CN115019252B - 混凝土质量检测方法、装置及监控设备 - Google Patents
混凝土质量检测方法、装置及监控设备 Download PDFInfo
- Publication number
- CN115019252B CN115019252B CN202210631220.9A CN202210631220A CN115019252B CN 115019252 B CN115019252 B CN 115019252B CN 202210631220 A CN202210631220 A CN 202210631220A CN 115019252 B CN115019252 B CN 115019252B
- Authority
- CN
- China
- Prior art keywords
- concrete
- quality detection
- detection model
- concrete quality
- preset
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 159
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000012937 correction Methods 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 30
- 238000013145 classification model Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000005553 drilling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000001883 cholelithiasis Diseases 0.000 description 1
- 230000001112 coagulating effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Ceramic Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本申请涉及一种混凝土质量检测方法、装置及监控设备，混凝土质量检测方法包括获取混凝土运输车入料口的监控视频，将监控视频输入预设混凝土质量检测模型，获取人工对预设混凝土质量检测模型输出结果的纠正数据，根据纠正数据修正预设混凝土质量检测模型得到最终混凝土质量检测模型，利用最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果，能够在装车运往施工现场前对混凝土进行质量检测，并且检测结果更加精确、准确。
Description
技术领域
本申请属于混凝土检测技术领域，具体涉及一种混凝土质量检测方法、装置及监控设备。
背景技术
混凝土是现代建筑工程中的主要材料，保证混凝土的质量是十分必要的，这样才能确保建筑质量。混凝土质量的检测对混凝土生产公司产生的影响可以体现在以下两方面：一是企业加强了混凝土生产质量的控制，减少了产品调度的运输成本，从而提高了企业的利润；二是企业为用户提供了质量稳定的产品，打造了企业在业界的口碑，提升了产品的传播力。凝土质量的检测对用户产生的影响可以体现在以下两方面：一是用户更容易获得质量稳定、操作性能较好的混凝土；二是用户更愿意与企业建立长期的合作关系，谋求双赢。混凝土是由骨料、胶凝材料、掺合料、外加剂以及水搅拌均匀凝结、硬化而成的一种人造混合石材。混凝土材料是工业和民用建筑以及交通、水利、市政等建设工程中用量最大的材料。随着社会的发展，商品混凝土在建筑当中的使用越来越广，同时对混凝土本身的强度以及其他使用性能的要求也越来越高。传统的混凝土质量检测技术大多在施工现场实施，即在混凝土半成品制作完成运往施工现场后检测混凝土是否存在裂纹等缺陷，并没有在混凝土生产过程中进行检测，检测滞后性带来生产成本增加。另外，现有混凝土质量检测方法主要为回弹法、钻芯法、雷达法、超声回弹综合法。其中，回弹法在测量混凝土抗压强度时，精确度不够；雷达法成本太高，而且受钢筋低阻屏蔽作用较大；钻芯法在精度上很有优势，但需要耗费大量的时间和财力，还有可能破坏混凝土；超声回弹综合法结构简单，易于操作，应用方便，但涉及公式太多，计算起来较为复杂，还不能对混凝土的质量做出一个十分精确的反映，影响企业生产效率。
发明内容
为至少在一定程度上克服传统的混凝土质量检测技术在混凝土初步制作完成后统一进行质量检测，存在滞后性，并且，传统的混凝土质量检测方法计算复杂，检测结果不精确的问题，本申请提供一种混凝土质量检测方法、装置及监控设备。
第一方面，本申请提供一种混凝土质量检测方法，包括：
获取混凝土运输车入料口的监控视频；
将所述监控视频输入预设混凝土质量检测模型；
获取人工对所述预设混凝土质量检测模型输出结果的纠正数据；
