)，各个格中砂石粒子的个数分别为n1,n2,n3,n4,n5,n6,n7,n8,n9,对于此数据进行方差Da(x)求解，设定方差阈值为d,
若Da(x)>d，则图像匀质性特征值为Ua＝0；
若Da(x)≤d，则图像匀质性特征值为Ua＝1。
在上述各实施例的基础上，作为一种可选的实施例，所述当前混凝土的监控视频序列由多个连续搅拌周期的混凝土监控视频构成，混凝土搅拌罐叶片旋转一周为一个搅拌周期；所述基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的坍落度特征值，包括：
以第二预设时段为跟踪时长，从第二预设时刻开始在各搅拌周期对应的混凝土监控视频中截取混凝土跟踪视频；
在本发明技术领域中，基于传统视觉处理算法的坍落度数值表征，与匀质性特征提取不同，坍落度主要通过砂石粒子的偏移速度体现的，因此需要对砂石粒子进行跟踪，即基于视频序列连续图像的砂石粒子跟踪，无需用到图像集合。
在本发明中针对各搅拌周期，在搅拌周期中随机选择开始跟踪的时刻以及跟踪时长，截取出跟踪视频，为后续砂石粒子的更新提供方便。
对于各搅拌周期对应的混凝土跟踪视频的每一帧，利用图像分割算法提取混凝土边界，仅保留处于混凝土边界之内的区域，并利用分水岭算法对保留区域进行砂石粒子轮廓定位处理，得到各搅拌周期对应的混凝土砂石粒子定位视频；
在本发明中因为需要对砂石粒子进行跟踪，必然需先识别出砂石粒子，即仍需对于混凝土图像进行ROI裁切及分水岭算法检测砂石粒子位置；
在各搅拌周期对应的混凝土砂石粒子定位视频中任意选定一个区域，利用SORT跟踪算法对选定的区域进行砂石粒子跟踪，得到各搅拌周期选定区域对应的各砂石粒子的偏移速度；
SORT跟踪算法为多目标跟踪算法中的一种，可使用简单的卡尔曼滤波处理逐帧图像的关联性以及使用匈牙利算法进行关联度量，这种简单的算法在高帧速率下获得了良好的性能。在本发明中在不同混凝土塌落度的情况下，砂石粒子在搅拌罐内部的流动速度具有不同的情况，SORT跟踪算法对于搅拌罐内部砂石粒子的实时跟踪，可以准确识别出砂石粒子的偏移情况。
同样，跟踪算法也不仅限于SORT跟踪算法一种，其它的跟踪算法例如：CSK,KCF/DCF,CN等也是可以的。
对各搅拌周期选定区域对应的各砂石粒子的偏移速度取平均，得到当前混凝土的监控视频序列对应的砂石粒子平均偏移速度，并将所述砂石粒子平均偏移速度作为当前混凝土的坍落度特征值。
需要注意的是，这里取了两次平均，第一次为对各搅拌周期选定区域对应的各砂石粒子的偏移速度取平均，得到各搅拌周期对应的砂石粒子的平均偏移速度；第二次为对各搅拌周期对应的砂石粒子的平均偏移速度再次取平均，得到当前混凝土的监控视频序列对应的砂石粒子平均偏移速度。
本发明确定各搅拌周期选定区间的各砂石粒子的偏移速度，在对各搅拌周期选定区间的各砂石粒子的偏移速度取平均，从总体上反映当前混凝土的监控视频序列中砂石粒子的偏移情况，在此基础上去度量当前混凝土的坍落度特征值，可以提高当前混凝土的坍落度特征值计算的准确性。
为对本发明坍落度特征值提取由一个更深入的了解，提供下述示例：图8提供了砂石粒子跟踪示意图，如图8所示，针对视频序列周期Tn,在周期中的人工设定的ta时刻选取R区域N个砂石粒子进行目标跟踪，跟踪时长tb(tb＜＜T),最终得到目标偏移速度v1,v2,v3,v4,v5…,vn,对该数据集合进行处理得到平均偏移速度数据Vm，随后对视频序列中n个周期求平均得到坍落度特征值V。
在上述各实施例的基础上，作为一种可选的实施例，所述基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征，包括：
从所述监控视频序列中提取特定数目的监控图像；
将提取的监控图像代入基于深度学习方法预先构建的图像特征提取模型，得到所述图像特征提取模型输出的当前混凝土的图像特征。
本发明利用图像特征提取模型对视频序列进行深入特征挖掘，从智能算法方面衡量当前混凝土的塌落度和匀质性，为当前混凝土的塌落度和匀质性最终判定提供帮助。
在上述各实施例的基础上，作为一种可选的实施例，所述图像特征提取模型的训练过程，包括：
从各历史混凝土的监控视频序列中分别提取特定数目的监控图像，并为提取的监控图像打标签；其中，所述标签包括：匀质性类别标签和坍落度等级标签；
以从各历史混凝土的监控视频序列中提取的带有标签的监控图像为初始CNN卷积神经网络的输入，以各历史混凝土匀质性和坍落度的描述文本为初始CNN卷积神经网络的输出，训练初始CNN卷积神经网络，得到图像特征提取模型。
在本发明技术领域中，预先构建的图像特征提取模型，利用各历史混凝土的监控视频序列中分别提取特定数目的监控图像，以及各历史混凝土匀质性和坍落度的描述文本构成数据集，由经验丰富的工程师为监控图像标注标签，标签包括匀质性类型和坍落度等级，并由此延伸出训练集、验证集及测试集，通过深度学习算法对数据集进行训练得到图像特征提取模型。
此外，本发明CNN卷积神经网络也可以由其它图像特征提取模型替代。
本发明通过设定图像特征提取模型，从智能算法方面衡量当前混凝土的匀质性和坍落度，与基于传统的视觉学习方法衡量得到的前混凝土的匀质性和坍落度相结合，多角度的实现匀质性和坍落度的测定，提高匀质性和坍落度的测定准确性以及实用性。
