CN114544920A - 盖梁施工用的振捣检测装置及方法 - Google Patents
盖梁施工用的振捣检测装置及方法 Download PDFInfo
- Publication number
- CN114544920A CN114544920A CN202210149034.1A CN202210149034A CN114544920A CN 114544920 A CN114544920 A CN 114544920A CN 202210149034 A CN202210149034 A CN 202210149034A CN 114544920 A CN114544920 A CN 114544920A
- Authority
- CN
- China
- Prior art keywords
- vibration
- quality
- concrete
- index
- parameters
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims description 30
- 230000007547 defect Effects 0.000 claims description 75
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 19
- 230000008569 process Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 3
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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; ceramics; glass; bricks
- G01N33/383—Concrete, cement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- 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
- G01N2021/8887—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 based on image processing techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种盖梁施工用的振捣检测装置及方法,包括:振捣检测模块,用于获取每次振捣的振动信息参数和每次振捣后混凝土的振捣质量参数,振动信息参数包括振源的振幅、振源的频率,振捣质量参数包括混凝土的密实度、混凝土的塌落度和混凝土的表面质量状态;质量预测模块,用于根据振动信息参数和振捣质量参数生成振捣质量检测模型,并将当次振捣的振动信息参数输入到振捣质量检测模型,得到包括当次振捣的振捣质量预测参数;质量指标模块,用于根据当次振捣的振捣质量预测参数输出振捣质量指标。整合了混凝土的表面质量状态,以及混凝土的内部质量,使得混凝土振捣质量检测的准确性大大提高,更方便对于振捣的质量进行量化分析。
Description
技术领域
本发明涉及盖梁技术领域,具体地说,涉及一种盖梁施工用的振捣检测装置及方法。
背景技术
在盖梁生产过程中,布料完成后续需要进行凝土振捣,即对浇筑仓内的混凝土拌合物进行振动捣实,以满足设计质量要求。由于混凝土振捣施工环节是关系到建筑物成型质量的关键,因此必须对混凝土的振捣质量进行可靠的检测,继而及时反馈修复缺陷,保证施工质量。目前,相关的混凝土质量检测方法引入了机器视觉方法,通过表层的混凝土状态来推演混凝土内部的振捣质量,这种方法仅仅只能检测表面缺陷,对混凝土振捣质量检测的准确性还有待提高。
发明内容
为达到上述目的,本发明公开了一种盖梁施工用的振捣检测装置及方法。
一种盖梁施工用的振捣检测装置,包括:
振捣检测模块,用于获取每次振捣的振动信息参数和每次振捣后混凝土的振捣质量参数,所述振动信息参数包括振源的振幅、振源的频率,所述振捣质量参数包括混凝土的密实度、混凝土的塌落度和混凝土的表面质量状态;
质量预测模块,用于根据所述振动信息参数和所述振捣质量参数所述生成振捣质量检测模型,并将当次振捣的振动信息参数输入到所述振捣质量检测模型,得到包括当次振捣的振捣质量预测参数;
质量指标模块,用于根据当次振捣的振捣质量预测参数输出振捣质量指标。
