CN114565561A - 基于深度学习的混凝土配方调整方法、装置及可读介质 - Google Patents
基于深度学习的混凝土配方调整方法、装置及可读介质 Download PDFInfo
- Publication number
- CN114565561A CN114565561A CN202210093471.6A CN202210093471A CN114565561A CN 114565561 A CN114565561 A CN 114565561A CN 202210093471 A CN202210093471 A CN 202210093471A CN 114565561 A CN114565561 A CN 114565561A
- Authority
- CN
- China
- Prior art keywords
- concrete
- image
- aggregate
- working performance
- stirring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000003756 stirring Methods 0.000 claims abstract description 94
- 230000008859 change Effects 0.000 claims abstract description 63
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 73
- 239000002245 particle Substances 0.000 claims description 37
- 238000002156 mixing Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 7
- 238000009472 formulation Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003245 working effect Effects 0.000 claims 2
- 239000004575 stone Substances 0.000 description 12
- 239000004576 sand Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
Abstract
本发明公开了一种基于深度学习的混凝土配方调整方法、装置及可读介质，通过目标检测模型对实时采集的搅拌图像中的混凝土区域图像进行提取和预处理，得到处理后的混凝土区域图像，并计算出图像灰度直方图，得到灰度均值变化曲线；建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，并确定混凝土的工作性能的预测值；采用实例分割模型对骨料图像进行分割，得到分割结果，基于分割结果确定骨料的级配；建立混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，基于工作性能的预测值、骨料的级配和第二关系调整用水量和/或骨料的用量，重复以上以使工作性能满足要求。本发明能对混凝土配方实时调整，提高效率。
Description
技术领域
本发明涉及工业化智能控制领域，具体涉及一种基于深度学习的混凝土配方调整方法、装置及可读介质。
背景技术
混凝土配合比设计通常在实验室条件下进行，施工现场使用时再微调。然而该配比是在一种砂、石情况下测定，往往在生产时会使用不同来源的砂、石原料。砂、石的粒形参数、含水率等对混凝土工作性能(包括坍落度、坍落扩展度等等)的影响较大。因此，需要通过测定砂、石参数来调整混凝土配比。
混凝土的工作性能在混凝土出机后由相关检测人员使用检测仪器进行相应指标的测量。通常，调整砂、石用料后必须进行工作性能检测。这带来三类问题：一是调整砂、石用量使混凝土工作性能满足要求可能经过循环往复的多轮调整，浪费人工与时间；二是混凝土出机后，一旦检测不合格，那么整盘混凝土只能废弃，造成资源浪费。三是同一批次的砂、石原料表里的含水率也会有一定不同，混凝土工作性能会有所差异。因此，目前迫切需要一种可以在混凝土生产过程中实时检测砂、石参数以及混凝土工作性能的方法。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于深度学习的混凝土配方调整方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本申请的实施例提供了一种基于深度学习的混凝土配方调整方法，包括以下步骤：
S1，获取混凝土搅拌过程中的搅拌图像，通过目标检测模型对搅拌图像中的混凝土区域图像进行提取，并对混凝土区域图像进行预处理，得到处理后的混凝土区域图像；
S2，基于处理后的混凝土区域图像计算出图像灰度直方图，并根据图像灰度直方图计算灰度均值，得到灰度均值变化曲线；