根据所述纠正数据修正所述预设混凝土质量检测模型得到最终混凝土质量检测模型；
利用所述最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果。
进一步的，所述将所述监控视频输入预设混凝土质量检测模型，包括：
从所述监控视频中定位出混凝土的堆料区域；
通过监测根据所述堆料区域判断是否存在混凝土堆料；
若是，将所述混凝土堆料对应图像输入预设混凝土质量检测模型。
进一步的，所述从所述监控视频中定位出混凝土的堆料区域，包括：
使用帧间差分方法，从所述监控视频中定位出混凝土的堆料区域。
进一步的，还包括：
获取训练数据；
使用所述训练数据对所述预设混凝土质量检测模型进行训练；
将所述监控视频输入训练好的预设混凝土质量检测模型。
进一步的，所述获取训练数据包括：
从所述监控视频中选取兴趣帧序列，对兴趣帧序列做裁剪得到有效图像区域和边界框；
根据所述有效图像区域和边界框获取混凝土的下料时间；
获取所述下料时间对应时刻检测到混凝土的标签，所述标签包括车号、任务单号、运距、浇注方式、施工部位、砼强度和坍落度要求中的一种或多种；
获取混凝土的人工质量分类信息；
将所述混凝土的下料时间、标签与人工质量分类信息进行整合得到训练数据。
进一步的，所述预设混凝土质量检测模型，包括：
目标检测模型和分类模型；
所述目标检测模型用于定位出堆料区域；
所述分类模型用于对所述堆料区域中的混凝土进行质量分类。
进一步的，所述目标检测模型为YOLO模型。
进一步的，所述目标检测模型为UNet模型。
第二方面，本申请提供一种混凝土质量检测装置，包括：
第一获取模块，用于获取混凝土运输车入料口的监控视频；
输入模块，用于将所述监控视频输入预设混凝土质量检测模型；
第二获取模块，用于获取人工对所述预设混凝土质量检测模型输出结果的纠正数据；
修正模块，用于根据所述纠正数据修正所述预设混凝土质量检测模型得到最终混凝土质量检测模型；
检测模块，用于利用所述最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果。
第三方面，本申请提供一种监控设备，包括：
如第二方面所述的混凝土质量检测装置。
本申请的实施例提供的技术方案可以包括以下有益效果：
本发明实施例提供的混凝土质量检测方法、装置及监控设备，通过获取混凝土运输车入料口的监控视频，将监控视频输入预设混凝土质量检测模型，获取人工对预设混凝土质量检测模型输出结果的纠正数据，根据纠正数据修正预设混凝土质量检测模型得到最终混凝土质量检测模型，利用最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果，能够在装车运往施工现场前对混凝土进行质量检测，并且检测结果更加精确、准确。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请一个实施例提供的一种混凝土质量检测方法的流程图。
图2为本申请另一个实施例提供的一种混凝土质量检测方法的流程图。
图3为本申请一个实施例提供的一种帧间差分方法的流程图。
图4为本申请一个实施例提供的一种目标检测模型YOLO的结构图。
图5为本申请一个实施例提供的一种图像分类模型UNet的结构图。
图6为本申请一个实施例提供的一种混凝土质量检测装置的功能结构图。
图7为本申请一个实施例提供的一种混凝土质量检测装置的功能逻辑结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
图1为本申请一个实施例提供的混凝土质量检测方法的流程图，如图1所示，该混凝土质量检测方法包括：
S11：获取混凝土运输车入料口的监控视频；
S12：将监控视频输入预设混凝土质量检测模型；
S13：获取人工对预设混凝土质量检测模型输出结果的纠正数据；
S14：根据纠正数据修正预设混凝土质量检测模型得到最终混凝土质量检测模型；
S15：利用最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果。
传统的混凝土质量检测技术大多在施工现场实施，即在混凝土半成品制作完成运往施工现场后检测混凝土是否存在裂纹等缺陷，并没有在混凝土生产过程中进行检测，检测滞后性带来生产成本增加。另外，现有混凝土质量检测方法主要为回弹法、钻芯法、雷达法、超声回弹综合法。其中，回弹法在测量混凝土抗压强度时，精确度不够；雷达法成本太高，而且受钢筋低阻屏蔽作用较大；钻芯法在精度上很有优势，但需要耗费大量的时间和财力，还有可能破坏混凝土；超声回弹综合法结构简单，易于操作，应用方便，但涉及公式太多，计算起来较为复杂，还不能对混凝土的质量做出一个十分精确的反映，影响企业生产效率。
本实施例中，通过获取混凝土运输车入料口的监控视频，将监控视频输入预设混凝土质量检测模型，获取人工对预设混凝土质量检测模型输出结果的纠正数据，根据纠正数据修正预设混凝土质量检测模型得到最终混凝土质量检测模型，利用最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果，能够在装车运往施工现场前对混凝土进行质量检测，并且检测结果更加精确、准确。