作为优选的实施方式,所述振捣检测模块包括设置于振捣工位上的振动传感器和相机,以及与所述相机连接的表面质量检测模块,所述振动传感器用于采集每次振捣的振源的振幅和振源的频率,所述相机用于采集每次振捣后混凝土的表面图像,表面质量检测模块用于根据当次振捣后混凝土的表面图像生成混凝土的表面质量状态。
作为优选的实施方式,表面质量检测模块用于根据当次振捣后混凝土的表面图像生成混凝土的表面质量状态,包括:采用图像二值化对表面图像的区域分割,并采用形态学处理去除噪声;采集表面缺陷特征,并基于表面缺陷特征获得混凝土的表面质量状态。
作为优选的实施方式,表面缺陷特征包括缺陷类型、缺陷的数量;基于表面缺陷特征获得混凝土的表面质量状态包括:将每次的表面缺陷特征输入表面质量模型进行训练,得到训练好的表面质量模型;将当次的表面缺陷特征输入训练好的表面质量模型,得到混凝土的表面质量状态,所述混凝土的表面质量状态包括表面缺陷密度,表面缺陷密度为缺陷的面积与混凝土的表面面积的比值。
作为优选的实施方式,根据所述振动信息参数和振捣质量参数所述生成振捣质量检测模型,包括:将所述振动信息参数作为输入集,将振捣质量参数作为输出集,对BP神经网络进行迭代训练,得到振捣质量检测模型。
作为优选的实施方式,将所述振动信息参数归一化处理后作为输入集,将振捣质量参数归一化处理后作为输出集,BP神经网络采用三层BP神经网络。
作为优选的实施方式,用于根据当次振捣的振捣质量预测参数输出振捣质量指标,包括:将振捣质量预测参数中混凝土的预测密实度与标准密实度对比以获得第一质量预测指标,将混凝土的预测塌落度与标准塌落度对比以获得第二质量预测指标,将混凝土的预测表面缺陷密度与标准缺陷密度对比以获得第三质量预测指标;根据第一质量预测指标、第二质量预测指标和第三质量预测指标,获得振捣质量指标。
作为优选的实施方式,根据第一质量预测指标、第二质量预测指标和第三质量预测指标,获得振捣质量指标,包括:获得第一质量预测指标的第一权值,第二质量预测指标的第二权值,以及第三质量预测指标的第三权值;根据第一权值、第二权值和第三权值,对第一质量预测指标、第二质量预测指标和第三质量预测指标进行加权计算,获得振捣质量指标。
一种盖梁施工用的振捣检测方法,包括以下步骤:
利用振捣检测模块获取每次振捣的振动信息参数和每次振捣后混凝土的振捣质量参数,所述振动信息参数包括振源的振幅、振源的频率,所述振捣质量参数包括混凝土的密实度、混凝土的塌落度和混凝土的表面质量状态;
利用质量预测模块根据所述振动信息参数和所述振捣质量参数所述生成振捣质量检测模型,并将当次振捣的振动信息参数输入到所述振捣质量检测模型,得到包括当次振捣的振捣质量预测参数;
利用质量指标模块用于根据当次振捣的振捣质量预测参数输出振捣质量指标。
作为优选的实施方式,还包括:根据振捣质量指标对振捣信息参数进行调整。
作为优选的实施方式,所述振捣检测模块包括设置于振捣工位上的振动传感器和相机,以及与所述相机连接的表面质量检测模块,所述振动传感器用于采集每次振捣的振源的振幅和振源的频率,所述相机用于采集每次振捣后混凝土的表面图像,表面质量检测模块用于根据当次振捣后混凝土的表面图像生成混凝土的表面质量状态。
作为优选的实施方式,表面质量检测模块用于根据当次振捣后混凝土的表面图像生成混凝土的表面质量状态,包括:采用图像二值化对表面图像的区域分割,并采用形态学处理去除噪声;采集表面缺陷特征,并基于表面缺陷特征获得混凝土的表面质量状态。
作为优选的实施方式,表面缺陷特征包括缺陷类型、缺陷的数量;基于表面缺陷特征获得混凝土的表面质量状态包括:将每次的表面缺陷特征输入表面质量模型进行训练,得到训练好的表面质量模型;将当次的表面缺陷特征输入训练好的表面质量模型,得到混凝土的表面质量状态,所述混凝土的表面质量状态包括表面缺陷密度,表面缺陷密度为缺陷的面积与混凝土的表面面积的比值。
作为优选的实施方式,根据所述振动信息参数和振捣质量参数所述生成振捣质量检测模型,包括:将所述振动信息参数作为输入集,将振捣质量参数作为输出集,对BP神经网络进行迭代训练,得到振捣质量检测模型。
作为优选的实施方式,将所述振动信息参数归一化处理后作为输入集,将振捣质量参数归一化处理后作为输出集,BP神经网络采用三层BP神经网络。
作为优选的实施方式,用于根据当次振捣的振捣质量预测参数输出振捣质量指标,包括:将振捣质量预测参数中混凝土的预测密实度与标准密实度对比以获得第一质量预测指标,将混凝土的预测塌落度与标准塌落度对比以获得第二质量预测指标,将混凝土的预测表面缺陷密度与标准缺陷密度对比以获得第三质量预测指标;根据第一质量预测指标、第二质量预测指标和第三质量预测指标,获得振捣质量指标。