S3，建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，根据灰度均值变化曲线和第一关系确定搅拌图像中混凝土的工作性能的预测值；
S4，获取混凝土搅拌前的骨料图像，采用实例分割模型对骨料图像进行分割，得到分割结果，基于分割结果确定混凝土搅拌过程中的骨料的级配；
S5，建立不同骨料的级配所对应的混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，根据搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，并基于混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，重复步骤S1-S5以使混凝土的工作性能满足要求。
在一些实施例中，步骤S5中根据搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，具体包括：
判断搅拌图像中混凝土的工作性能的预测值是否超过预设阈值范围，若是，则需要调整混凝土搅拌过程中的用水量和/或骨料的用量；否则不需要调整混凝土搅拌过程中的用水量和/或骨料的用量。
在一些实施例中，混凝土的工作性能为混凝土的坍落度，第一关系中坍落度与灰度均值变化曲线中的灰度均值的波动区间一一对应，第二关系中坍落度的变化值与用水量和/或骨料的用量的变化值一一对应，步骤S5中基于混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，具体包括：
若混凝土的坍落度的预测值低于预设阈值范围，则根据第二关系中坍落度的增加值与用水量增加值的关系增加凝土搅拌过程中的用水量；
若混凝土的坍落度的预测值高于预设阈值范围，则根据混凝土搅拌过程中的骨料的级配所对应的第二关系中坍落度的降低值与骨料用量的增加量的关系调整凝土搅拌过程中的骨料用量的增加量。
在一些实施例中，目标检测模型为经训练的第一Mask-Rcnn神经网络，实例分割模型为经训练的第二Mask-Rcnn神经网络，第一Mask-Rcnn神经网络和第二Mask-Rcnn神经网络的骨干网络为Resnet50。
在一些实施例中，步骤S1中对混凝土区域图像进行预处理，具体包括：
对混凝土区域图像进行二值化处理，得到二值化后的混凝土区域图像；
将二值化后的混凝土区域图像中的背景部分进行滤除，得到处理后的混凝土区域图像。
在一些实施例中，步骤S2中采用OpenCV中calcHist函数计算出图像灰度直方图，图像灰度直方图记录的是处理后的混凝土区域图像中不同的灰度值所对应的像素数量，灰度均值为处理后的混凝土区域图像中所有像素点灰度值的总和与像素个数之间的比值。
在一些实施例中，步骤S4中基于分割结果确定混凝土搅拌过程中的骨料的级配，具体包括：
根据分割结果得到骨料图像中每个颗粒的轮廓；
基于每个颗粒的轮廓采用OpenCV中fitEllipse函数计算得出每个颗粒的轮廓的拟合椭圆以及相应短径；
根据短径大小分别判断每个颗粒所属的粒径范围；
对每个颗粒所属的粒径范围进行统计，获得骨料的级配。
第二方面，本申请的实施例提供了一种基于深度学习的混凝土配方调整装置，包括：
搅拌图像获取模块，被配置为获取混凝土搅拌过程中的搅拌图像，通过目标检测模型对搅拌图像中的混凝土区域图像进行提取，并对混凝土区域图像进行预处理，得到处理后的混凝土区域图像；
灰度均值计算模块，被配置为基于处理后的混凝土区域图像计算出图像灰度直方图，并根据图像灰度直方图计算灰度均值，得到灰度均值变化曲线；
工作性能预测模块，被配置为建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，根据灰度均值变化曲线和第一关系确定搅拌图像中混凝土的工作性能的预测值；
骨料级配计算模块，被配置为获取混凝土搅拌前的骨料图像，采用实例分割模型对骨料图像进行分割，得到分割结果，基于分割结果确定混凝土搅拌过程中的骨料的级配；
调整模块，被配置为建立不同骨料的级配所对应的混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，根据搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，并基于混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，重复执行搅拌图像获取模块至调整模块以使混凝土的工作性能满足要求。
第三方面，本申请的实施例提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请的实施例提供了一种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中任一实现方式描述的方法。
相比于现有技术，本发明具有以下有益效果：
(1)本发明通过采集混凝土搅拌过程图像，建立目标检测模型，实时判断混凝土工作性能是否满足要求。通过皮带上砂、石图像采集，建立实例分割模型，在线预测粒形参数等。并在混凝土工作性能不满足要求时能够根据该时刻骨料级配以及粒形参数调整用量，并验证混凝土工作性能。