第二方面，对本发明提供的混凝土拌合物和易性测定装置进行描述，下文描述的混凝土拌合物和易性测定装置与上文描述的混凝土拌合物和易性测定方法可相互对应参照。图9示例了一种混凝土拌合物和易性测定装置的结构示意图，如图9所示，该装置包括：第一特征提取模块21、第二特征提取模块22和测定模块23；
其中，所述第一特征提取模块21，用于基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值和坍落度特征值；第二特征提取模块22，用于基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征；测定模块23，用于将当前混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合代入预先构建的分类器，得到当前混凝土的匀质性类别和坍落度等级；其中，所述分类器是基于历史混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合，以及历史混凝土的匀质性类别和坍落度等级构建的。所述匀质性类别包括均匀和不均匀；所述坍落度等级是预先设定的。
本发明实施例提供的混凝土拌合物和易性测定装置，具体执行上述各混凝土拌合物和易性测定方法实施例流程，具体请详见上述各混凝土拌合物和易性测定方法实施例的内容，在此不再赘述。
本发明提供的混凝土拌合物和易性测定装置，通过传统视觉算法对于混凝土视频序列进行特征提取得到匀质性特征值和坍落度特征值，通过深度学习对于混凝土视频序列进行特征提取得到图像特征,通过传统视觉算法和深度学习配合，得到由匀质性特征值、坍落度特征值和图像特征得到特征向量，最后由分类器对特征向量进行分类，得到混凝土的匀质性类别和坍落度等级；最终实现了智能化、高效率、强实时性以及高准确性的混凝土和易性测定。
第三方面，图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)630和通信总线1040，其中，处理器1010，通信接口1020，存储器630通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行混凝土拌合物和易性测定方法，该方法包括：基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值和坍落度特征值；基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征；将当前混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合代入预先构建的分类器，得到当前混凝土的匀质性类别和坍落度等级；其中，所述分类器是基于历史混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合，以及历史混凝土的匀质性类别和坍落度等级构建的。所述匀质性类别包括均匀和不均匀；所述坍落度等级是预先设定的。
此外，上述的存储器1030中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
第四方面，本发明还提供一种非暂态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以执行混凝土拌合物和易性测定方法，该方法包括：基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值和坍落度特征值；基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征；将当前混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合代入预先构建的分类器，得到当前混凝土的匀质性类别和坍落度等级；其中，所述分类器是基于历史混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合，以及历史混凝土的匀质性类别和坍落度等级构建的。所述匀质性类别包括均匀和不均匀；所述坍落度等级是预先设定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种混凝土拌合物和易性测定方法，其特征在于，所述方法包括：
基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值和坍落度特征值；
基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征；
将当前混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合代入预先构建的分类器，得到当前混凝土的匀质性类别和坍落度等级；
其中，所述分类器是基于历史混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合，以及历史混凝土的匀质性类别和坍落度等级构建的；
所述匀质性类别包括均匀和不均匀；所述坍落度等级是预先设定的。
2.根据权利要求1所述的混凝土拌合物和易测定性方法，其特征在于，所述基于视觉算法，对当前混凝土的监控视频序列进行特征提取之前，还包括：对当前混凝土的监控视频序列进行预处理；