作为优选的实施方式,根据第一质量预测指标、第二质量预测指标和第三质量预测指标,获得振捣质量指标,包括:获得第一质量预测指标的第一权值,第二质量预测指标的第二权值,以及第三质量预测指标的第三权值;根据第一权值、第二权值和第三权值,对第一质量预测指标、第二质量预测指标和第三质量预测指标进行加权计算,获得振捣质量指标。
本发明的工作原理和有益效果为:本发明提供的盖梁施工用的振捣检测装置,利用振捣检测模块获得振动信息参数和振捣质量参数,且振捣质量参数包括混凝土的表面质量状态,以及混凝土的内部质量(即混凝土的密实度、混凝土的塌落度),再通过振捣质量检测模型和质量指标模块,即可获得振捣质量指标,而且由于整合了混凝土的表面质量状态,以及混凝土的内部质量,使得混凝土振捣质量检测的准确性大大提高,而且据此给出振捣质量指标,更方便对于振捣的质量进行量化分析。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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发明的一些实施方式,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为本发明提供的盖梁施工用的振捣检测方法的流程示意图。
具体实施方式
下面将结合附图对本发明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做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。
本发明实施例提供了一种盖梁施工用的振捣检测装置,包括振捣检测模块、质量预测模块和质量指标模块。其中,振捣检测模块用于获取每次振捣的振动信息参数和每次振捣后混凝土的振捣质量参数,所述振动信息参数包括振源的振幅、振源的频率,所述振捣质量参数包括混凝土的密实度、混凝土的塌落度和混凝土的表面质量状态。由于整合了混凝土的表面质量状态,以及混凝土的内部质量,使得混凝土振捣质量检测的准确性大大提高。
其中,密实度是指材料的固体物质部分的体积占总体积的比例,可采用现有密实度检测仪。塌落度又称坍落度,其可采用现有方法进行测试。混凝土的表面质量状态是指混凝土表面的缺陷情况,比如凹陷和凸出等缺陷,可采用表面缺陷密度来表征,表面缺陷密度为缺陷的面积与混凝土的表面面积的比值。判断出缺陷的类型后,再由获得的缺陷轮廓即可计算缺陷的面积。
质量预测模块用于根据所述振动信息参数和所述振捣质量参数所述生成振捣质量检测模型,并将当次振捣的振动信息参数输入到所述振捣质量检测模型,得到包括当次振捣的振捣质量预测参数。振捣质量检测模型可采用BP神经网络,优选的,经过将所述振动信息参数作为输入集,将振捣质量参数作为输出集,对BP神经网络进行迭代训练,得到振捣质量检测模型。将所述振动信息参数归一化处理后作为输入集,将振捣质量参数归一化处理后作为输出集,BP神经网络采用三层BP神经网络。BP神经网络的训练等方式,可采用现有方式进行。BP神经网络,即误差反传误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。
具体地,作为优选的实施方式,所述振捣检测模块包括设置于振捣工位上的振动传感器和相机,以及与所述相机连接的表面质量检测模块,所述振动传感器用于采集每次振捣的振源的振幅和振源的频率,所述相机用于采集每次振捣后混凝土的表面图像,表面质量检测模块用于根据当次振捣后混凝土的表面图像生成混凝土的表面质量状态。表面质量检测模块用于根据当次振捣后混凝土的表面图像生成混凝土的表面质量状态,包括:采用图像二值化对表面图像的区域分割,并采用形态学处理去除噪声;采集表面缺陷特征,并基于表面缺陷特征获得混凝土的表面质量状态。表面缺陷特征包括缺陷类型、缺陷的数量;基于表面缺陷特征获得混凝土的表面质量状态包括:将每次的表面缺陷特征输入表面质量模型进行训练,得到训练好的表面质量模型;将当次的表面缺陷特征输入训练好的表面质量模型,得到混凝土的表面质量状态,所述混凝土的表面质量状态包括表面缺陷密度,表面缺陷密度为缺陷的面积与混凝土的表面面积的比值。