本发明实施例提供另一种混凝土质量检测方法，如图2所示的流程图，该WEB应用单点登录方法包括：
S21：获取训练数据；
一些实施例中，获取训练数据包括：
S211：从监控视频中选取兴趣帧序列，对兴趣帧序列做裁剪得到有效图像区域和边界框；
S212：根据有效图像区域和边界框获取混凝土的下料时间；
通过获取下料时间，在下料时才启动检测，减少资源消耗。
S213：获取下料时间对应时刻检测到混凝土的标签，标签包括车号、任务单号、运距、浇注方式、施工部位、砼强度和坍落度要求中的一种或多种；
一些实施例中，通过ERP系统，获取训练数据相关的视频内容以及与之对应的标签。具体地，
混凝土运输车入料口的监控视频为需要被获取的训练数据相关的视频内容vi；车号
任务单号
运距
浇注方式
施工部位
砼强度
坍落度要求
信息为需要被获取的标签li。即
S214：获取混凝土的人工质量分类信息；
使用搭建的数据采集标注平台，请工程师或经验丰富的工人对混凝土运输车入料口的堆料情况进行人工识辨，分析并判断混凝土的质量情况，使用混凝土生产标准中的标号计量，记为ci。
S215：将混凝土的下料时间、标签与人工质量分类信息进行整合得到训练数据。
从监控视频内容vi中选取兴趣帧序列fij，对兴趣帧序列fij做裁剪，仅保留有效的图像区域rij和边界框bij。
将标签内容li、混凝土下料时间ti和混凝土强度标号ci信息，整合成为最终的一个数据内容标签Li。即Li＝[li，ti，ci]T。
S22：使用训练数据对预设混凝土质量检测模型进行训练；
S23：获取混凝土运输车入料口的监控视频；
结合搅拌站实际情况和现场质检需求，选取搅拌站下料口为检测窗口，摄像头采用斜45度角安装方式，并对现场进行处理，避免对阳光对下料口的直射。
S24：从监控视频中定位出混凝土的堆料区域；
使用帧间差分的方法，得到视频图像中混凝土下料的区域Rn。根据得到的Rn信息，得到下料时间ti。其中，帧间差分法的流程如图3所示。
一些实施例中，使用帧间差分方法，从监控视频中定位出混凝土的堆料区域。
S25：通过监测根据堆料区域判断是否存在混凝土堆料；
S26：若是，将混凝土堆料对应图像输入训练好的预设混凝土质量检测模型。
一些实施例中，预设混凝土质量检测模型，包括：
目标检测模型和分类模型；
所述目标检测模型用于定位出堆料区域；
所述分类模型用于对所述堆料区域中的混凝土进行质量分类。
目标检测模型例如为VOLO模型。YOLO模型，其结构如图4所示。使用图像内容rij和边界框bij对其进行训练，得到三个Scale的预测结果，定位到堆料区域Ri。
目标检测模型例如为UNet模型。UNet模型，其结构如图5所示。使用定位到的堆料区域和标签对其进行训练，用以得到混凝土质量的分类结果Ci。该分类结果综合考量混凝土类型对应的坍落度，坍落度第一类t1为坍落度在160mm以下，第二类t2为160mm-220mm，第三类t3为220mm以上；混凝土类型第一类b1为C10-C25，第二类b2为C30到C45，第三类b3为C50-C60。因此分类结果用标号表示分别为t1b1，t1b2，t1b3，t2b1，t2b2，t2b3，t3b1，t3b2，t3b3。
S27：获取人工对所述预设混凝土质量检测模型输出结果的纠正数据；
S28：根据纠正数据修正预设混凝土质量检测模型得到最终混凝土质量检测模型；
将错误的分类结果Ci人工纠正为Ci，将原有的数据rij、bij和修正后的分类结果Ci重新输入模型中，对分类模型进行重复训练，增强整体模型的分类准确性。
S29：利用最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果。
一些实施例中，还包括：
将训练好的模型部署在混凝土运输车入料口的监控设备上，观看监控的工作人员能够实时看到堆料区域与对应的分类结果。
由于边缘计算设备的高速发展和计算机视觉相关理论与技术的不断完善，研究人员提出了一些基于机器视觉的混凝土质量检测方法。这些方法相比于传统检测方法，不仅检测方式更加便捷、简单，而且检测速率快，能有效的提高生产效率和减少人工成本。但同时，由于真实工程环境复杂，其采集的图像中的干扰因素较多，导致在检测分类过程中，误检分类的情况较多，检测分类率不高。
本实施例提供的混凝土质量检测方法，充分考虑了工程环境特征，使用相关算法模型进行质量检测，极大程度地提高了混凝土质量检测分类的准确率。使用摄像头等设备捕获混凝土相关图像，通过图像分析混凝土的各项特征，将特征量化后使用深度学习的方法对检测模型进行训练，通过模型输出的结果实现对混凝土质量进行预警和分类的预期目标。
图6为本申请一个实施例提供的混凝土质量检测装置的功能结构图，如图6所示，该混凝土质量检测装置包括：
第一获取模块61，用于获取混凝土运输车入料口的监控视频；
输入模块62，用于将监控视频输入预设混凝土质量检测模型；
第二获取模块63，用于获取人工对预设混凝土质量检测模型输出结果的纠正数据；