(2)本发明通过实时检测混凝土工作性能以及砂、石骨料等粒形参数，智能调整骨料用量以满足混凝土工作性能要求，减少生产过程中必要的性能检测时间，提高生产效率。
(3)本发明能够在该批次混凝土工作性能不满足要求时，通过当前时刻骨料级配、粒形计算出所要补充的骨料用量，并实时进行调整，以保证混凝土出机时工作性能满足要求，减少资源浪费，提高调整配方效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本发明的实施例的基于深度学习的混凝土配方调整方法的流程示意图；
图3为本发明的实施例的基于深度学习的混凝土配方调整方法的整体设备的示意图；
图4为本发明的实施例的基于深度学习的混凝土配方调整方法的混凝土的工作性能预测的流程示意图；
图5为本发明的实施例的基于深度学习的混凝土配方调整方法的混凝土的工作性能预测的结果图；
图6为本发明的实施例的基于深度学习的混凝土配方调整方法的实例分割模型的输入和分割结果图；
图7为本发明的实施例的基于深度学习的混凝土配方调整装置的示意图；
图8是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于深度学习的混凝土配方调整方法或基于深度学习的混凝土配方调整装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的基于深度学习的混凝土配方调整方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，基于深度学习的混凝土配方调整装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于深度学习的混凝土配方调整方法，包括以下步骤：
S1，获取混凝土搅拌过程中的搅拌图像，通过目标检测模型对搅拌图像中的混凝土区域图像进行提取，并对混凝土区域图像进行预处理，得到处理后的混凝土区域图像。
在具体的实施例中，参考图3，在搅拌机上方设置图像采集设备，在图像采集设备两侧设置光源，实时采集混凝土搅拌过程中的图像信息。在混凝土搅拌机1旁边设置支架2。在支架上固定光源3以及图像采集设备4，图像采集设备4可以通过搅拌机投料口拍摄混凝土搅拌过程的搅拌图像，并将该搅拌图像传输至电脑5或服务器端，因此可以实时采集获取到混凝土搅拌过程中的搅拌图像。利用目标检测模型对搅拌图像中混凝土区域(ROI区域)进行提取，得到混凝土区域图像，在优选的实施例中，目标检测模型为经训练的第一Mask-Rcnn神经网络，第一Mask-Rcnn神经网络的骨干网络为Resnet50，Resnet50为现有的神经网络模型，因此其结构在此不再赘述。该目标检测模型基于深度学习神经网络模型构建，识别并提取出混凝土区域图像，并根据步骤S2和S3对混凝土的工作性能进行预测
在具体的实施例中，步骤S1中对混凝土区域图像进行预处理，具体包括：
对混凝土区域图像进行二值化处理，得到二值化后的混凝土区域图像；
将二值化后的混凝土区域图像中的背景部分进行滤除，得到处理后的混凝土区域图像。
具体地，二值化后的混凝土区域图像中每个像素点的值为0或1，通过将背景部分的像素值设为0可以滤除其余背景干扰，方便后续进行灰度均值的计算。
S2，基于处理后的混凝土区域图像计算出图像灰度直方图，并根据图像灰度直方图计算灰度均值，得到灰度均值变化曲线。
在具体的实施例中，步骤S2中采用OpenCV中calcHist函数计算出图像灰度直方图。参考图4，图像灰度直方图记录的是处理后的混凝土区域图像中不同的灰度值所对应的像素数量，横坐标为灰度值，纵坐标为像素数量，从处理后的混凝土区域图像中采用OpenCV进行计算就可以提取出图像灰度直方图。灰度均值为处理后的混凝土区域图像中所有像素点灰度值的总和与像素个数之间的比值，即：
灰度均值＝处理后的混凝土区域图像中所有像素点灰度值的总和/像素个数。
根据灰度均值随着时间的变化建立灰度均值变化曲线，如图5所示，灰度均值变化曲线表示灰度均值在一定时间范围内的波动情况，并可以得到灰度均值的波动区间。
S3，建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，根据灰度均值变化曲线和第一关系确定搅拌图像中混凝土的工作性能的预测值。
在具体的实施例中，混凝土的工作性能为混凝土的坍落度，第一关系中坍落度与灰度均值变化曲线中的灰度均值的波动区间一一对应。
具体地，在确定第一关系时，分别调整混凝土的坍落度，并根据在此混凝土的坍落度的数值范围下得到灰度均值变化曲线中的灰度均值的波动区间，例如：坍落度为180时所对应的灰度均值变化曲线在164～166波动；坍落度为150时所对应的灰度均值变化曲线在162～164波动；坍落度为120时所对应的灰度均值变化曲线在160～162波动。根据搅拌过程灰度均值大小区分不同工作性能(坍落度)的混凝土，由此可以判断该时刻混凝土工作性能是否满足要求。
S4，获取混凝土搅拌前的骨料图像，采用实例分割模型对骨料图像进行分割，得到分割结果，基于分割结果确定混凝土搅拌过程中的骨料的级配。