质量指标模块用于根据当次振捣的振捣质量预测参数输出振捣质量指标。通过输出振捣质量指标,更方便对于振捣的质量进行量化分析。作为优选的实施方式,用于根据当次振捣的振捣质量预测参数输出振捣质量指标,包括:将振捣质量预测参数中混凝土的预测密实度与标准密实度对比以获得第一质量预测指标,将混凝土的预测塌落度与标准塌落度对比以获得第二质量预测指标,将混凝土的预测表面缺陷密度与标准缺陷密度对比以获得第三质量预测指标;根据第一质量预测指标、第二质量预测指标和第三质量预测指标,获得振捣质量指标。根据第一质量预测指标、第二质量预测指标和第三质量预测指标,获得振捣质量指标,包括:获得第一质量预测指标的第一权值,第二质量预测指标的第二权值,以及第三质量预测指标的第三权值;根据第一权值、第二权值和第三权值,对第一质量预测指标、第二质量预测指标和第三质量预测指标进行加权计算,获得振捣质量指标。
通过设置第一质量预测指标、第二质量预测指标和第三质量预测指标,并据此加权计算获得振捣质量指标,使得质量评价更加量化。其中,第一权值、第二权值和第三权值可根据经验获得,也可通过建立神经网络模型等获得。一般情况下,第一权值、第二权值要大于第三权值。
如图1所示,本发明实施例还提供了一种盖梁施工用的振捣检测方法,包括以下步骤:
利用振捣检测模块获取每次振捣的振动信息参数和每次振捣后混凝土的振捣质量参数,所述振动信息参数包括振源的振幅、振源的频率,所述振捣质量参数包括混凝土的密实度、混凝土的塌落度和混凝土的表面质量状态;
利用质量预测模块根据所述振动信息参数和所述振捣质量参数所述生成振捣质量检测模型,并将当次振捣的振动信息参数输入到所述振捣质量检测模型,得到包括当次振捣的振捣质量预测参数;
利用质量指标模块用于根据当次振捣的振捣质量预测参数输出振捣质量指标,根据振捣质量指标对振捣信息参数进行调整,例如增加或减少振源的振幅、振源的频率等。
其中,质量预测模块用于根据所述振动信息参数和所述振捣质量参数所述生成振捣质量检测模型,并将当次振捣的振动信息参数输入到所述振捣质量检测模型,得到包括当次振捣的振捣质量预测参数。振捣质量检测模型可采用BP神经网络,优选的,经过将所述振动信息参数作为输入集,将振捣质量参数作为输出集,对BP神经网络进行迭代训练,得到振捣质量检测模型。将所述振动信息参数归一化处理后作为输入集,将振捣质量参数归一化处理后作为输出集,BP神经网络采用三层BP神经网络。BP神经网络的训练等方式,可采用现有方式进行。
上述方法,利用振捣检测模块获得振动信息参数和振捣质量参数,且振捣质量参数包括混凝土的表面质量状态,以及混凝土的内部质量(即混凝土的密实度、混凝土的塌落度),再通过振捣质量检测模型和质量指标模块,即可获得振捣质量指标,而且由于整合了混凝土的表面质量状态,以及混凝土的内部质量,使得混凝土振捣质量检测的准确性大大提高,而且据此给出振捣质量指标,更方便对于振捣的质量进行量化分析。
具体地,作为优选的实施方式,所述振捣检测模块包括设置于振捣工位上的振动传感器和相机,以及与所述相机连接的表面质量检测模块,所述振动传感器用于采集每次振捣的振源的振幅和振源的频率,所述相机用于采集每次振捣后混凝土的表面图像,表面质量检测模块用于根据当次振捣后混凝土的表面图像生成混凝土的表面质量状态。表面质量检测模块用于根据当次振捣后混凝土的表面图像生成混凝土的表面质量状态,包括:采用图像二值化对表面图像的区域分割,并采用形态学处理去除噪声;采集表面缺陷特征,并基于表面缺陷特征获得混凝土的表面质量状态。表面缺陷特征包括缺陷类型、缺陷的数量;基于表面缺陷特征获得混凝土的表面质量状态包括:将每次的表面缺陷特征输入表面质量模型进行训练,得到训练好的表面质量模型;将当次的表面缺陷特征输入训练好的表面质量模型,得到混凝土的表面质量状态,所述混凝土的表面质量状态包括表面缺陷密度,表面缺陷密度为缺陷的面积与混凝土的表面面积的比值。
质量指标模块用于根据当次振捣的振捣质量预测参数输出振捣质量指标。通过输出振捣质量指标,更方便对于振捣的质量进行量化分析。作为优选的实施方式,用于根据当次振捣的振捣质量预测参数输出振捣质量指标,包括:将振捣质量预测参数中混凝土的预测密实度与标准密实度对比以获得第一质量预测指标,将混凝土的预测塌落度与标准塌落度对比以获得第二质量预测指标,将混凝土的预测表面缺陷密度与标准缺陷密度对比以获得第三质量预测指标;根据第一质量预测指标、第二质量预测指标和第三质量预测指标,获得振捣质量指标。根据第一质量预测指标、第二质量预测指标和第三质量预测指标,获得振捣质量指标,包括:获得第一质量预测指标的第一权值,第二质量预测指标的第二权值,以及第三质量预测指标的第三权值;根据第一权值、第二权值和第三权值,对第一质量预测指标、第二质量预测指标和第三质量预测指标进行加权计算,获得振捣质量指标。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.盖梁施工用的振捣检测装置,其特征在于,包括:
振捣检测模块,用于获取每次振捣的振动信息参数和每次振捣后混凝土的振捣质量参数,所述振动信息参数包括振源的振幅、振源的频率,所述振捣质量参数包括混凝土的密实度、混凝土的塌落度和混凝土的表面质量状态;
质量预测模块,用于根据所述振动信息参数和所述振捣质量参数生成振捣质量检测模型,并将当次振捣的振动信息参数输入到所述振捣质量检测模型,得到包括当次振捣的振捣质量预测参数;
质量指标模块,用于根据当次振捣的振捣质量预测参数输出振捣质量指标。
2.根据权利要求1所述的盖梁施工用的振捣检测装置,其特征在于,所述振捣检测模块包括设置于振捣工位上的振动传感器和相机,以及与所述相机连接的表面质量检测模块,所述振动传感器用于采集每次振捣的振源的振幅和振源的频率,所述相机用于采集每次振捣后混凝土的表面图像,表面质量检测模块用于根据当次振捣后混凝土的表面图像生成混凝土的表面质量状态。
3.根据权利要求2所述的盖梁施工用的振捣检测装置,其特征在于,表面质量检测模块用于根据当次振捣后混凝土的表面图像生成混凝土的表面质量状态,包括:采用图像二值化对表面图像的区域分割,并采用形态学处理去除噪声;采集表面缺陷特征,并基于表面缺陷特征获得混凝土的表面质量状态。
4.根据权利要求3所述的盖梁施工用的振捣检测装置,其特征在于,表面缺陷特征包括缺陷类型、缺陷的数量;基于表面缺陷特征获得混凝土的表面质量状态包括:将每次的表面缺陷特征输入表面质量模型进行训练,得到训练好的表面质量模型;将当次的表面缺陷特征输入训练好的表面质量模型,得到混凝土的表面质量状态,所述混凝土的表面质量状态包括表面缺陷密度,表面缺陷密度为缺陷的面积与混凝土的表面面积的比值。
5.根据权利要求4所述的盖梁施工用的振捣检测装置,其特征在于,根据所述振动信息参数和振捣质量参数所述生成振捣质量检测模型,包括:将所述振动信息参数作为输入集,将振捣质量参数作为输出集,对BP神经网络进行迭代训练,得到振捣质量检测模型。
6.根据权利要求5所述的盖梁施工用的振捣检测装置,其特征在于,将所述振动信息参数归一化处理后作为输入集,将振捣质量参数归一化处理后作为输出集,BP神经网络采用三层BP神经网络。
7.根据权利要求4所述的盖梁施工用的振捣检测装置,其特征在于,用于根据当次振捣的振捣质量预测参数输出振捣质量指标,包括:将振捣质量预测参数中混凝土的预测密实度与标准密实度对比以获得第一质量预测指标,将混凝土的预测塌落度与标准塌落度对比以获得第二质量预测指标,将混凝土的预测表面缺陷密度与标准缺陷密度对比以获得第三质量预测指标;根据第一质量预测指标、第二质量预测指标和第三质量预测指标,获得振捣质量指标。
8.根据权利要求7所述的盖梁施工用的振捣检测装置,其特征在于,根据第一质量预测指标、第二质量预测指标和第三质量预测指标,获得振捣质量指标,包括:获得第一质量预测指标的第一权值,第二质量预测指标的第二权值,以及第三质量预测指标的第三权值;根据第一权值、第二权值和第三权值,对第一质量预测指标、第二质量预测指标和第三质量预测指标进行加权计算,获得振捣质量指标。
9.一种盖梁施工用的振捣检测方法,其特征在于,包括以下步骤:
利用振捣检测模块获取每次振捣的振动信息参数和每次振捣后混凝土的振捣质量参数,所述振动信息参数包括振源的振幅、振源的频率,所述振捣质量参数包括混凝土的密实度、混凝土的塌落度和混凝土的表面质量状态;
利用质量预测模块根据所述振动信息参数和所述振捣质量参数生成振捣质量检测模型,并将当次振捣的振动信息参数输入到所述振捣质量检测模型,得到包括当次振捣的振捣质量预测参数;
利用质量指标模块用于根据当次振捣的振捣质量预测参数输出振捣质量指标。
10.根据权利要求9所述的盖梁施工用的振捣检测方法,其特征在于,还包括:根据振捣质量指标对振捣信息参数进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149034.1A CN114544920A (zh) | 2022-02-18 | 2022-02-18 | 盖梁施工用的振捣检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149034.1A CN114544920A (zh) | 2022-02-18 | 2022-02-18 | 盖梁施工用的振捣检测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114544920A true CN114544920A (zh) | 2022-05-27 |
