CN114839054A - 一种基于人工智能的建筑材料强度检测方法及系统 - Google Patents
一种基于人工智能的建筑材料强度检测方法及系统 Download PDFInfo
- Publication number
- CN114839054A CN114839054A CN202210259986.9A CN202210259986A CN114839054A CN 114839054 A CN114839054 A CN 114839054A CN 202210259986 A CN202210259986 A CN 202210259986A CN 114839054 A CN114839054 A CN 114839054A
- Authority
- CN
- China
- Prior art keywords
- concrete surface
- surface image
- crack structure
- crack
- frame
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 239000004566 building material Substances 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000005336 cracking Methods 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000005389 magnetism Effects 0.000 claims description 3
- 239000004035 construction material Substances 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 14
- 230000008859 change Effects 0.000 abstract description 6
- 239000004568 cement Substances 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 4
- 239000004575 stone Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 102000016550 Complement Factor H Human genes 0.000 description 2
- 108010053085 Complement Factor H Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004091 panning Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0014—Type of force applied
- G01N2203/0016—Tensile or compressive
- G01N2203/0019—Compressive
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/006—Crack, flaws, fracture or rupture
- G01N2203/0062—Crack or flaws
- G01N2203/0066—Propagation of crack
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/0641—Indicating or recording means; Sensing means using optical, X-ray, ultraviolet, infrared or similar detectors
- G01N2203/0647—Image analysis
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于人工智能的建筑材料强度检测方法及系统,建筑材料强度检测技术领域。方法包括以下步骤:根据第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间的形变差异,得到第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标;根据各混凝土表面图像上各裂纹结构对应的裂纹结构生长量和形变指标,得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度;根据各混凝土表面图像上的各裂纹结构对应的形变损毁程度,得到最后一帧混凝土表面图像上各裂纹结构的开裂影响程度。本发明能反映混凝土材料在受力过程中的形变变化对混凝土强度的影响,提高混凝土强度检测的准确度。
Description
技术领域
本发明涉及建筑材料强度检测技术领域,具体涉及一种基于人工智能的建筑材料强度检测方法及系统。
背景技术
如今的建筑业需要广泛应用建筑材料,然而实际工程项目中存在较多建筑材料以次充好的现象,其强度达不到国家要求的建筑材料强度标准,所以对建筑材料的强度进行检测是非常必要的;而混凝土作为建筑材料中不可或缺的一部分,其强度检测更是混凝土在生产与制造过程中必不可少的。
现有的混凝土强度检测方法是给混凝土施加压力,通过混凝土在设定压力下的变形开裂和破损来检测混凝土的强度。这种混凝土强度检测方法只考虑混凝土受力完成后的整体形变,没有考虑混凝土在受力过程中的形变变化,忽略了混凝土在受力过程中的形变变化对混凝土强度的影响,存在不能准确检测混凝土强度的问题。
发明内容
本发明提供一种基于人工智能的建筑材料强度检测方法及系统,用于解决现有不能准确检测建筑材料强度的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的建筑材料强度检测方法及系统包括以下步骤:
连续获取多帧混凝土表面图像,所述多帧混凝土表面图像是在混凝土表面受到不同压力下获取的,第i帧混凝土表面图像对应的压力小于第i+1帧混凝土表面图像对应的压力,i≥1;
根据各混凝土表面图像,得到各混凝土表面图像对应的各裂纹结构;
将第i帧混凝土表面图像上的各裂纹结构和第i+1帧混凝土表面图像上的各裂纹结构进行相似性匹配,得到第i+1帧混凝土表面图像上与第i帧混凝土表面图像上的各裂纹结构对应的相似裂纹结构;
根据第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间的形变差异,得到第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标;
根据第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间像素点的差异,得到第i+1帧混凝土表面图像上的各裂纹结构对应的裂纹结构生长量和裂纹结构生长方向;
根据各混凝土表面图像上各裂纹结构对应的裂纹结构生长量和形变指标,得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度;
根据各混凝土表面图像上的各裂纹结构对应的形变损毁程度,得到最后一帧混凝土表面图像上各裂纹结构的开裂影响程度;
根据所述开裂影响程度,得到混凝土材料的承受强度。
本发明还提供了一种基于人工智能的建筑材料强度检测系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述一种基于人工智能的建筑材料强度检测方法。