所述对当前混凝土的监控视频序列进行预处理，包括：
对当前混凝土的监控视频序列进行第一感兴趣区域裁剪；其中，所述第一感兴趣区域为混凝土搅拌罐内部区域；
对裁剪后的监控视频序列依次进行多尺度Retinex滤波处理和直方图均衡处理。
3.根据权利要求1或2任一项所述的混凝土拌合物和易测定性方法，其特征在于，所述当前混凝土的监控视频序列由多个连续搅拌周期的混凝土监控视频构成，混凝土搅拌罐叶片旋转一周为一个搅拌周期；所述基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值，包括：
以第一预设时段为间隔，从第一预设时刻开始在各搅拌周期对应的混凝土监控视频中提取混凝土监控图像，并将提取的混凝土监控图像构成图像集合；
计算图像集合中每一个混凝土监控图像中混凝土的匀质性特征值；其中，所述匀质性特征值包括1和0；所述匀质性特征值为1和0时分别表示均匀和不均匀；
确定图像集合中混凝土的匀质性特征值为1的混凝土监控图像占比；
在所述占比大于第一预设阈值的情况下，判定当前混凝土的匀质性特征值为1；否则判定当前混凝土的匀质性特征值为0。
4.根据权利要求3所述的混凝土拌合物和易测定性方法，其特征在于，所述计算图像集合中每一个混凝土监控图像中混凝土的匀质性特征值，包括：
利用图像分割算法对混凝土监控图像进行混凝土边界提取，裁剪得到处于混凝土边界内部的区域，并将其作为第二感兴趣区域
使用分水岭算法对第二感兴趣区域进行砂石粒子轮廓定位，确定第二感兴趣区域砂石粒子位置；
对第二感兴趣进行九宫格划分；
对划分后九宫格中的砂石粒子个数进行方差计算；
在所述方差大于预设方差阈值的情况下，认定混凝土监控图像中混凝土的匀质性特征值为0；否则认定混凝土监控图像中混凝土的匀质性特征值为1。
5.根据权利要求1或2任一项所述的混凝土拌合物和易测定性方法，其特征在于，所述当前混凝土的监控视频序列由多个连续搅拌周期的混凝土监控视频构成，混凝土搅拌罐叶片旋转一周为一个搅拌周期；所述基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的坍落度特征值，包括：
以第二预设时段为跟踪时长，从第二预设时刻开始在各搅拌周期对应的混凝土监控视频中截取混凝土跟踪视频；
对于各搅拌周期对应的混凝土跟踪视频的每一帧，利用图像分割算法提取混凝土边界，仅保留处于混凝土边界之内的区域，并利用分水岭算法对保留区域进行砂石粒子轮廓定位处理，得到各搅拌周期对应的混凝土砂石粒子定位视频；
在各搅拌周期对应的混凝土砂石粒子定位视频中任意选定一个区域，利用SORT跟踪算法对选定的区域进行砂石粒子跟踪，得到各搅拌周期选定区域对应的各砂石粒子的偏移速度；
对各搅拌周期选定区域对应的各砂石粒子的偏移速度取平均，得到当前混凝土的监控视频序列对应的砂石粒子平均偏移速度，并将所述砂石粒子平均偏移速度作为当前混凝土的坍落度特征值。
6.根据权利要求1所述的混凝土拌合物和易测定性方法，其特征在于，所述基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征，包括：
从所述监控视频序列中提取特定数目的监控图像；
将提取的监控图像代入基于深度学习方法预先构建的图像特征提取模型，得到所述图像特征提取模型输出的当前混凝土的图像特征。
7.根据权利要求6所述的混凝土拌合物和易测定性方法，其特征在于，所述图像特征提取模型的训练过程，包括：
从各历史混凝土的监控视频序列中分别提取特定数目的监控图像，并为提取的监控图像打标签；其中，所述标签包括：匀质性类别标签和坍落度等级标签；
以从各历史混凝土的监控视频序列中提取的带有标签的监控图像为初始CNN卷积神经网络的输入，以各历史混凝土匀质性和坍落度的描述文本为初始CNN卷积神经网络的输出，训练初始CNN卷积神经网络，得到图像特征提取模型。
8.一种混凝土拌合物和易性测定装置，其特征在于，所述装置包括：
第一特征提取模块，用于基于视觉算法，对当前混凝土的监控视频序列进行特征提取，得到当前混凝土的匀质性特征值和坍落度特征值；
第二特征提取模块，用于基于深度学习方法，对所述监控视频序列进行特征提取，得到当前混凝土的图像特征；
测定模块，用于将当前混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合代入预先构建的分类器，得到当前混凝土的匀质性类别和坍落度等级；
其中，所述分类器是基于历史混凝土的匀质性特征值、坍落度特征值和图像特征组成的特征集合，以及历史混凝土的匀质性类别和坍落度等级构建的；