修正模块64，用于根据纠正数据修正预设混凝土质量检测模型得到最终混凝土质量检测模型；
检测模块65，用于利用最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果。
一些实施例中，如图7所示，该混凝土质量检测装置包括混凝土数据采集模块，主要负责相关数据和标签的采集工作。通过视频探头捕获所需的图像数据，通过ERP系统的接口获取对应数据的标签，通过搭建的数据采集标注平台对相应图像中混凝土质量进行人工标注。数据预处理与特征提取模块，主要负责原始数据的预处理与相关数据标签的整合以及对混凝土相关物理特征的提取工作。通过基本的图像操作进行图像缩放对齐与图像增强，通过数字图像处理相关算法获取混凝土的流动特征、粒径特征、密度特征与颜色特征等。
一些实施例中，还包括质量检测模型训练模块，主要负责混凝土质量检测模型的训练工作。混凝土质量检测模型主要由一个目标检测模型与一个图像分类模型组成，二者在逻辑上成顺序关系。基于现场分析边缘网关，进行模型的训练。
模型应用模块，主要负责训练得到的模型的智能应用工作。基于应用分析服务器，实现质量预警、质量分类、统计分析、模型再训练等功能。
本实施例中，通过第一获取模块，用于获取混凝土运输车入料口的监控视频；输入模块，用于将所述监控视频输入预设混凝土质量检测模型；第二获取模块，用于获取人工对所述预设混凝土质量检测模型输出结果的纠正数据；修正模块，用于根据所述纠正数据修正所述预设混凝土质量检测模型得到最终混凝土质量检测模型；检测模块，用于利用所述最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果，能够在装车运往施工现场前对混凝土进行质量检测，并且检测结果更加精确、准确。
本发明实施例提供一种监控设备，包括：如上述实施例所述的混凝土质量检测装置。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
需要说明的是，本发明不局限于上述最佳实施方式，本领域技术人员在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。
Claims (8)
1.一种混凝土质量检测方法，其特征在于，包括：
获取混凝土运输车入料口的监控视频；
将所述监控视频输入预设混凝土质量检测模型；
获取人工对所述预设混凝土质量检测模型输出结果的纠正数据；
根据所述纠正数据修正所述预设混凝土质量检测模型得到最终混凝土质量检测模型；
利用所述最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果；
所述方法还包括：
获取训练数据；
使用所述训练数据对所述预设混凝土质量检测模型进行训练；
将所述监控视频输入训练好的预设混凝土质量检测模型；
所述获取训练数据包括：
从所述监控视频中选取兴趣帧序列，对兴趣帧序列做裁剪得到有效图像区域和边界框；
根据所述有效图像区域和边界框获取混凝土的下料时间；
获取所述下料时间对应时刻检测到混凝土的标签，所述标签包括车号、任务单号、运距、浇注方式、施工部位、砼强度和坍落度要求中的一种或多种；
获取混凝土的人工质量分类信息；
将所述混凝土的下料时间、标签与人工质量分类信息进行整合得到训练数据。
2.根据权利要求1所述的混凝土质量检测方法，其特征在于，所述将所述监控视频输入预设混凝土质量检测模型，包括：
从所述监控视频中定位出混凝土的堆料区域；
通过监测根据所述堆料区域判断是否存在混凝土堆料；
若是，将所述混凝土堆料对应图像输入预设混凝土质量检测模型。
3.根据权利要求2所述的混凝土质量检测方法，其特征在于，所述从所述监控视频中定位出混凝土的堆料区域，包括：
使用帧间差分方法，从所述监控视频中定位出混凝土的堆料区域。
4.根据权利要求1所述的混凝土质量检测方法，其特征在于，所述预设混凝土质量检测模型，包括：
目标检测模型和分类模型；
所述目标检测模型用于定位出堆料区域；
所述分类模型用于对所述堆料区域中的混凝土进行质量分类。
5.根据权利要求4所述的混凝土质量检测方法，其特征在于，所述目标检测模型为YOLO模型。
6.根据权利要求4所述的混凝土质量检测方法，其特征在于，所述目标检测模型为UNet模型。
7.一种混凝土质量检测装置，其特征在于，包括：
第一获取模块，用于获取混凝土运输车入料口的监控视频；
输入模块，用于将所述监控视频输入预设混凝土质量检测模型；
第二获取模块，用于获取人工对所述预设混凝土质量检测模型输出结果的纠正数据；
修正模块，用于根据所述纠正数据修正所述预设混凝土质量检测模型得到最终混凝土质量检测模型；
检测模块，用于利用所述最终混凝土质量检测模型对混凝土进行实时质量检测，得到混凝土质量分类结果