本发明根据各混凝土表面图像上各裂纹结构对应的裂纹结构生长量和形变指标,得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度;根据各混凝土表面图像上的各裂纹结构对应的形变损毁程度,得到最后一帧混凝土表面图像上各裂纹结构对应的开裂影响程度;根据所述开裂影响程度,得到混凝土材料的承受强度。本发明将裂纹结构生长量和形变指标作为得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度的依据,将形变损毁程度作为得到最后一帧混凝土表面图像上各裂纹结构对应的开裂影响程度的依据,能准确反映混凝土材料在受力过程中的形变变化对混凝土强度的影响,能够减少检测过程中的误差,提高混凝土强度检测的准确度。
优选的,得到各混凝土表面图像对应的各裂纹结构的方法包括:
将各混凝土表面图像输入到语义分割网络,得到各混凝土表面图像对应的区域分割图像;
根据所述各混凝土表面图像,得到各混凝土表面图像的细节边缘二值图;根据所述各混凝土表面图像对应的区域分割图像,得到各混凝土表面图像对应的区域分割图像的结构边缘二值图;
根据所述细节边缘二值图和所述结构边缘二值图,得到各混凝土表面图像对应的裂纹结构分布图;
根据所述各裂纹结构分布图,得到各混凝土表面图像对应的各裂纹结构,所述裂纹分布图上每条边缘为一个裂纹结构。
优选的,将第i帧混凝土表面图像上的各裂纹结构和第i+1帧混凝土表面图像上的各裂纹结构进行相似性匹配,得到第i+1帧混凝土表面图像上与第i帧混凝土表面图像上的各裂纹结构对应的相似裂纹结构,包括:
计算所述第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上的各裂纹结构之间的相似性指标;
对于第i帧混凝土表面图像上的各裂纹结构,选取第i+1帧混凝土表面图像上与该裂纹结构相似性指标最大的裂纹结构,作为该裂纹结构对应的相似裂纹结构。
优选的,得到第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标的方法包括:
根据如下公式计算第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标:
其中,Hi,i+1,j为第i帧混凝土表面图像上的第j个裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间的形变因子,p为所述第j个裂纹结构上的任意像素点坐标对应的向量,L1为所述第j个裂纹结构上的所有像素点坐标对应的向量集合,p0为与所述第j个裂纹结构对应的相似裂纹结构上的任意像素点坐标对应的向量,L2为与所述第j个裂纹结构对应的相似裂纹结构上的所有像素点坐标对应的向量集合,s为形变因子取最小值时第i+1帧混凝土表面图像上与所述第j个裂纹结构对应的相似裂纹结构的缩放形变指标,t为形变因子取最小值时第i+1帧混凝土表面图像上与所述第j个裂纹结构对应的相似裂纹结构的平移形变指标,为L1经过缩放平移之后对应的形变向量集合,Hu(L1)为L1对应Hu矩,为对应的Hu矩;
根据所述缩放形变指标和所述平移形变指标,得到第i+1帧混凝土表面图像上与第j个裂纹结构对应的相似裂纹结构的形变指标。
优选的,得到第i+1帧混凝土表面图像上的各裂纹结构对应的裂纹结构生长量的方法包括:
获得所述第i帧混凝土表面图像上的任意裂纹结构对应的各像素点,记为第一像素点集合;获得第i帧混凝土表面图像上该裂纹结构对应的相似性裂纹结构上的各像素点,记为第二像素点集合;
根据所述第二像素点集合中不与所述第一像素点集合中像素点重合的像素点的坐标,得到所述相似性裂纹结构对应的裂纹结构生长量。
优选的,得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度的方法包括:
根据如下公式计算各混凝土表面图像上的各裂纹结构对应的形变损毁程度:
Wi+1,k=ln(h(||s||2+||t||2)+1)
其中,Wi+1,k为第i+1帧混凝土表面图像上的第k个裂纹结构的形变损毁程度,h为第k个裂纹结构对应的裂纹结构生长量,s为第k个裂纹结构对应的缩放形变指标,t为第k个裂纹结构对应的平移形变指标,||s||2为s对应的L2范数,||t||2为t对应的L2范数。
优选的,所述区域分割图像中包含粗骨料区域,所述得到最后一帧混凝土表面图像上各裂纹结构对应的开裂影响程度的方法包括:
根据所述各混凝土表面图像对应的区域分割图像中的粗骨料区域,得到各区域分割图像上各裂纹结构在粗骨料区域中的像素点数量,以及各混凝土表面图像上各裂纹结构对应的像素点数量;
根据所述各裂纹结构在粗骨料区域中的像素点数量和所述各混凝土表面图像上各裂纹结构对应的像素点数量,得到各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度;
根据所述粗骨料损毁程度和所述形变损毁程度,得到最后一帧混凝土表面图像上的各裂纹结构对应的粗骨料损毁程度序列和形变损毁程度序列;
根据所述粗骨料损毁程度序列和所述形变损毁程度序列,得到最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度。
优选的,根据如下公式计算最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度:
Aa=m1+(f+1)m2
其中,Aa为最后一帧混凝土表面图像上的第a个裂纹结构对应的开裂影响程度,m1为所述第a个裂纹结构对应的形变损毁程度序列中大于设定阈值的各形变损毁程度的均值,f第a个裂纹结构对应的形变损毁程度序列与粗骨料损毁程度序列的相关系数,m2为所述第a个裂纹结构对应的粗骨料损毁程度序列中的最大值。
优选的,得到混凝土材料的承受强度的方法,包括:
根据所述裂纹生长方向,得到最后一帧混凝土表面图像上的各裂纹结构对应的裂纹生长方向序列;
根据所述裂纹生长方向序列和所述开裂影响程度,得到最后一帧混凝土表面图像上的各裂纹结构对应的分布区域的损毁风险程度;
根据如下公式计算最后一帧混凝土表面图像上的各裂纹结构对应的分布区域的损毁风险程度:
其中,Da为最后一帧混凝土表面图像上的第a个裂纹结构对应的分布区域的损毁风险程度,B为最后一帧混凝土表面图像上各裂纹结构的总数量,c为最后一帧混凝土表面图像上的第a个裂纹结构的生长方向序列与第b个裂纹结构的生长方向序列之间的方向因子,Aa为第a个裂纹结构对应的开裂影响程度,da,b为第a个裂纹结构中像素值均值与第b个裂纹结构中像素值均值的之间的距离,且a≠b;
对最后一帧混凝土表面图像上的各裂纹结构对应的分布区域的损毁风险程度求和,得到混凝土材料的承受强度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明一种基于人工智能的建筑材料强度检测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,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,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种基于人工智能的建筑材料强度检测方法,详细说明如下:
如图1所示,该基于人工智能的建筑材料强度检测方法,包括以下步骤:
步骤S001,连续获取多帧混凝土表面图像,所述多帧混凝土表面图像是在混凝土表面受到不同压力下获取的,第i帧混凝土表面图像对应的压力小于第i+1帧混凝土表面图像对应的压力,i≥1。
本实施例中,将在浇筑后达到硬结强度的一块立方体状的混凝土材料放置在平台上,然后在混凝土上方施加竖直向下的力,在施加力的过程中保持混凝土材料上表面各处的受力相等;本实施例随着时间的变化逐渐加大施加的力,混凝土材料会在力的作用下慢慢发生形变。
本实施例中,利用高清相机对混凝土材料的形变过程进行图像采集,在高清相机采集图像之前要布置平行光的位置,使平行光照射混凝土材料的表面,让混凝土表面受光均匀,之后使高清相机正视或者俯视混凝土材料受力的外表面位置,然后连续采集多帧混凝土材料在形变过程中的图像,且采集的第i帧混凝土表面图像对应的压力小于第i+1帧混凝土表面图像对应的压力,i≥1;本实施例设置高清相机每隔0.1秒采集一张图像,设置混凝土材料达到形变极限的3/5时采集结束,且采集得到的图像为灰度图。