所述匀质性类别包括均匀和不均匀；所述坍落度等级是预先设定的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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如权利要求1至7任一项所述混凝土拌合物和易性测定方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述混凝土拌合物和易性测定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111348607.5A CN114266989A (zh) | 2021-11-15 | 2021-11-15 | 一种混凝土拌合物和易性测定方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111348607.5A CN114266989A (zh) | 2021-11-15 | 2021-11-15 | 一种混凝土拌合物和易性测定方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114266989A true CN114266989A (zh) | 2022-04-01 |
Family
ID=80825066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111348607.5A Pending CN114266989A (zh) | 2021-11-15 | 2021-11-15 | 一种混凝土拌合物和易性测定方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114266989A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758184A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 基于深度学习的渣土分类处理引导方法、装置及可读介质 |
| CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
| 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 |
| 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 |
| CN115294127A (zh) * | 2022-10-08 | 2022-11-04 | 南通钰昇智能科技有限公司 | 一种混凝土制品生产异常预警系统 |
| CN115683225A (zh) * | 2022-11-10 | 2023-02-03 | 杭州信之威信息技术有限公司 | 一种基于机器视觉的混凝土检测方法与装置 |
| CN117195163A (zh) * | 2023-11-08 | 2023-12-08 | 福建南方路面机械股份有限公司 | 基于混凝土配方的坍落度预测方法、装置及可读介质 |
| CN117390586A (zh) * | 2023-12-13 | 2024-01-12 | 福建南方路面机械股份有限公司 | 基于多模态数据的坍落度监测方法、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 |
| WO2024066664A1 (zh) * | 2022-09-26 | 2024-04-04 | 三一汽车制造有限公司 | 一种混凝土可泵性类别识别方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936218B1 (ko) * | 2018-07-11 | 2019-01-08 | 주식회사 삼표 | 인공지능 학습기반 레디믹스트 콘크리트 생산 시스템 |
| CN112927184A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 基于深度学习的自密实混凝土性能检测方法及装置 |
| CN113063698A (zh) * | 2021-03-15 | 2021-07-02 | 山东城市建设职业学院 | 一种水泥混凝土拌合物粘聚性定量评价方法 |
-
2021
- 2021-11-15 CN CN202111348607.5A patent/CN114266989A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936218B1 (ko) * | 2018-07-11 | 2019-01-08 | 주식회사 삼표 | 인공지능 학습기반 레디믹스트 콘크리트 생산 시스템 |
| CN112927184A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 基于深度学习的自密实混凝土性能检测方法及装置 |
| CN113063698A (zh) * | 2021-03-15 | 2021-07-02 | 山东城市建设职业学院 | 一种水泥混凝土拌合物粘聚性定量评价方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
| CN114758184B (zh) * | 2022-06-14 | 2022-09-06 | 福建南方路面机械股份有限公司 | 基于深度学习的渣土分类处理引导方法、装置及可读介质 |
| CN114758184A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 基于深度学习的渣土分类处理引导方法、装置及可读介质 |