在具体的实施例中，实例分割模型为经训练的第二Mask-Rcnn神经网络，第二Mask-Rcnn神经网络的骨干网络为Resnet50。Resnet50为现有的神经网络模型，因此其结构在此不再赘述。步骤S4中基于分割结果确定混凝土搅拌过程中的骨料的级配，具体包括：
根据分割结果得到骨料图像中每个颗粒的轮廓；
基于每个颗粒的轮廓采用OpenCV中fitEllipse函数计算得出每个颗粒的轮廓的拟合椭圆以及相应短径；
根据短径大小分别判断每个颗粒所属的粒径范围；
对每个颗粒所属的粒径范围进行统计，获得骨料的级配。
具体地，骨料级配为组成骨料的不同粒径颗粒的比例关系；骨料级配主要分为连续级配和间断级配(单粒级)，连续级配主要指在最大粒径以下，依次序有其它相应粒级，不得间断，以期能充分填充骨料间的空隙。间断级配指在连续级配中缺少其中一级或几级中间粒级。混凝土骨料是混凝土的重要组成部分，在混凝土中起骨架和填充的作用。通常分为细骨料和粗骨料两类。在混凝土中一般将粒径在0.155～5mm之间的称为细骨料；将粒径大于5mm的称为粗骨料。粗骨料按种类分为卵石、碎石、破碎卵石、卵石和碎石的拌合物。骨料都偏细，有可能使砼料坍损变大、泌水增加，而偏粗的则会使砼料粘聚性变差、坍落度减小，所以实际生产过程中，需要处理好骨料的级配优化组合。根据骨料的级配的要求可以计算出符合坍落度的骨料的比例，进而计算出骨料的用量。在本申请的实施例中采用实例分割模型可实现骨料级配、粒形参数在线预测，参考图3，在传送带9上方传输骨料8，在传送带9两侧设置图像采集设备6，在图像采集设备两侧设置光源7，实时采集骨料图像，并将该骨料图像传输至电脑5或服务器端中。参考图6，图6(a)为输入实例分割模型的骨料图像，图6(b)为实例分割模型进行分割后输出的分割结果。根据分割结果可以得到每个颗粒的外轮廓，利用OpenCV中fitEllipse函数可以得出颗粒轮廓拟合椭圆以及相应短径，根据短径大小判断该颗粒属于哪一档级配料，对所有颗粒进行判断，即可得到该批次所有骨料的级配。
S5，建立不同骨料的级配所对应的混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，根据搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，并基于混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，重复步骤S1-S5以使混凝土的工作性能满足要求。
具体地，每一个骨料的级配对应存在一个第二关系，第二关系中坍落度的变化值与用水量和/或骨料的用量的变化值一一对应，具体地，第二关系是根据多次实验确定的，在确定第二关系时，通过多次实验建立级配与骨料掺量以及坍落度影响的模型。该模型为根据实验数据建立的对应关系，体现出骨料的级配、骨料用量增加量(百分比)与坍落度减少值的关系或者用水量的增加量与坍落度增加值的关系，该骨料用量增加量或用水量的增加量是相对原先的搅拌量而言的增加量。
在具体的实施例中，步骤S5中根据搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，具体包括：
判断搅拌图像中混凝土的工作性能的预测值是否超过预设阈值范围，若是，则需要调整混凝土搅拌过程中的用水量和/或骨料的用量；否则不需要调整混凝土搅拌过程中的用水量和/或骨料的用量。
因此通过本申请的实施例不仅可以实时预测出混凝土的工作性能，还能够根据混凝土的工作性能、骨料的级配等关系对混凝土搅拌过程中的用水量和/或骨料的用量进行调整，实现混凝土配方的智能化调整。
步骤S5中基于混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，具体包括：
若混凝土的坍落度的预测值低于预设阈值范围，则根据第二关系中坍落度的增加值与用水量增加值的关系增加凝土搅拌过程中的用水量；
若混凝土的坍落度的预测值高于预设阈值范围，则根据混凝土搅拌过程中的骨料的级配所对应的第二关系中坍落度的降低值与骨料用量的增加量的关系调整凝土搅拌过程中的骨料用量的增加量。
具体地，在每一个骨料的级配分别对应一个坍落度的降低值与骨料用量的增加量的关系。如果要求混凝土坍落度为150±20，而混凝土的坍落度的预测值为110，则需要相应增加用水量。若混凝土的坍落度的预测值为190，则根据步骤S4所测出的骨料的级配，补充一定量的骨料，该量需要通过多次实验建立级配与骨料掺量以及坍落度影响的模型，从而得到。
在一个坍落度区间内，增加或者减少的值波动不会很大，最终调整后的坍落度只要在误差允许范围内就可以，例如要求坍落度150，误差是±20，只是说根据骨料级配这个对应关系可以调整使得坍落度更接近150。