模型训练模块，用于获取训练数据，使用所述训练数据对所述预设混凝土质量检测模型进行训练，将所述监控视频输入训练好的预设混凝土质量检测模型；其中，获取训练数据过程具体包括：从所述监控视频中选取兴趣帧序列，对兴趣帧序列做裁剪得到有效图像区域和边界框；根据所述有效图像区域和边界框获取混凝土的下料时间；获取所述下料时间对应时刻检测到混凝土的标签，所述标签包括车号、任务单号、运距、浇注方式、施工部位、砼强度和坍落度要求中的一种或多种；获取混凝土的人工质量分类信息；将所述混凝土的下料时间、标签与人工质量分类信息进行整合得到训练数据。
8.一种监控设备，其特征在于，包括：如权利要求7所述的混凝土质量检测装置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210187447 | 2022-02-28 | ||
| CN2022101874479 | 2022-02-28 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115019252A CN115019252A (zh) | 2022-09-06 |
| CN115019252B true CN115019252B (zh) | 2023-04-07 |
Family
ID=83073662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210631220.9A Active CN115019252B (zh) | 2022-02-28 | 2022-06-06 | 混凝土质量检测方法、装置及监控设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115019252B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116166839B (zh) * | 2023-03-01 | 2023-09-12 | 广州广检建设工程检测中心有限公司 | 一种钻芯过程监管系统、方法、介质及计算机 |
| CN118552091A (zh) * | 2024-07-29 | 2024-08-27 | 山东省水利科学研究院 | 一种水利工程混凝土质量检测分析系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657564A (zh) * | 2018-11-28 | 2019-04-19 | 深圳市中电数通智慧安全科技股份有限公司 | 一种人员在岗检测方法、装置、存储介质及终端设备 |
| CN112837038A (zh) * | 2021-02-07 | 2021-05-25 | 广东宏茂建设管理有限公司 | 一种混凝土预制构件的全过程管理系统 |
| CN113908362A (zh) * | 2021-10-13 | 2022-01-11 | 南方医科大学珠江医院 | 基于大数据的ecmo护理质量控制方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582188B (zh) * | 2020-05-11 | 2022-04-26 | 广东创成建设监理咨询有限公司 | 一种基于人工智能的混凝土浇筑旁站监理方法 |
| CN112924654B (zh) * | 2021-01-15 | 2023-06-02 | 重庆交通大学 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
| CN114002415A (zh) * | 2021-10-29 | 2022-02-01 | 商车云(北京)科技有限公司 | 一种混凝土塌落度视觉人工智能实时检测设备及方法 |
-
2022
- 2022-06-06 CN CN202210631220.9A patent/CN115019252B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657564A (zh) * | 2018-11-28 | 2019-04-19 | 深圳市中电数通智慧安全科技股份有限公司 | 一种人员在岗检测方法、装置、存储介质及终端设备 |
| CN112837038A (zh) * | 2021-02-07 | 2021-05-25 | 广东宏茂建设管理有限公司 | 一种混凝土预制构件的全过程管理系统 |
| CN113908362A (zh) * | 2021-10-13 | 2022-01-11 | 南方医科大学珠江医院 | 基于大数据的ecmo护理质量控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115019252A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115019252B (zh) | 混凝土质量检测方法、装置及监控设备 | |
| Deng et al. | Concrete crack detection with handwriting script interferences using faster region‐based convolutional neural network | |