作为其它的实施方式,也可以根据需求的不同设置其它采集的方式,例如可以是设置高清相机每隔0.2秒采集一张图像,设置混凝土材料达到形变极限的2/3时采集结束。
步骤S002,根据各混凝土表面图像,得到各混凝土表面图像对应的各裂纹结构。
本实施例中,各混凝土表面图像包含着混凝土材料的纹理细节信息,主要包括有粗骨料、细骨料以及水泥石等材料的信息;其中,粗骨料是指大的石子,细骨料是指砂子,水泥石是水和水泥搅拌硬化之后的材料,水泥石可以将石子、砂子、水以及水泥浇合成一个整体。
本实施例中,通过语义分割网络对采集到的各混凝土表面图像进行区域分割,本实施例语义分割网络的训练过程为:将混凝土表面样本图像输入到网络中,人为的设定标签将粗骨料区域对应的像素值标注为1,将其它区域对应的像素值标注为0,并采用交叉熵损失函数进行迭代训练;将上述采集的各混凝土表面图像输入到训练好的语义分割网络中,得到各混凝土表面图像对应的区域分割图像,所述区域分割图像中包含粗骨料区域和其它区域,且本实施例中其它区域包括细骨料区域以及水泥石区域,但是细骨料区域和水泥石区域之间不容易区分,因此本实施例把细骨料区域以及水泥石区域归为一类进行分割,分割的区域记为水泥石区域;因此本实施例只将各混凝土表面图像分割成对应的粗骨料区域和水泥石区域。
作为其它的实施方式,也可以根据需求的不同将各混凝土表面图像分割成对应的粗骨料区域、水泥石区域以及细骨料区域。
本实施例中,采用的语义分割网络是DeepLabV3,由于语义分割网络为公知技术,因此本实施例不再详细描述语义分割网络的结构原理以及训练方法。
本实施例中,将各混凝土表面图像对应的区域分割图像进行边缘提取,得到各混凝土表面图像对应的区域分割图像中各区域的边缘,即得到各混凝土表面图像对应的区域分割图像中粗骨料区域边缘和水泥石区域边缘;根据各混凝土表面图像对应的区域分割图像中各区域的边缘,得到各混凝土表面图像对应的区域分割图像的结构边缘二值图。
本实施例中,对各混凝土表面图像进行图像增强,本实施例使用带噪声抑制的反锐化掩模方法来增强图像的细节,凸显各混凝土表面图像的边缘信息;边缘信息包括混凝土表面图像上的各种材料的边缘和混凝土表面图像上的裂纹结构的边缘,所述各种材料的边缘本实施例是指粗骨料区域边缘和水泥石区域边缘;对增强后的各混凝土表面图像进行边缘提取,得到各混凝土表面图像的细节边缘二值图。
本实施例中,使用Sobel算子进行边缘提取,且Sobel算子为公知技术,因此本实施例不做详细描述。
本实施例中,由于结构边缘二值图反应的是各混凝土表面图像对应的区域分割图像中粗骨料区域边缘和水泥石区域边缘,不包含各混凝土表面图像上的裂纹结构边缘;而细节边缘二值图反应的是各混凝土表面图像上的粗骨料区域边缘、水泥石区域边缘以及裂纹结构边缘;因此本实施例利用细节边缘二值图与结构边缘二值图的差别来提取裂纹结构边缘,具体方法为:获取任意混凝土表面图像对应的细节边缘二值图上的任意一个灰度值为1的像素点,判断该像素点8邻域内是否包含有来自该混凝土表面图像对应的结构边缘二值图上的灰度值为1的像素点,若是,表明该像素点不位于裂纹结构上,若不是,表明该像素点是位于裂纹结构上的一个像素点。
因此通过上述提取裂纹结构边缘的方法,可以获得各混凝土表面图像对应的细节边缘二值图上有哪些像素点是位于裂纹结构上的,将属于裂纹结构上的像素点构成的二值图称为裂纹结构分布图;然后对各混凝土表面图像对应的裂纹结构分布图进行膨胀运算,将裂纹结构分布图上断裂的裂纹结构连接在一起;本实施例中,膨胀的模板大小为3×3,且膨胀运算为公知技术,因此本实施例不作详细描述。
本实施例中,根据膨胀运算后的各混凝土表面图像对应的裂纹结构分布图,得到各混凝土表面图像对应的各裂纹结构,所述裂纹分布图上每条边缘为一个裂纹结构。
步骤S003,将第i帧混凝土表面图像上的各裂纹结构和第i+1帧混凝土表面图像上的各裂纹结构进行相似性匹配,得到第i+1帧混凝土表面图像上与第i帧混凝土表面图像上的各裂纹结构对应的相似裂纹结构。
本实施例中,混凝土材料在竖直向下的力的作用下会慢慢的发生形变,且裂纹结构在竖直向下的力的作用下也会慢慢的生长,因此本实施例根据相邻两帧的裂纹结构找到各裂纹结构对应的相似裂纹结构,然后分析裂纹结构的形变以及生长。
本实施例中,首先计算第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上的各裂纹结构之间的相似性指标;对于第i帧混凝土表面图像上的各裂纹结构,选取第i+1帧混凝土表面图像上与该裂纹结构相似性指标最大的裂纹结构,作为该裂纹结构对应的相似裂纹结构;本实施例得到相似裂纹结构的具体方法为:从第一帧混凝土表面图像对应的各裂纹结构中选取任意一个裂纹结构记为Y1,Y1是一些像素点坐标的集合;之后从第二帧混凝土表面图像对应的各裂纹结构中选取任意一个裂纹结构记为Y2,Y2也是一些像素点坐标的集合;本实施例中将坐标原点指向各像素点坐标的向量,作为各像素点坐标对应的向量。
根据如下公式计算Y1和Y2的相似性指标:
β=exp(-d)
其中,β为Y1和Y2的相似性指标,d为Y1中像素点坐标均值与Y2中像素点坐标均值之间的欧式距离;且d越小表明这两个裂纹结构距离越近且相似度就越大,即相似性指标的值就越大,越可能表示的是同一个裂纹结构。
因此通过上述过程可以得到第1帧混凝土表面图像上的裂纹结构Y1与第2帧混凝土表面图像上的各裂纹结构之间的相似性指标,当Y1和Y2的相似性指标最大时,则Y2就是Y1对应的相似裂纹结构,若在之后的计算过程中出现第一帧混凝土表面图像上有其它的裂纹结构与Y2之间的相似性指标的值更大,将相似性指标的值更大的裂纹结构记为Y3,则Y2将不再是Y1对应的相似裂纹结构,Y2将是Y3对应的相似裂纹结构;按照上述找相似裂纹结构的方式可以得到第2帧混凝土表面图像上与第1帧混凝土表面图像上的各裂纹结构对应的相似裂纹结构,即可以得到第i+1帧混凝土表面图像上与第i帧混凝土表面图像上的各裂纹结构对应的相似裂纹结构。
本实施例中,将第i帧混凝土表面图像上的各裂纹结构与得到的第i+1帧混凝土表面图像上与第i帧混凝土表面图像上的各裂纹结构对应的相似裂纹结构进行边缘匹配成对,且满足所有匹配成对的裂纹结构的相似性指标之和最大;本实施例使用KM算法进行边缘匹配,且KM算法为公知技术,因此本实施例不做详细描述。
步骤S004,根据第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间的形变差异,得到第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标。
本实施例中,匹配成对的两条裂纹结构都表示为同一个裂纹结构,只是第i帧混凝土表面图像上裂纹结构在受到压力下发生了形变,才变成了第i+1帧混凝土表面图像上的裂纹结构;本实施例通过分析第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间的形变差异,得到第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标;根据如下公式计算第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标:
其中,Hi,i+1,j为第i帧混凝土表面图像上的第j个裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间的形变因子,p为第j个裂纹结构上的任意像素点坐标对应的向量,L1为第j个裂纹结构上的所有像素点坐标对应的向量集合,p0为与第j个裂纹结构对应的相似裂纹结构上的任意像素点坐标对应的向量,L2为与第j个裂纹结构对应的相似裂纹结构上的所有像素点坐标对应的向量集合,s为形变因子取最小值时第i+1帧混凝土表面图像上与第j个裂纹结构对应的相似裂纹结构的缩放形变指标,t为形变因子取最小值时第i+1帧混凝土表面图像上与第j个裂纹结构对应的相似裂纹结构的平移形变指标,为L1经过缩放平移之后对应的形变向量集合,Hu(L1)为L1对应Hu矩,为对应的Hu矩。