本发明能够实时有效的预测混凝土搅拌过程工作性能以及检测砂石骨料级配、粒形参数，减少生产过程中必要的性能检测时间，提高生产效率。若该批次混凝土工作性能不满足要求时，通过当前时刻骨料级配、粒形计算出所要补充的骨料用量，并实时进行调整，以保证混凝土出机时工作性能满足要求，减少资源浪费，提高调整配方效率。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种基于深度学习的混凝土配方调整装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于深度学习的混凝土配方调整装置，包括：
搅拌图像获取模块1，被配置为获取混凝土搅拌过程中的搅拌图像，通过目标检测模型对搅拌图像中的混凝土区域图像进行提取，并对混凝土区域图像进行预处理，得到处理后的混凝土区域图像；
灰度均值计算模块2，被配置为基于处理后的混凝土区域图像计算出图像灰度直方图，并根据图像灰度直方图计算灰度均值，得到灰度均值变化曲线；
工作性能预测模块3，被配置为建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，根据灰度均值变化曲线和第一关系确定搅拌图像中混凝土的工作性能的预测值；
骨料级配计算模块4，被配置为获取混凝土搅拌前的骨料图像，采用实例分割模型对骨料图像进行分割，得到分割结果，基于分割结果确定混凝土搅拌过程中的骨料的级配；
调整模块5，被配置为建立不同骨料的级配所对应的混凝土的工作性能的变化值与用水量的变化值和/或骨料用量的变化值之间的第二关系，根据搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，并基于混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，重复执行搅拌图像获取模块至调整模块以使混凝土的工作性能满足要求。
下面参考图8，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机装置800包括中央处理单元(CPU)801和图形处理器(GPU)802，其可以根据存储在只读存储器(ROM)803中的程序或者从存储部分809加载到随机访问存储器(RAM)804中的程序而执行各种适当的动作和处理。在RAM 804中，还存储有装置800操作所需的各种程序和数据。CPU 801、GPU802、ROM 803以及RAM804通过总线805彼此相连。输入/输出(I/O)接口806也连接至总线805。
以下部件连接至I/O接口806：包括键盘、鼠标等的输入部分807；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分808；包括硬盘等的存储部分809；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分810。通信部分810经由诸如因特网的网络执行通信处理。驱动器811也可以根据需要连接至I/O接口806。可拆卸介质812，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器811上，以便于从其上读出的计算机程序根据需要被安装入存储部分809。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分810从网络上被下载和安装，和/或从可拆卸介质812被安装。在该计算机程序被中央处理单元(CPU)801和图形处理器(GPU)802执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取混凝土搅拌过程中的搅拌图像，通过目标检测模型对搅拌图像中的混凝土区域图像进行提取，并对混凝土区域图像进行预处理，得到处理后的混凝土区域图像；基于处理后的混凝土区域图像计算出图像灰度直方图，并根据图像灰度直方图计算灰度均值，得到灰度均值变化曲线；建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，根据灰度均值变化曲线和第一关系确定搅拌图像中混凝土的工作性能的预测值；获取混凝土搅拌前的骨料图像，采用实例分割模型对骨料图像进行分割，得到分割结果，基于分割结果确定混凝土搅拌过程中的骨料的级配；建立不同骨料的级配所对应的混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，根据搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，并基于混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，重复上述步骤以使混凝土的工作性能满足要求。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于深度学习的混凝土配方调整方法，其特征在于，包括以下步骤：
S1，获取混凝土搅拌过程中的搅拌图像，通过目标检测模型对所述搅拌图像中的混凝土区域图像进行提取，并对所述混凝土区域图像进行预处理，得到处理后的混凝土区域图像；
S2，基于所述处理后的混凝土区域图像计算出图像灰度直方图，并根据所述图像灰度直方图计算灰度均值，得到灰度均值变化曲线；