| Duque et al. | Bridge deterioration quantification protocol using UAV | |
| CN105956942B (zh) | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 | |
| Abdel-Qader et al. | Analysis of edge-detection techniques for crack identification in bridges | |
| Chan et al. | Defining a conceptual framework for the integration of modelling and advanced imaging for improving the reliability and efficiency of bridge assessments | |
| 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 | |
| Zhu et al. | Machine vision-based concrete surface quality assessment | |
| Schmugge et al. | Crack segmentation by leveraging multiple frames of varying illumination | |
| CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
| US20200357191A1 (en) | Systems and methods for detection of anomalies in civil infrastructure using context aware semantic computer vision techniques | |
| CN112347985A (zh) | 一种物料类别检测方法及装置 | |
| CN111060521A (zh) | 一种预制混凝土t梁表面气泡数量与面积的检测方法 | |
| Wei et al. | Automated bughole detection and quality performance assessment of concrete using image processing and deep convolutional neural networks | |
| CN114723709A (zh) | 隧道病害检测方法、装置和电子设备 | |
| CN111830070A (zh) | 一种基于边缘计算的缺陷自动识别评判系统及方法 | |
| CN114295050B (zh) | 基于卷积神经网络的预制混凝土板多尺寸检测方法及系统 | |
| Ko et al. | Developing a free and open-source semi-automated building exterior crack inspection software for construction and facility managers | |
| KR102292602B1 (ko) | 딥러닝 및 이미지 프로세싱 기반 볼트 풀림 검출 방법 | |
| CN116543327A (zh) | 作业人员工种识别的方法、装置、计算机设备及存储介质 | |
| Ferrer-Espinoza et al. | Evaluation of the use of Cascade Detection algorithms based on Machine Learning for Crack Detection in asphalt Pavements | |
| Hui et al. | Real-time brick counting for construction progress monitoring | |
| CN111695576A (zh) | 一种基于神经网络的电能表外观快速识别方法 | |
| Chen et al. | Automated detection for the reserved rebars of bridge pile caps based on point cloud data and BIM | |
| Patel et al. | Convolution Neural Network-Based Machine Learning Approach for Visual Inspection of Concrete Structures |
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 |