本实施例中,缩放形变指标为一个缩放矩阵其中,其中s1和s2是未知标量;平移形变指标为一个平移向量t,t是未知的行向量;且中的向量都是经过缩放平移之后得到的,例如第j个裂纹结构上的任意像素点坐标对应的向量p经过缩放平移之后得到的对应的形变向量本实施例中,在已知像素点坐标和对应灰度值的前提下计算Hu矩的方法是公知的,因此本实施例不再具体描述计算方法。
本实施例中,第i帧混凝土表面图像上的第j个裂纹结构对应的L1经过缩放平移之后,即经过缩放平移之后满足能与第i+1帧混凝土表面图像上对应的相似裂纹结构中的像素点坐标重合,则上述公式中满足第i帧混凝土表面图像上的第j个裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间的形变因子Hi,i+1,j的值最小,即对应最小,同时 最小,则使得第j个裂纹结构上的任意像素点坐标对应的向量p经过缩放平移之后趋近于与第j个裂纹结构对应的相似裂纹结构上的任意像素点坐标对应的向量p0;本实施例中最小,可以表明L1经过缩放平移之后更趋近于即L1经过缩放平移之后与的相似度越高。本实施例中,当形变因子Hi,i+1,j的值最小时,可以确定对应的缩放形变指标、平移形变指标以及对应的Hu矩。
本实施例中,根据第i+1帧混凝土表面图像上与第j个裂纹结构对应的相似裂纹结构的缩放形变指标和第i+1帧混凝土表面图像上与第j个裂纹结构对应的相似裂纹结构的平移形变指标,得到第i+1帧混凝土表面图像上与第i帧混凝土表面图像上的第j个裂纹结构对应的相似裂纹结构的形变指标,即可以得到第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标,当在第i+1帧混凝土表面图像上有裂纹结构不是第i帧混凝土表面图像上各裂纹结构对应的相似裂纹结构时,表明这些裂纹结构是在第i+1帧时新生长出来的,对应的这些新生长出来的裂纹结构的形变指标为零。
步骤S005,根据第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间像素点的差异,得到第i+1帧混凝土表面图像上的各裂纹结构对应的裂纹结构生长量和裂纹结构生长方向。
本实施例中,根据第i帧混凝土表面图像上的第j个裂纹结构中L1对应的 为各像素点坐标对应的向量集合,则得到对应的像素点集合,记为第一像素点集合,将与第i帧混凝土表面图像上的第j个裂纹结构对应的相似裂纹结构上的各像素点,记为第二像素点集合。本实施例中判断中任意一个第一像素点q1是否在第j个裂纹结构对应的相似裂纹结构上的任意一个第二像素点q2的8邻域内,若在,则第一像素点q1和第二像素点q2为重合的像素点;若不在,则第一像素点q1和第二像素点q2不是重合的像素;之后得到第二像素点集合不与第一像素点集合重合的所有像素点,将这些不重合的像素点集合记为第三像素点集合,则第三像素点集合表示的是第j个裂纹结构相对于其对应的相似裂纹结构生长出来的边缘,即也是由于混凝土材料受力而新产生的裂纹结构;本实施例将第三像素点集合中第三像素点的数量记为第j个裂纹结构对应的相似裂纹结构的裂纹结构生长量,因此通过上述过程可以得到第i+1帧混凝土表面图像上的各裂纹结构对应的裂纹结构生长量;且当在第i+1帧混凝土表面图像上有裂纹结构不是第i帧混凝土表面图像上各裂纹结构对应的相似裂纹结构时,表明这些裂纹结构是在第i+1帧时新生长出来的,对应的这些新生长出来的裂纹结构的裂纹结构生长量为零。
本实施例中,通过主成分分析法,得到第i+1帧混凝土表面图像上的各裂纹结构对应的裂纹结构生长量的主成分方向,所述主成分方向为特征值最大时对应的方向;本实施例将主成分方向记为一个单位向量,将第i+1帧混凝土表面图像上的各裂纹结构对应的裂纹结构生长量的主成分方向作为第i+1帧混凝土表面图像上的各裂纹结构对应的裂纹结构生长方向。
步骤S006,根据各混凝土表面图像上各裂纹结构对应的裂纹结构生长量和形变指标,得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度。
本实施例中,根据各混凝土表面图像上各裂纹结构对应的裂纹结构生长量和形变指标,得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度;且裂纹结构生长量和形变指标与各混凝土表面图像上的各裂纹结构对应的形变损毁程度成正相关关系;根据如下公式计算各混凝土表面图像上的各裂纹结构对应的形变损毁程度:
Wi+1,k=ln(h(||s||2+||t||2)+1)
其中,Wi+1,k为第i+1帧混凝土表面图像上的第k个裂纹结构的形变损毁程度,h为第k个裂纹结构对应的裂纹结构生长量,s为第k个裂纹结构对应的缩放形变指标,t为第k个裂纹结构对应的平移形变指标,||s||2为s对应的L2范数,||t||2为t对应的L2范数。
本实施例中,裂纹结构生长量和形变指标越大表示裂纹结构生长的越长,因此对应的形变损毁程度越大,则表明裂纹结构发生的形变大,裂纹结构分布范围大,对应的混凝土材料损毁严重;本实施例中第1帧混凝土表面图像上的各裂纹结构是初始获得的裂纹结构,没有新生长出来的裂纹结构,即对应的1帧混凝土表面图像上的各裂纹结构的裂纹结构生长量为零以及形变指标也为零,则1帧混凝土表面图像上的各裂纹结构对应的形变损毁程度为零。
本实施例中,计算各混凝土表面图像上的各裂纹结构对应的形变损毁程度的方法只是本实施例的一个优选,作为其它的实施方式,也可以使用其它的方法计算各混凝土表面图像上的各裂纹结构对应的形变损毁程度,但要满足裂纹结构生长量和形变指标与各混凝土表面图像上的各裂纹结构对应的形变损毁程度成正相关关系。
步骤S007,根据各混凝土表面图像上的各裂纹结构对应的形变损毁程度,得到最后一帧混凝土表面图像上各裂纹结构的开裂影响程度。
本实施例中,根据各混凝土表面图像对应的区域分割图像中的粗骨料区域,得到各区域分割图像上各裂纹结构在粗骨料区域中的像素点数量,以及各混凝土表面图像上各裂纹结构对应的像素点数量;根据各区域分割图像上各裂纹结构在粗骨料区域中的像素点数量和各混凝土表面图像上各裂纹结构对应的像素点数量,得到各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度;且各区域分割图像上各裂纹结构在粗骨料区域中的像素点数量与各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度成正相关关系,混凝土表面图像上各裂纹结构对应的像素点数量与各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度成负相关关系;根据如下公式计算各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度:
其中,Fi+1,k为第i+1帧混凝土表面图像上的第k个裂纹结构的粗骨料损毁程度,f1为第k个裂纹结构在第i+1帧混凝土表面图像对应的区域分割图像中的粗骨料区域中的像素点数量,f2为第i+1个混凝土表面图像上的第k个裂纹结构中的像素点数量。
本实施例中,计算各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度的方法只是本实施例的一个优选,作为其它的实施方式,也可以使用其它的方法计算各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度,但要满足各区域分割图像上各裂纹结构在粗骨料区域中的像素点数量与各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度成正相关关系,混凝土表面图像上各裂纹结构对应的像素点数量与各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度成负相关关系。