S3，建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，根据所述灰度均值变化曲线和所述第一关系确定所述搅拌图像中混凝土的工作性能的预测值；
S4，获取混凝土搅拌前的骨料图像，采用实例分割模型对所述骨料图像进行分割，得到分割结果，基于所述分割结果确定混凝土搅拌过程中的骨料的级配；
S5，建立不同骨料的级配所对应的混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，根据所述搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，并基于所述混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和所述第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，重复步骤S1-S5以使所述混凝土的工作性能满足要求。
2.根据权利要求1所述的基于深度学习的混凝土配方调整方法，其特征在于，所述步骤S5中根据所述搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，具体包括：
判断所述搅拌图像中混凝土的工作性能的预测值是否超过预设阈值范围，若是，则需要调整混凝土搅拌过程中的用水量和/或骨料的用量；否则不需要调整混凝土搅拌过程中的用水量和/或骨料的用量。
3.根据权利要求2所述的基于深度学习的混凝土配方调整方法，其特征在于，所述混凝土的工作性能为混凝土的坍落度，所述第一关系中所述坍落度与灰度均值变化曲线中的灰度均值的波动区间一一对应，所述第二关系中所述坍落度的变化值与所述用水量和/或骨料的用量的变化值一一对应，所述步骤S5中基于所述混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和所述第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，具体包括：
若混凝土的坍落度的预测值低于所述预设阈值范围，则根据所述第二关系中所述坍落度的增加值与用水量增加值的关系增加凝土搅拌过程中的用水量；
若混凝土的坍落度的预测值高于所述预设阈值范围，则根据所述混凝土搅拌过程中的骨料的级配所对应的第二关系中所述坍落度的降低值与骨料用量的增加量的关系调整凝土搅拌过程中的骨料用量的增加量。
4.根据权利要求1所述的基于深度学习的混凝土配方调整方法，其特征在于，所述目标检测模型为经训练的第一Mask-Rcnn神经网络，所述实例分割模型为经训练的第二Mask-Rcnn神经网络，所述第一Mask-Rcnn神经网络和所述第二Mask-Rcnn神经网络的骨干网络为Resnet50。
5.根据权利要求1所述的基于深度学习的混凝土配方调整方法，其特征在于，所述步骤S1中对所述混凝土区域图像进行预处理，具体包括：
对所述混凝土区域图像进行二值化处理，得到二值化后的混凝土区域图像；
将所述二值化后的混凝土区域图像中的背景部分进行滤除，得到所述处理后的混凝土区域图像。
6.根据权利要求1所述的基于深度学习的混凝土配方调整方法，其特征在于，所述步骤S2中采用OpenCV中calcHist函数计算出图像灰度直方图，所述图像灰度直方图记录的是所述处理后的混凝土区域图像中不同的灰度值所对应的像素数量，灰度均值为所述处理后的混凝土区域图像中所有像素点灰度值的总和与像素个数之间的比值。
7.根据权利要求1所述的基于深度学习的混凝土配方调整方法，其特征在于，所述步骤S4中基于所述分割结果确定混凝土搅拌过程中的骨料的级配，具体包括：
根据所述分割结果得到所述骨料图像中每个颗粒的轮廓；
基于所述每个颗粒的轮廓采用OpenCV中fitEllipse函数计算得出每个颗粒的轮廓的拟合椭圆以及相应短径；
根据短径大小分别判断每个颗粒所属的粒径范围；
对所述每个颗粒所属的粒径范围进行统计，获得所述骨料的级配。
8.一种基于深度学习的混凝土配方调整装置，其特征在于，包括：
搅拌图像获取模块，被配置为获取混凝土搅拌过程中的搅拌图像，通过目标检测模型对所述搅拌图像中的混凝土区域图像进行提取，并对所述混凝土区域图像进行预处理，得到处理后的混凝土区域图像；
灰度均值计算模块，被配置为基于所述处理后的混凝土区域图像计算出图像灰度直方图，并根据所述图像灰度直方图计算灰度均值，得到灰度均值变化曲线；
工作性能预测模块，被配置为建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，根据所述灰度均值变化曲线和所述第一关系确定所述搅拌图像中混凝土的工作性能的预测值；
骨料级配计算模块，被配置为获取混凝土搅拌前的骨料图像，采用实例分割模型对所述骨料图像进行分割，得到分割结果，基于所述分割结果确定混凝土搅拌过程中的骨料的级配；