Family
ID=81676187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210149034.1A Pending CN114544920A (zh) | 2022-02-18 | 2022-02-18 | 盖梁施工用的振捣检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114544920A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115467530A (zh) * | 2022-09-05 | 2022-12-13 | 东南大学 | 一种用于控制混凝土密实度的自动化振捣装置及方法 |
CN116480153A (zh) * | 2023-06-25 | 2023-07-25 | 四川公路桥梁建设集团有限公司 | 一种梁厂混凝土成型管控方法、系统及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045015A (zh) * | 2019-04-18 | 2019-07-23 | 河海大学 | 一种基于深度学习的混凝土结构内部缺陷检测方法 |
CN110415241A (zh) * | 2019-08-02 | 2019-11-05 | 同济大学 | 一种基于计算机视觉的混凝土构件表面质量检测方法 |
CN110443527A (zh) * | 2019-08-27 | 2019-11-12 | 水利部水利水电规划设计总院 | 一种混凝土振捣质量评价方法及装置 |
CN111178741A (zh) * | 2019-12-25 | 2020-05-19 | 德清县杭绕高速有限公司 | 一种基于施工远程监测系统的搅拌桩质量评定方法 |
CN111724358A (zh) * | 2020-06-11 | 2020-09-29 | 华中科技大学 | 基于图像和卷积神经网络的混凝土质量检测方法及系统 |
CN111946065A (zh) * | 2020-08-10 | 2020-11-17 | 中交二航武汉港湾新材料有限公司 | 通过电流变化智能监控混凝土振捣的装置及方法 |
CN112288221A (zh) * | 2020-09-22 | 2021-01-29 | 广东博智林机器人有限公司 | 振捣质量检测方法、系统、装置以及电子设备 |
CN113465677A (zh) * | 2021-07-09 | 2021-10-01 | 中铁隆工程集团有限公司 | 一种直联插入式振动器的混凝土振捣质量监测装置及方法 |
CN113960667A (zh) * | 2021-06-09 | 2022-01-21 | 新疆建筑科学研究院(有限责任公司) | 围岩质量预测方法、预测系统、计算机设备、介质及终端 |
-
2022
- 2022-02-18 CN CN202210149034.1A patent/CN114544920A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045015A (zh) * | 2019-04-18 | 2019-07-23 | 河海大学 | 一种基于深度学习的混凝土结构内部缺陷检测方法 |
CN110415241A (zh) * | 2019-08-02 | 2019-11-05 | 同济大学 | 一种基于计算机视觉的混凝土构件表面质量检测方法 |
CN110443527A (zh) * | 2019-08-27 | 2019-11-12 | 水利部水利水电规划设计总院 | 一种混凝土振捣质量评价方法及装置 |
CN111178741A (zh) * | 2019-12-25 | 2020-05-19 | 德清县杭绕高速有限公司 | 一种基于施工远程监测系统的搅拌桩质量评定方法 |
CN111724358A (zh) * | 2020-06-11 | 2020-09-29 | 华中科技大学 | 基于图像和卷积神经网络的混凝土质量检测方法及系统 |
CN111946065A (zh) * | 2020-08-10 | 2020-11-17 | 中交二航武汉港湾新材料有限公司 | 通过电流变化智能监控混凝土振捣的装置及方法 |