本实施例中,根据各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度和各混凝土表面图像上各裂纹结构对应的形变损毁程度,得到最后一帧混凝土表面图像上的各裂纹结构对应的粗骨料损毁程度序列和形变损毁程度序列;根据粗骨料损毁程度序列和形变损毁程度序列,得到最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度;本实施例中,根据如下公式计算最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度:
Aa=m1+(f+1)m2
其中,Aa为最后一帧混凝土表面图像上的第a个裂纹结构对应的开裂影响程度,m1为第a个裂纹结构对应的形变损毁程度序列中大于设定阈值的各形变损毁程度的均值,f第a个裂纹结构对应的形变损毁程度序列与粗骨料损毁程度序列的皮尔逊相关系数,m2为第a个裂纹结构对应的粗骨料损毁程度序列中的最大值。
本实施例中,将最后一帧混凝土表面图像上的各裂纹结构对应的形变损毁程度序列按照从大到小的顺序排列,且本实施例中设定阈值为最后一帧混凝土表面图像上的各裂纹结构对应的形变损毁程度序列中排在第六的形变损毁程度的值,则计算最后一帧混凝土表面图像上的各裂纹结构对应的形变损毁程度序列中排在前五的形变损毁程度的均值,之后选取最后一帧混凝土表面图像上的各裂纹结构对应的粗骨料损毁程度序列中的最大值;根据排在前五的形变损毁程度的均值和粗骨料损毁程度序列中最大值,得到最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度。
本实施例中,排在前五的形变损毁程度的均值和粗骨料损毁程度序列中最大值越大时表示混凝土材料在各裂纹结构处的承受强度越低,开裂越严重;f越大说明混凝土材料开裂时以粗骨料的开裂为主,此时粗骨料损毁程度对混凝土材料承受强度的影响越大;在本实施例中f的值是大于0的数;且排在前五的形变损毁程度的均值和粗骨料损毁程度序列中最大值与最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度成正相关关系。
作为其它的实施方式,也可以根据需求的不同为m1和m2设置不同的计算方式,例如m1可以是第a个裂纹结构对应的形变损毁程度序列中排在前八的形变损毁程度的均值,m1可以是第a个裂纹结构对应的粗骨料损毁程度序列中最大的两个粗骨料损毁程度值的均值。
本实施例中,是根据粗骨料损毁程度序列和形变损毁程度序列,得到最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度;作为其它的实时方式,也可以只根据形变损毁程度序列,得到最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度。
本实施例中,计算最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度的方法只是本实施例的一个优选,作为其它的实施方式,也可以使用其它的方法计算最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度,但要满足排在前五的形变损毁程度的均值和粗骨料损毁程度序列中最大值与最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度成正相关关系。
步骤S008,根据所述开裂影响程度,得到混凝土材料的承受强度。
本实施例中,根据第i+1帧混凝土表面图像上的各裂纹结构对应的裂纹结构生长方向,得到最后一帧混凝土表面图像上的各裂纹结构对应的裂纹生长方向序列;根据最后一帧混凝土表面图像上的各裂纹结构对应的裂纹生长方向序列和最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度,得到最后一帧混凝土表面图像上的各裂纹结构对应的分布区域的损毁风险;根据如下公式计算最后一帧混凝土表面图像上的各裂纹结构对应的分布区域的损毁风险:
其中,Da为最后一帧混凝土表面图像上的第a个裂纹结构对应的分布区域的损毁风险,B为最后一帧混凝土表面图像上各裂纹结构的总数量,c为最后一帧混凝土表面图像上的第a个裂纹结构的生长方向序列与第b个裂纹结构的生长方向序列之间的方向因子,Aa为第a个裂纹结构对应的开裂影响程度,da,b为第a个裂纹结构中像素值均值与第b个裂纹结构中像素值均值的距离,且a≠b。
本实施例中,获得最后一帧混凝土表面图像上的第a个裂纹结构中中点像素点的坐标,以及中点像素点对应的第a个裂纹结构的裂纹结构生长方向l1,之后获得最后一帧混凝土表面图像上的第b个裂纹结构中中点像素点的坐标,将两个中点像素点的坐标进行连接,得到向量l,之后获得第b个裂纹结构对应的裂纹结构生长方向l2;并计算l1与l之间的夹角ε1以及l2与l之间的夹角ε2;根据l1与l之间的夹角ε1以及l2与l之间的夹角ε2,得到最后一帧混凝土表面图像上的第a个裂纹结构的生长方向序列与第b个裂纹结构的生长方向序列之间的方向因子。
本实施例中,当夹角ε1与ε2的均值小于20度时,第a个裂纹结构的生长方向序列与第b个裂纹结构的生长方向序列之间的方向因子c=1;当夹角ε1与ε2的均值大于20度时,第a个裂纹结构的生长方向序列与第b个裂纹结构的生长方向序列之间的方向因子c=0;本实施例中,exp(-da,b)的值越大说明两个裂纹结构距离越近,则第a个裂纹结构对应的分布区域的损毁风险大,越容易因同时开裂而造成混凝土材料局部破坏;c越大说明两个裂纹结构朝相同一个区域的生长,说明这两个裂纹结构汇合的可能性大,即第a个裂纹结构对应的分布区域的损毁风险大;Aa越大说明第a个裂纹结构对应的分布区域的损毁风险大,同时还容易受到其它裂纹结构的影响。
作为其它的实施方式,也可以根据需求的不同设置不同的计算方式,例如可以是当夹角ε1与ε2的均值小于15度时,第a个裂纹结构的生长方向序列与第b个裂纹结构的生长方向序列之间的方向因子c=2;当夹角ε1与ε2的均值大于15度时,第a个裂纹结构的生长方向序列与第b个裂纹结构的生长方向序列之间的方向因子c=0。
本实施例中,对最后一帧混凝土表面图像上的各裂纹结构对应的分布区域的损毁风险求和,得到混凝土材料的损毁风险;混凝土材料的损毁风险可以反映混凝土材料的承受强度;本实施例中根据最后一帧混凝土表面图像上所受的力、最后一帧混凝土表面图像上受力的面积以及混凝土材料的损毁风险得到混凝土材料的承受强度;且最后一帧混凝土表面图像上所受的力与混凝土材料的承受强度成正相关关系,最后一帧混凝土表面图像上受力的面积以及混凝土材料的损毁风险与混凝土材料的承受强度成负相关关系;根据如下公式计算混凝土材料的承受强度:
其中,P为混凝土材料的承受强度,F为最后一帧混凝土表面图像上所受的力,S为最后一帧混凝土表面图像上受力的面积,D为混凝土材料的损毁风险。
本实施例根据各混凝土表面图像上各裂纹结构对应的裂纹结构生长量和形变指标,得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度;根据各混凝土表面图像上的各裂纹结构对应的形变损毁程度,得到最后一帧混凝土表面图像上各裂纹结构对应的开裂影响程度;根据开裂影响程度,得到混凝土材料的承受强度。本实施例将裂纹结构生长量和形变指标作为得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度的依据,将形变损毁程度作为得到最后一帧混凝土表面图像上各裂纹结构对应的开裂影响程度的依据,能准确反映混凝土材料在受力过程中的形变变化对混凝土强度的影响,能够减少检测过程中的误差,提高混凝土强度检测的准确度。
本实施例的基于人工智能的建筑材料强度检测系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述基于人工智能的建筑材料强度检测方法。
需要说明的是,上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣,在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。