调整模块，被配置为建立不同骨料的级配所对应的混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，根据所述搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，并基于所述混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和所述第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，重复执行搅拌图像获取模块至调整模块以使所述混凝土的工作性能满足要求。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210093471.6A CN114565561A (zh) | 2022-01-26 | 2022-01-26 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
| PCT/CN2022/084286 WO2023142262A1 (zh) | 2022-01-26 | 2022-03-31 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210093471.6A CN114565561A (zh) | 2022-01-26 | 2022-01-26 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114565561A true CN114565561A (zh) | 2022-05-31 |
Family
ID=81713327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210093471.6A Pending CN114565561A (zh) | 2022-01-26 | 2022-01-26 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114565561A (zh) |
| WO (1) | WO2023142262A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114971092A (zh) * | 2022-07-29 | 2022-08-30 | 华北电力大学 | 一种变电站主控楼混凝土用量预测方法和装置 |
| 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 |
| CN115592819A (zh) * | 2022-12-15 | 2023-01-13 | 福建南方路面机械股份有限公司（Cn） | 基于深度学习的搅拌站卸料口尺寸调整方法及装置 |
| CN116973553A (zh) * | 2023-06-08 | 2023-10-31 | 山东博硕自动化技术有限公司 | 基于深度学习的在线物料识别与含水率测量方法及装置 |
| 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 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195083B (zh) * | 2023-11-08 | 2024-03-12 | 福建南方路面机械股份有限公司 | 基于电流曲线的坍落度预测方法、装置及可读介质 |
| CN117892603B (zh) * | 2024-03-15 | 2024-05-17 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种用于渡槽混凝土底板的数值模拟方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102019219373A1 (de) * | 2019-12-11 | 2021-06-17 | Peri Gmbh | Computergestütztes Verfahren sowie Einrichtung zur Steuerung einer Beton-Mischanlage |
| CN111751253B (zh) * | 2020-07-06 | 2022-10-14 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
| CN112873533B (zh) * | 2021-01-15 | 2022-07-01 | 清华大学 | 混凝土自适应智能拌合方法及装置 |
| 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 |
| CN113942121B (zh) * | 2021-09-03 | 2023-05-19 | 湖南中联重科混凝土机械站类设备有限公司 | 用于搅拌站骨料含水率的控制方法、处理器及装置 |
-
2022
- 2022-01-26 CN CN202210093471.6A patent/CN114565561A/zh active Pending