CN112288221A (zh) * | 2020-09-22 | 2021-01-29 | 广东博智林机器人有限公司 | 振捣质量检测方法、系统、装置以及电子设备 |
CN113960667A (zh) * | 2021-06-09 | 2022-01-21 | 新疆建筑科学研究院(有限责任公司) | 围岩质量预测方法、预测系统、计算机设备、介质及终端 |
CN113465677A (zh) * | 2021-07-09 | 2021-10-01 | 中铁隆工程集团有限公司 | 一种直联插入式振动器的混凝土振捣质量监测装置及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115467530A (zh) * | 2022-09-05 | 2022-12-13 | 东南大学 | 一种用于控制混凝土密实度的自动化振捣装置及方法 |
CN116480153A (zh) * | 2023-06-25 | 2023-07-25 | 四川公路桥梁建设集团有限公司 | 一种梁厂混凝土成型管控方法、系统及存储介质 |
CN116480153B (zh) * | 2023-06-25 | 2023-09-19 | 四川公路桥梁建设集团有限公司 | 一种梁厂混凝土成型管控方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022053001A1 (zh) | 焊缝内部缺陷智能检测装置、方法及介质 | |
CN114544920A (zh) | 盖梁施工用的振捣检测装置及方法 | |
CN108154134A (zh) | 基于深度卷积神经网络的互联网直播色情图像检测方法 | |
WO2016201947A1 (zh) | 一种轮形铸造产品缺陷自动检测方法 | |
CN109658396A (zh) | 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法 | |
CN110490867A (zh) | 基于深度学习的金属增材制造成形尺寸实时预测方法 | |
CN112785560A (zh) | 一种基于人工智能的气密性检测水体更新方法及系统 | |
CN117168331A (zh) | 基于光纤传感器的天然冰场冰层厚度实时检测方法 | |
CN110243934A (zh) | 一种基于小波卷积神经网络的超声波焊缝检测方法 | |
CN111830070A (zh) | 一种基于边缘计算的缺陷自动识别评判系统及方法 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN111783616A (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN116991146B (zh) | 一种超声波清洗装置的控制方法及系统 | |
CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
CN117237325A (zh) | 一种基于深度网络的工业缺陷检测方法 | |
JPH05302897A (ja) | 表面検査装置 | |
TWI386858B (zh) | The method of neural network identification of fruit grading | |
CN112801110B (zh) | 轨道列车线阵相机图像畸变校正的目标检测方法及装置 | |
CN115791803A (zh) | 一种深埋隧道围岩爆破损伤测试系统及测试方法 | |
CN115311238A (zh) | 一种基于图像分析的光伏组件缺陷损伤的识别方法 | |
CN112767380B (zh) | 一种宽厚板端部形状预测方法 | |
Qi et al. | Study on wood image edge detection based on Hopfield neural network | |
CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
CN117607154B (zh) | 一种锂电池焊接缺陷检测方法及系统 | |
CN112330606A (zh) | 一种基于机器学习的缺陷检测方法 |
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 |