Claims (10)
1.一种基于人工智能的建筑材料强度检测方法,其特征在于,该方法包括如下步骤:
连续获取多帧混凝土表面图像,所述多帧混凝土表面图像是在混凝土表面受到不同压力下获取的,第i帧混凝土表面图像对应的压力小于第i+1帧混凝土表面图像对应的压力,i≥1;
根据各混凝土表面图像,得到各混凝土表面图像对应的各裂纹结构;
将第i帧混凝土表面图像上的各裂纹结构和第i+1帧混凝土表面图像上的各裂纹结构进行相似性匹配,得到第i+1帧混凝土表面图像上与第i帧混凝土表面图像上的各裂纹结构对应的相似裂纹结构;
根据第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间的形变差异,得到第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标;
根据第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间像素点的差异,得到第i+1帧混凝土表面图像上的各裂纹结构对应的裂纹结构生长量和裂纹结构生长方向;
根据各混凝土表面图像上各裂纹结构对应的裂纹结构生长量和形变指标,得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度;
根据各混凝土表面图像上的各裂纹结构对应的形变损毁程度,得到最后一帧混凝土表面图像上各裂纹结构的开裂影响程度;
根据所述开裂影响程度,得到混凝土材料的承受强度。
2.如权利要求1所述的一种基于人工智能的建筑材料强度检测方法,其特征在于,所述得到各混凝土表面图像对应的各裂纹结构的方法包括:
将各混凝土表面图像输入到语义分割网络,得到各混凝土表面图像对应的区域分割图像;
根据所述各混凝土表面图像,得到各混凝土表面图像的细节边缘二值图;根据所述各混凝土表面图像对应的区域分割图像,得到各混凝土表面图像对应的区域分割图像的结构边缘二值图;
根据所述细节边缘二值图和所述结构边缘二值图,得到各混凝土表面图像对应的裂纹结构分布图;
根据所述各裂纹结构分布图,得到各混凝土表面图像对应的各裂纹结构,所述裂纹分布图上每条边缘为一个裂纹结构。
3.如权利要求1所述的一种基于人工智能的建筑材料强度检测方法,其特征在于,所述将第i帧混凝土表面图像上的各裂纹结构和第i+1帧混凝土表面图像上的各裂纹结构进行相似性匹配,得到第i+1帧混凝土表面图像上与第i帧混凝土表面图像上的各裂纹结构对应的相似裂纹结构,包括:
计算所述第i帧混凝土表面图像上的各裂纹结构与第i+1帧混凝土表面图像上的各裂纹结构之间的相似性指标;
对于第i帧混凝土表面图像上的各裂纹结构,选取第i+1帧混凝土表面图像上与该裂纹结构相似性指标最大的裂纹结构,作为该裂纹结构对应的相似裂纹结构。
4.如权利要求1所述的一种基于人工智能的建筑材料强度检测方法,其特征在于,所述得到第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标的方法包括:
根据如下公式计算第i+1帧混凝土表面图像上的各裂纹结构对应的形变指标:
其中,Hi,i+1,j为第i帧混凝土表面图像上的第j个裂纹结构与第i+1帧混凝土表面图像上对应的相似裂纹结构之间的形变因子,p为所述第j个裂纹结构上的任意像素点坐标对应的向量,L1为所述第j个裂纹结构上的所有像素点坐标对应的向量集合,p0为与所述第j个裂纹结构对应的相似裂纹结构上的任意像素点对应的向量,L2为与所述第j个裂纹结构对应的相似裂纹结构上的所有像素点坐标对应的向量集合,s为形变因子取最小值时第i+1帧混凝土表面图像上与所述第j个裂纹结构对应的相似裂纹结构的缩放形变指标,t为形变因子取最小值时第i+1帧混凝土表面图像上与所述第j个裂纹结构对应的相似裂纹结构的平移形变指标,为L1经过缩放平移之后对应的形变向量集合,Hu(L1)为L1对应Hu矩,为对应的Hu矩;
根据所述缩放形变指标和所述平移形变指标,得到第i+1帧混凝土表面图像上与第j个裂纹结构对应的相似裂纹结构的形变指标。
5.如权利要求1所述的一种基于人工智能的建筑材料强度检测方法,其特征在于,所述得到第i+1帧混凝土表面图像上的各裂纹结构对应的裂纹结构生长量的方法包括:
获得所述第i帧混凝土表面图像上的任意裂纹结构对应的各像素点,记为第一像素点集合;获得第i帧混凝土表面图像上该裂纹结构对应的相似性裂纹结构上的各像素点,记为第二像素点集合;
根据所述第二像素点集合中不与所述第一像素点集合中像素点重合的像素点的坐标,得到所述相似性裂纹结构对应的裂纹结构生长量。
6.如权利要求1所述的一种基于人工智能的建筑材料强度检测方法,其特征在于,所述得到各混凝土表面图像上的各裂纹结构对应的形变损毁程度的方法包括:
根据如下公式计算各混凝土表面图像上的各裂纹结构对应的形变损毁程度:
Wi+1,k=ln(h(||s||2+||t||2)+1)
其中,Wi+1,k为第i+1帧混凝土表面图像上的第k个裂纹结构的形变损毁程度,h为第k个裂纹结构对应的裂纹结构生长量,s为第k个裂纹结构对应的缩放形变指标,t为第k个裂纹结构对应的平移形变指标,||s||2为s对应的L2范数,||t||2为t对应的L2范数。
7.如权利要求2所述的一种基于人工智能的建筑材料强度检测方法,其特征在于,所述区域分割图像中包含粗骨料区域,所述得到最后一帧混凝土表面图像上各裂纹结构对应的开裂影响程度的方法包括:
根据所述各混凝土表面图像对应的区域分割图像中的粗骨料区域,得到各区域分割图像上各裂纹结构在粗骨料区域中的像素点数量,以及各混凝土表面图像上各裂纹结构对应的像素点数量;
根据所述各裂纹结构在粗骨料区域中的像素点数量和所述各混凝土表面图像上各裂纹结构对应的像素点数量,得到各混凝土表面图像上各裂纹结构对应的粗骨料损毁程度;
根据所述粗骨料损毁程度和所述形变损毁程度,得到最后一帧混凝土表面图像上的各裂纹结构对应的粗骨料损毁程度序列和形变损毁程度序列;
根据所述粗骨料损毁程度序列和所述形变损毁程度序列,得到最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度。
8.如权利要求7所述的一种基于人工智能的建筑材料强度检测方法,其特征在于,根据如下公式计算最后一帧混凝土表面图像上的各裂纹结构对应的开裂影响程度:
Aa=m1+(f+1)m2
其中,Aa为最后一帧混凝土表面图像上的第a个裂纹结构对应的开裂影响程度,m1为所述第a个裂纹结构对应的形变损毁程度序列中大于设定阈值的各形变损毁程度的均值,f第a个裂纹结构对应的形变损毁程度序列与粗骨料损毁程度序列的相关系数,m2为所述第a个裂纹结构对应的粗骨料损毁程度序列中的最大值。
9.如权利要求1所述的一种基于人工智能的建筑材料强度检测方法,其特征在于,所述得到混凝土材料的承受强度的方法,包括:
根据所述裂纹生长方向,得到最后一帧混凝土表面图像上的各裂纹结构对应的裂纹生长方向序列;
根据所述裂纹生长方向序列和所述开裂影响程度,得到最后一帧混凝土表面图像上的各裂纹结构对应的分布区域的损毁风险程度;
根据如下公式计算最后一帧混凝土表面图像上的各裂纹结构对应的分布区域的损毁风险程度:
其中,Da为最后一帧混凝土表面图像上的第a个裂纹结构对应的分布区域的损毁风险程度,B为最后一帧混凝土表面图像上各裂纹结构的总数量,c为最后一帧混凝土表面图像上的第a个裂纹结构的生长方向序列与第b个裂纹结构的生长方向序列之间的方向因子,Aa为第a个裂纹结构对应的开裂影响程度,da,b为第a个裂纹结构中像素值均值与第b个裂纹结构中像素值均值的之间的距离,且a≠b;
对最后一帧混凝土表面图像上的各裂纹结构对应的分布区域的损毁风险程度求和,得到混凝土材料的承受强度。