- 2022-03-31 WO PCT/CN2022/084286 patent/WO2023142262A1/zh unknown
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114971092A (zh) * | 2022-07-29 | 2022-08-30 | 华北电力大学 | 一种变电站主控楼混凝土用量预测方法和装置 |
| CN114971092B (zh) * | 2022-07-29 | 2022-10-18 | 华北电力大学 | 一种变电站主控楼混凝土用量预测方法和装置 |
| 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 |
| CN115592819A (zh) * | 2022-12-15 | 2023-01-13 | 福建南方路面机械股份有限公司（Cn） | 基于深度学习的搅拌站卸料口尺寸调整方法及装置 |
| CN116973553A (zh) * | 2023-06-08 | 2023-10-31 | 山东博硕自动化技术有限公司 | 基于深度学习的在线物料识别与含水率测量方法及装置 |
| CN116973553B (zh) * | 2023-06-08 | 2024-04-12 | 山东博硕自动化技术有限公司 | 基于深度学习的在线物料识别与含水率测量方法及装置 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023142262A1 (zh) | 2023-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114565561A (zh) | 基于深度学习的混凝土配方调整方法、装置及可读介质 | |
| Thurley | Automated online measurement of limestone particle size distributions using 3D range data | |
| CN108277720B (zh) | 沥青搅拌站骨料级配在线检测、防溢料控制方法及系统 | |
| CN107621435A (zh) | 一种骨料在线监测装置 | |
| CN114266989A (zh) | 一种混凝土拌合物和易性测定方法和装置 | |
| Banta et al. | Estimation of limestone particle mass from 2D images | |
| Salinas et al. | Automated estimation of rock fragment distributions using computer vision and its application in mining | |
| WO2023168899A1 (zh) | 圆锥破碎机排料口尺寸智能调整方法、装置及可读介质 | |
| CN112419397B (zh) | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 | |
| WO2023240776A1 (zh) | 基于深度学习的渣土分类处理引导方法、装置及可读介质 | |
| CN117218118B (zh) | 基于图像序列的坍落度监测方法、装置及可读介质 | |
| CN115890915A (zh) | 一种混凝土搅拌过程图像识别方法 | |
| CN113592792A (zh) | 堆石图像粒径识别方法、装置、电子设备及存储介质 | |
| CN112959513B (zh) | 混凝土隧洞内智能化自适应拌合系统及方法 | |
| CN113850244A (zh) | 基于图像识别的输煤量监测方法、装置、设备及存储介质 | |
| CN115731519A (zh) | 一种非接触式全尾砂膏体搅拌均匀度监测方法及系统 | |
| CN107024416A (zh) | 结合相似性和不连续性的准圆形颗粒平均尺寸检测方法 | |
| CN115526837A (zh) | 一种异常行车检测方法、装置、电子设备以及介质 | |
| CN113670295B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| CN115205163A (zh) | 一种标识图像的处理方法、装置、设备及存储介质 | |
| CN115546717A (zh) | 一种混凝土可泵性类别识别方法、装置及电子设备 | |
| CN102507665B (zh) | 一种浊液搅拌效果的判断装置及方法 | |
| CN115079563A (zh) | 一种砂石分离机的监测控制方法 | |
| CN116678885B (zh) | 基于深度学习的水洗粗骨料含泥检测控制方法及装置 | |
| CN114196799A (zh) | 一种转炉溢渣的检测方法、装置及计算机设备 |
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 |