| WO2024066664A1 (zh) * | 2022-09-26 | 2024-04-04 | 三一汽车制造有限公司 | 一种混凝土可泵性类别识别方法、装置及电子设备 |
| CN115294127A (zh) * | 2022-10-08 | 2022-11-04 | 南通钰昇智能科技有限公司 | 一种混凝土制品生产异常预警系统 |
| CN115683225A (zh) * | 2022-11-10 | 2023-02-03 | 杭州信之威信息技术有限公司 | 一种基于机器视觉的混凝土检测方法与装置 |
| CN117195163A (zh) * | 2023-11-08 | 2023-12-08 | 福建南方路面机械股份有限公司 | 基于混凝土配方的坍落度预测方法、装置及可读介质 |
| CN117195163B (zh) * | 2023-11-08 | 2024-04-09 | 福建南方路面机械股份有限公司 | 基于混凝土配方的坍落度预测方法、装置及可读介质 |
| CN117390586A (zh) * | 2023-12-13 | 2024-01-12 | 福建南方路面机械股份有限公司 | 基于多模态数据的坍落度监测方法、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 |
| CN117390586B (zh) * | 2023-12-13 | 2024-05-03 | 福建南方路面机械股份有限公司 | 基于多模态数据的坍落度监测方法、装置及可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114266989A (zh) | 一种混凝土拌合物和易性测定方法和装置 | |
| Fonseca et al. | An image analysis procedure to quantify the air void system of mortar and concrete | |
| CN107621435A (zh) | 一种骨料在线监测装置 | |
| JP7104799B2 (ja) | 学習用データ収集装置、学習用データ収集方法、及びプログラム | |
| CN111650088B (zh) | 一种流态混凝土拌合物流变性能实时检测方法 | |
| CN112873533B (zh) | 混凝土自适应智能拌合方法及装置 | |
| CN109472261B (zh) | 一种基于计算机视觉的粮仓储粮数量变化自动监测方法 | |
| CN106530318A (zh) | 一种热拌沥青混凝土花白料识别检测算法 | |
| CN115019252B (zh) | 混凝土质量检测方法、装置及监控设备 | |
| CN207742057U (zh) | 一种骨料在线监测装置 | |
| CN107341794A (zh) | 沥青混合料摊铺均匀性实时检测方法 | |
| Wei et al. | Automated bughole detection and quality performance assessment of concrete using image processing and deep convolutional neural networks | |
| CN112184707A (zh) | 基于点云数据的渣土车土石方装载判断方法以及判断系统 | |
| CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
| CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
| Anangsha et al. | A new autonomous program customized for computing surface cracks in an unsaturated soil in a 1-D column | |
| CN112959513B (zh) | 混凝土隧洞内智能化自适应拌合系统及方法 | |
| Koh et al. | Improving particle size measurement using multi-flash imaging | |
| CN117557548A (zh) | 一种基于机器视觉的砂级配检测方法 | |
| Peterson et al. | Air void analysis of hardened concrete with a flatbed scanner | |
| CN116749343A (zh) | 一种智能水泥混凝土搅拌站品质实时监控系统 | |
| CN116808922A (zh) | 一种指定调胶设备稳定可靠型高效精准加料系统 | |
| CN111797730A (zh) | 一种水泥熟料岩相自动分析方法 | |
| CN115294148A (zh) | 基于分水岭算法的颗粒物粒径分析方法、装置和存储介质 | |
| CN114283133A (zh) | 一种基于最邻近分析的沥青混合料均匀性评价方法 |
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 |