10.一种基于人工智能的建筑材料强度检测系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-9任一项所述的一种基于人工智能的建筑材料强度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259986.9A CN114839054B (zh) | 2022-03-16 | 2022-03-16 | 一种基于人工智能的建筑材料强度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259986.9A CN114839054B (zh) | 2022-03-16 | 2022-03-16 | 一种基于人工智能的建筑材料强度检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114839054A true CN114839054A (zh) | 2022-08-02 |
CN114839054B CN114839054B (zh) | 2023-02-28 |
Family
ID=82562677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210259986.9A Active CN114839054B (zh) | 2022-03-16 | 2022-03-16 | 一种基于人工智能的建筑材料强度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114839054B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008185510A (ja) * | 2007-01-31 | 2008-08-14 | Taisei Corp | ひび割れ検出方法 |
CN103593668A (zh) * | 2013-11-14 | 2014-02-19 | 昆明理工大学 | 一种金属板材冲压接头力学性能试验裂纹自动识别方法 |
CN103697823A (zh) * | 2013-12-27 | 2014-04-02 | 天津大学 | 用于断裂韧度的施力点位移和缺口张开位移的测量方法 |
CN104483330A (zh) * | 2014-11-11 | 2015-04-01 | 浙江大学 | 混凝土表面裂缝实时监测系统与开裂风险的动态评估方法 |
CN104574393A (zh) * | 2014-12-30 | 2015-04-29 | 北京恒达锦程图像技术有限公司 | 一种三维路面裂缝图像生成系统和方法 |
CN104777049A (zh) * | 2015-03-27 | 2015-07-15 | 中国人民解放军装甲兵工程学院 | 曲轴再制造寿命评估系统及方法 |
CN104865139A (zh) * | 2015-06-01 | 2015-08-26 | 南昌航空大学 | 一种用于离线ct检测条件下的疲劳裂纹三维扩展对比分析方法 |
CN105387809A (zh) * | 2014-08-28 | 2016-03-09 | 波音公司 | 用于检测裂纹增长的系统和方法 |
CN106097315A (zh) * | 2016-06-03 | 2016-11-09 | 河海大学常州校区 | 一种基于声呐图像的水下构筑物裂缝提取方法 |
WO2017130718A1 (ja) * | 2016-01-29 | 2017-08-03 | 富士フイルム株式会社 | ひび割れ検出装置、ひび割れ検出方法及びプログラム |
JP2017224196A (ja) * | 2016-06-16 | 2017-12-21 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN108846839A (zh) * | 2018-06-05 | 2018-11-20 | 中南大学 | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 |
CN108960325A (zh) * | 2018-07-03 | 2018-12-07 | 柳州市木子科技有限公司 | 一种基于SVM和Hog的汽车钣金件检测裂纹识别系统 |
JP2019039897A (ja) * | 2017-08-27 | 2019-03-14 | 圭浩 佐藤 | コンクリート表面のひび割れ検出方法及び検出プログラム |
CN109520817A (zh) * | 2018-11-16 | 2019-03-26 | 西北工业大学 | 复合材料断裂过程中裂纹尖端扩展长度实时测量方法 |
KR20190059639A (ko) * | 2017-11-23 | 2019-05-31 | 울산과학기술원 | 콘크리트 표면 균열 측정 장치 및 방법 |
WO2019162449A1 (fr) * | 2018-02-22 | 2019-08-29 | Universite Clermont Auvergne | Procede de mesure de champs de deplacements et de deformations avec marquage de type damier et traitement par methode spectrale |
CN110333243A (zh) * | 2019-07-17 | 2019-10-15 | 耿福宝 | 一种砌墙强度模拟检测系统及方法 |
CN110619146A (zh) * | 2019-08-12 | 2019-12-27 | 河北工业大学 | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 |
CN111681243A (zh) * | 2020-08-17 | 2020-09-18 | 广东利元亨智能装备股份有限公司 | 焊接图像处理方法、装置及电子设备 |
CN113446932A (zh) * | 2021-05-18 | 2021-09-28 | 西北工业大学 | 非接触式裂纹测量方法及其系统 |
CN113607546A (zh) * | 2021-08-10 | 2021-11-05 | 西北工业大学 | 一种裂纹测量方法 |
-
2022
- 2022-03-16 CN CN202210259986.9A patent/CN114839054B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008185510A (ja) * | 2007-01-31 | 2008-08-14 | Taisei Corp | ひび割れ検出方法 |
CN103593668A (zh) * | 2013-11-14 | 2014-02-19 | 昆明理工大学 | 一种金属板材冲压接头力学性能试验裂纹自动识别方法 |
CN103697823A (zh) * | 2013-12-27 | 2014-04-02 | 天津大学 | 用于断裂韧度的施力点位移和缺口张开位移的测量方法 |
CN105387809A (zh) * | 2014-08-28 | 2016-03-09 | 波音公司 | 用于检测裂纹增长的系统和方法 |
CN104483330A (zh) * | 2014-11-11 | 2015-04-01 | 浙江大学 | 混凝土表面裂缝实时监测系统与开裂风险的动态评估方法 |
CN104574393A (zh) * | 2014-12-30 | 2015-04-29 | 北京恒达锦程图像技术有限公司 | 一种三维路面裂缝图像生成系统和方法 |
CN104777049A (zh) * | 2015-03-27 | 2015-07-15 | 中国人民解放军装甲兵工程学院 | 曲轴再制造寿命评估系统及方法 |
CN104865139A (zh) * | 2015-06-01 | 2015-08-26 | 南昌航空大学 | 一种用于离线ct检测条件下的疲劳裂纹三维扩展对比分析方法 |
WO2017130718A1 (ja) * | 2016-01-29 | 2017-08-03 | 富士フイルム株式会社 | ひび割れ検出装置、ひび割れ検出方法及びプログラム |
CN106097315A (zh) * | 2016-06-03 | 2016-11-09 | 河海大学常州校区 | 一种基于声呐图像的水下构筑物裂缝提取方法 |
JP2017224196A (ja) * | 2016-06-16 | 2017-12-21 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP2019039897A (ja) * | 2017-08-27 | 2019-03-14 | 圭浩 佐藤 | コンクリート表面のひび割れ検出方法及び検出プログラム |
KR20190059639A (ko) * | 2017-11-23 | 2019-05-31 | 울산과학기술원 | 콘크리트 표면 균열 측정 장치 및 방법 |
WO2019162449A1 (fr) * | 2018-02-22 | 2019-08-29 | Universite Clermont Auvergne | Procede de mesure de champs de deplacements et de deformations avec marquage de type damier et traitement par methode spectrale |
CN108846839A (zh) * | 2018-06-05 | 2018-11-20 | 中南大学 | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 |
CN108960325A (zh) * | 2018-07-03 | 2018-12-07 | 柳州市木子科技有限公司 | 一种基于SVM和Hog的汽车钣金件检测裂纹识别系统 |
CN109520817A (zh) * | 2018-11-16 | 2019-03-26 | 西北工业大学 | 复合材料断裂过程中裂纹尖端扩展长度实时测量方法 |
CN110333243A (zh) * | 2019-07-17 | 2019-10-15 | 耿福宝 | 一种砌墙强度模拟检测系统及方法 |
CN110619146A (zh) * | 2019-08-12 | 2019-12-27 | 河北工业大学 | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 |
CN111681243A (zh) * | 2020-08-17 | 2020-09-18 | 广东利元亨智能装备股份有限公司 | 焊接图像处理方法、装置及电子设备 |
CN113446932A (zh) * | 2021-05-18 | 2021-09-28 | 西北工业大学 | 非接触式裂纹测量方法及其系统 |
CN113607546A (zh) * | 2021-08-10 | 2021-11-05 | 西北工业大学 | 一种裂纹测量方法 |
Non-Patent Citations (3)
Title |
---|
YIQING LIU 等: "Automated crack pattern recognition from images for condition assessment of concrete structures", 《AUTOMATION IN CONSTRUCTION》 * |
岳中文等: "切缝药包爆炸作用下裂纹扩展行为的试验研究", 《矿业研究与开发》 * |
郝景宏等: "基于CT图像处理技术的混凝土损伤演化研究", 《人民长江》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114839054B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN111028217A (zh) | 一种基于全卷积神经网络的图像裂缝分割方法 | |
CN111256594B (zh) | 一种飞机蒙皮表面状态物理特征的测量方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
GB2466818A (en) | Cell image segmentation using binary threshold and greyscale image processing | |
CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
Fernandez et al. | A new plant cell image segmentation algorithm | |
CN116258722B (zh) | 基于图像处理的桥梁建筑智能检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
Liang et al. | An extraction and classification algorithm for concrete cracks based on machine vision | |
CN115601379A (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN117274240A (zh) | 一种承台基础混凝土表面裂缝识别方法 | |
CN116205907A (zh) | 一种基于机器视觉的饰板缺陷检测方法 | |
Xin et al. | Contour line extraction from paper-based topographic maps | |
CN117011477B (zh) | 一种基于bim的钢结构形变监测处理方法及系统 | |
CN114839054B (zh) | 一种基于人工智能的建筑材料强度检测方法及系统 | |
CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及系统 | |
CN111626325B (zh) | 一种基于特征的图像匹配方法 | |
CN108229486B (zh) | 一种纤维识别分割方法 | |
CN112487642A (zh) | 一种基于漫水填充算法的疲劳断口形貌特征提取方法 | |
Zheng et al. | Wall crack detection technology based on image processing | |
CN116202874B (zh) | 一种排水管材柔韧性测试方法及系统 | |
Chen et al. | Coke microscopic image segmentation based on iterative grid clustering |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231213 Address after: 030000 No. 5, Fudong Street, Xinghualing District, Taiyuan City, Shanxi Province Patentee after: Shanxi architectural design and Research Institute Co.,Ltd. Address before: Room b408, University Pioneer Park, 99 University Road, Xuzhou hi tech Industrial Development Zone, Jiangsu Province, 221000 Patentee before: Xuzhou Dacheng Environmental Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |