CN115294127A - 一种混凝土制品生产异常预警系统 - Google Patents
一种混凝土制品生产异常预警系统 Download PDFInfo
- Publication number
- CN115294127A CN115294127A CN202211219840.8A CN202211219840A CN115294127A CN 115294127 A CN115294127 A CN 115294127A CN 202211219840 A CN202211219840 A CN 202211219840A CN 115294127 A CN115294127 A CN 115294127A
- Authority
- CN
- China
- Prior art keywords
- concrete
- area image
- image
- mixture
- product
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 239000000203 mixture Substances 0.000 claims abstract description 130
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000005192 partition Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000008859 change Effects 0.000 description 10
- 239000000463 material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 125000004432 carbon atom Chemical group C* 0.000 description 3
- 239000004568 cement Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000264877 Hippospongia communis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- 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
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ceramic Engineering (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及报警装置领域,具体涉及一种混凝土制品生产异常预警系统,包括:采集模块:采集混凝土制品图像、混凝土拌合物图像和高度;处理模块:获取第一、第二和第三混凝土图像;计算模块:利用第一和第二混凝土图像得到拌合物的坍落度,进而得到拌合物的坍落度差异值;构建梯度矩阵,利用梯度矩阵得到第三混凝土图像的局部平均梯度;利用梯度矩阵及其转置矩阵得到第三混凝土图像的整体相似性;利用局部平均梯度和整体相似性得到混凝土制品的匀密性;利用坍落度差异值和匀密性得到混凝土制品的异常评估值;预警模块:利用异常评估值对混凝土制品的生产异常进行预警。上述系统用于对混凝土制品的生产异常进行预警,可提高预警的准确度。
Description
技术领域
本发明涉及报警装置领域,具体涉及一种混凝土制品生产异常预警系统。
背景技术
随着社会的发展,人们对混凝土制品的需求量越来越大。混凝土制品作为建筑的主体材料,混凝土制品的质量影响着建筑的质量。因此,对混凝土制品的质量把控显得尤为重要。
目前,企业通过对混凝土制品生产过程中采集的传感器数据进行分析,实现对混凝土制品生产异常的判断。
但是,目前的混凝土制品生产异常判断方法是根据每种传感器数据对混凝土制品的生产异常进行判断,无法得到一个综合的判断标准,影响对混凝土制品生产异常的判断准确度。
发明内容
本发明提供一种混凝土制品生产异常预警系统,以解决现有的混凝土制品生产异常判断方法准确度低的问题。
为达到上述目的,本发明采用如下技术方案,一种混凝土制品生产异常预警系统,包括采集模块、处理模块、计算模块和预警模块:
采集模块:用于采集混凝土拌合物全部进入模具时的表面图像、混凝土拌合物静置若干秒后的表面图像和混凝土拌合物被浇铺振捣后的混凝土制品表面图像;
用于采集混凝土拌合物全部进入模具时的混凝土拌合物的高度和混凝土拌合物静置若干秒后的混凝土拌合物的高度;
处理模块:用于分别对混凝土制品表面图像和两种混凝土拌合物表面图像进行分割,获取混凝土拌合物全部进入模具时的表面图像对应的第一混凝土区域图像、混凝土拌合物静置若干秒后的表面图像对应的第二混凝土区域图像和混凝土制品表面图像对应的第三混凝土区域图像;
计算模块:用于利用第一混凝土区域图像和第二混凝土区域图像的相似性、该两幅图像拍摄的间隔时间和该两幅图像对应的混凝土拌合物的高度差,计算得到混凝土拌合物的坍落度;
获取混凝土拌合物的标准坍落度,对混凝土拌合物的坍落度与混凝土拌合物的标准坍落度进行作差,得到混凝土拌合物的坍落度差异值;
根据第三混凝土区域图像中每个像素点的邻域平均梯度构建梯度矩阵,利用梯度矩阵中大于阈值的元素值及其数量,计算得到第三混凝土区域图像的局部平均梯度;
利用梯度矩阵和梯度矩阵的转置矩阵每一行之间的相似性、每一列之间的相似性、梯度矩阵的行数和列数,计算得到第三混凝土区域图像的整体相似性;
利用第三混凝土区域图像的局部平均梯度和整体相似性,计算得到混凝土制品的匀密性;
利用混凝土拌合物的坍落度差异值和混凝土制品的匀密性,计算得到混凝土制品的异常评估值;
预警模块:用于利用计算模块得到的混凝土制品的异常评估值对混凝土制品的生产质量进行判断,当混凝土制品的质量不合格时发出预警。
所述一种混凝土制品生产异常预警系统,所述处理模块中混凝土拌合物全部进入模具时的表面图像对应的第一混凝土区域图像、混凝土拌合物静置若干秒后的表面图像对应的第二混凝土区域图像和混凝土制品表面图像对应的第三混凝土区域图像是按照如下方式获取:
分别对混凝土制品表面图像和两种混凝土拌合物表面图像进行如下操作:
利用分水岭分割算法对图像进行分割,获取图像中的所有分割块;
获取标准的混凝土图像中所有像素点的灰度值均值;
利用每个分割块中像素点的数量、各像素点的灰度值和标准的混凝土图像中所有像素点的灰度值均值,计算得到每个分割块的平均灰度偏离程度;
利用每个分割块中各像素点及其邻域内像素点的灰度值,计算得到每个分割块中各像素点的邻域平均梯度;
利用每个分割块中像素点的数量和各像素点的邻域平均梯度计算得到每个分割块中所有像素点的邻域平均梯度均值;
利用每个分割块的平均灰度偏离程度和该分割块中所有像素点的邻域平均梯度均值,计算得到每个分割块为混凝土的可能性;
将可能性最大值对应的分割块作为混凝土区域图像;
将混凝土拌合物全部进入模具时的表面图像对应的混凝土区域图像作为第一混凝土区域图像、混凝土拌合物静置若干秒后的表面图像对应的混凝土区域图像作为第二混凝土区域图像和混凝土制品表面图像对应的混凝土区域图像作为第三混凝土区域图像。
所述一种混凝土制品生产异常预警系统,所述计算模块中混凝土拌合物的坍落度差异值是按照如下方式得到:
对第一混凝土区域图像和第二混凝土区域图像进行如下操作:
根据两幅图像中所有像素点的灰度值均值,计算得到两幅图像之间的协方差以及两幅图像各自的标准差;
利用两幅图像之间的协方差以及两幅图像各自的标准差,计算得到两幅图像的相似性;
获取两幅图像拍摄的间隔时间;
获取两幅图像对应的混凝土拌合物的高度差;
利用两幅图像的相似性、两幅图像拍摄的间隔时间和两幅图像对应的混凝土拌合物的高度差,计算得到混凝土拌合物的坍落度;
获取混凝土拌合物的标准坍落度,对混凝土拌合物的坍落度与混凝土拌合物的标准坍落度进行作差,得到混凝土拌合物的坍落度差异值。
所述一种混凝土制品生产异常预警系统,所述计算模块中第三混凝土区域图像的局部平均梯度是按照如下方式得到:
对第三混凝土区域图像进行如下操作:
利用混凝土区域图像中各像素点及其邻域内像素点的灰度值,计算得到每个像素点的邻域平均梯度;
将混凝土区域图像中每个像素点的邻域平均梯度作为元素值,构建梯度矩阵;
对梯度矩阵中的元素值按照从大到小的方式进行排序,设置阈值,获取序列中大于阈值的元素值;
利用梯度矩阵中大于阈值的元素值及其数量,计算得到第三混凝土区域图像的局部平均梯度。
所述一种混凝土制品生产异常预警系统,所述计算模块中混凝土制品的匀密性是按照如下方式得到:
获取梯度矩阵的转置矩阵,对梯度矩阵及其转置矩阵进行如下操作:
利用两种矩阵中每一行之间的协方差、每一行各自的标准差,计算得到两种矩阵每一行之间的相似性;
利用两种矩阵中每一列之间的协方差、每一列各自的标准差,计算得到两种矩阵每一列之间的相似性;
利用两种矩阵每一行之间的相似性、每一列之间的相似性、梯度矩阵的行数和列数,计算得到第三混凝土区域图像的整体相似性;
利用第三混凝土区域图像的局部平均梯度和整体相似性,计算得到混凝土制品的匀密性。
所述一种混凝土制品生产异常预警系统,所述混凝土制品的匀密性的表达式如下:
所述一种混凝土制品生产异常预警系统,所述计算模块中混凝土制品的异常评估值的表达式如下:
本发明的有益效果是:本发明结合计算机视觉和图像处理,对混凝土拌合物的表面图像和混凝土制品的表面图像进行分析,根据图像特征计算得到混凝土拌合物的坍落度差异值和混凝土制品的匀密性,然后结合混凝土拌合物的坍落度差异值和混凝土制品的匀密性得到混凝土制品的异常评估值,最后根据混凝土制品的异常评估值对混凝土制品的生产异常进行预警。本发明通过得到混凝土制品的异常评估值实现对混凝土制品生产质量的量化,从而得到混凝土制品生产异常的综合判断标准,可有效提高混凝土制品生产异常判断的准确度。
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,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地介绍,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他的附图。
图1为本发明实施例提供的一种混凝土制品生产异常预警系统流程框图。
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、完整地描述,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他实施例,都属于本发明保护的范围。
本发明的主要目的是:利用图像处理技术对生产过程中混凝土制品的生产异常进行预警。
在混凝土的生产过程中,物料配比不合理或是物料的特性变化会导致混凝土质量的变化,进而导致混凝土制品质量的不合格。由于现有的针对混凝土制品生产异常的判断准确度低,因此需要一种准确度高的混凝土生产异常预警系统实现对混凝土制品的生产控制。
本发明的一种混凝土制品生产异常预警系统的实施例,如图1所示,包括采集模块、处理模块、计算模块和预警模块:
一、采集模块。
用于采集混凝土拌合物全部进入模具时的表面图像、混凝土拌合物静置若干秒后的表面图像和混凝土拌合物被浇铺振捣后的混凝土制品表面图像。
在进行混凝土制品的生产异常分析时,需要计算混凝土拌合物的坍落度;然后对浇铺振捣后的混凝土制品表面图像进行分析得到混凝土制品的匀密性,因此需要相机进行相关图像的采集。
将相机设置在模具正上方,首先采集混凝土拌合物全部进入模具时的混凝土拌合物表面图像。然后将同一批混凝土拌合物静置若干秒后,采集此时的混凝土拌合物表面图像。最后对同一批混凝土拌合物进行浇铺振捣,采集浇铺振捣后的混凝土制品表面图像。所述静置时间根据传感器检测到的高度变化情况得到。
用于采集混凝土拌合物全部进入模具时的混凝土拌合物的高度和混凝土拌合物静置若干秒后的混凝土拌合物的高度。
为了计算混凝土拌合物的坍落度,将距离传感器设置在模具内,用于采集混凝土拌合物全部进入模具时的混凝土拌合物的高度和混凝土拌合物静置若干秒后的混凝土拌合物的高度。
二、处理模块。
用于分别对混凝土制品表面图像和两种混凝土拌合物表面图像进行分割,获取混凝土拌合物全部进入模具时的表面图像对应的第一混凝土区域图像、混凝土拌合物静置若干秒后的表面图像对应的第二混凝土区域图像和混凝土制品表面图像对应的第三混凝土区域图像。
需要说明的是:混凝土制品的生产过程中有两个关键点,一个是混凝土的各种物料的混合过程,最终形成的混凝土拌合物是否满足质量要求,坍落度的控制是否得当。另一个是浇筑成品的过程中混凝土的浇铺和振捣是否合格。以上两者都影响混凝土制品的最终质量。且两者是相互关联的,混凝土拌合物的质量不佳会影响后续的浇筑,但是即使混凝土拌合物质量很好,如果浇筑的时候操作不当也会影响混凝土制品的质量。坍落度能够根据混凝土拌合物从出料口落下后的形变判断,而浇筑的效果能够根据浇筑过程模具中混凝土制品的图像细节变化来获得。具体步骤如下:
首先通过图像分割来确定混凝土拌合物在图像中的位置,由于混凝土和模具之间有很大的差异,所以通过分水岭分割算法获得图像中的分割块,而分割并没有目标识别的功能,所以需要根据分割后的图像确定混凝土的位置和大小。
合格的混凝土制品的表面都有一定的要求,即表明光滑,所以作为生产的模具表面也一定是光滑的。在进行图像分割时,由于模具的形状或是其他原因可能会得到多个图像分割的结果。但是混凝土拌合物和其他图像分割块有明显区别,首先是灰度值的差距,混凝土的颜色都是灰色的,并且由于混凝土中存在水泥沙石等材料,所以混凝土图像的表面纹理信息是杂乱的,因此通过以上特点对混凝土的位置进行确定。
上式中表示第t个分割块的平均灰度偏离程度,n表示第t个分割块中像素点的数量,表示该分割块中第j个像素点的灰度值,r表示标准的混凝土图像中所有像素点的灰度值均值。此处通过计算分割块中每个像素点与标准的混凝土图像中所有像素点的灰度值均值的差异之和,然后取平均即可得到每个分割块与标准的混凝土图像的差异,差异越小,表明分割块为混凝土的可能越大。
混凝土图像中,由于沙石和水泥等物料的影响在图像中会有较多的边缘纹理,而模具等图像较为平滑。因此根据边缘纹理信息来区分分割块。边缘纹理信息表现为图像像素点之间的梯度大小。因此本实施例通过像素点间的梯度来进行图像纹理的量化。
上式中表示第t个分割块中第i个像素点的8邻域平均梯度。表示第i个像素点的灰度值,表示第i个像素点的8邻域内的第u个像素点的灰度值。此处通过计算分割块中每个像素点与其8邻域像素点的灰度值的差异之和,然后取平均即可得到该像素点的纹理量化值,纹理量化值越大,表明该像素点处纹理越粗糙。
表示第t个分割块中所有像素点的8邻域平均梯度均值,该值越大,表明图像的纹理越粗糙,该分割块为混凝土的可能性越大。表示第t个分割块的平均灰度偏离程度,即每一个像素点灰度值和标准混凝土图像的差异,差异越小表明是混凝土的可能性越大。因此可得越大,表明第t个分割块为混凝土的可能性越大。
将可能性最大值对应的分割块作为混凝土区域图像。
将混凝土拌合物全部进入模具时的表面图像对应的混凝土区域图像作为第一混凝土区域图像、混凝土拌合物静置若干秒后的表面图像对应的混凝土区域图像作为第二混凝土区域图像和混凝土制品表面图像对应的混凝土区域图像作为第三混凝土区域图像。
三、计算模块。
1.利用第一混凝土区域图像和第二混凝土区域图像的相似性、该两幅图像拍摄的间隔时间和该两幅图像对应的混凝土拌合物的高度差,计算得到混凝土拌合物的坍落度。
需要说明的是:通过图像分割和分割得到的分割块之间的特点确定了混凝土区域图像,接下来对混凝土拌合物的质量进行分析。混凝土的坍落度是混凝土质量的重要评价标准,而传统的坍落度测试方法比较复杂,不适合当前智能化的需求。而在混凝土出料口向外卸料时,由于重力作用以及混凝土之间作用力,会使得混凝土在模具中也会出现坍落现象,类似于坍落度实验,因此本实施例通过间隔时间内混凝土区域图像的变化来近似反映混凝土拌合物的坍落度。由于混凝土拌合物的坍落,混凝土区域图像会发生相应的变化,一方面面积会变大,另一方面边缘纹理以及混凝土高度也会发生变化。这些变化使得拍摄得到的图像之间的差异性发生变化,而变化的程度表征了坍落度的大小。
本实施例根据第一、第二混凝土区域图像的相似性来表征混凝土拌合物的坍落度:
上式中,表示第一、第二混凝土区域图像的相似性,表示第一、第二混凝土区域图像之间的协方差,分别表示第一、第二混凝土区域图像的标准差。A表示第一混凝土区域图像,B表示第二混凝土区域图像。协方差和标准差都是基于图像的灰度值均值得到。此处通过计算协方差和标准差得到第一和第二混凝土区域图像的相似性,是因为从第一混凝土区域图像到第二混凝土区域图像,混凝土在模具中会发生坍落,从而导致混凝土区域图像发生了变化。相似性越大,表明混凝土区域图像的变化越小。
上述只是从图像的变化来表征了相似性,在混凝土拌合物坍落的过程中会有高度的变化,混凝土拌合物的最高点随着坍落逐渐减小,与此同时,还与时间相关,因为图像是间隔时间T拍摄的,所以综合可得混凝土拌合物的坍落度:
上式中表示混凝土拌合物的坍落度,表示第一、第二混凝土区域图像对应的混凝土拌合物的高度差,T表示第一、第二混凝土区域图像拍摄的间隔时间,最终值越大,表明混凝土拌合物的坍落度越大。由于混凝土区域图像的相似性和坍落度成反比,而混凝土拌合物的高度差与坍落度成正比,因此此处结合混凝土区域图像的相似性和混凝土拌合物的高度差,计算得到单位间隔时间内的坍落度。单位间隔时间内的坍落度用于后续坍落度差异值的计算。
2.获取混凝土拌合物的标准坍落度,对混凝土拌合物的坍落度与混凝土拌合物的标准坍落度进行作差,得到混凝土拌合物的坍落度差异值。
在生产过程中,坍落度的参考值不是一成不变的,根据生产的混凝土制品的不同,对坍落度的要求也就不同,但是对于工厂中同一批混凝土制品的坍落度的要求显然是一致的,根据最初的产品规格可以得到当前产品对坍落度的要求。
上式中表示混凝土拌合物的坍落度差异值,表示混凝土拌合物的标准坍落度。此处利用单位间隔时间内的坍落度与标准坍落度进行作差,差异越小,表明当前混凝土拌合物的质量越好。所述标准坍落度的获取过程如下:获取当前混凝土拌合物对应的混凝土质量控制标准中的混凝土坍落度范围,取该坍落度范围的中间值。
3.根据第三混凝土区域图像中每个像素点的邻域平均梯度构建梯度矩阵,利用梯度矩阵中各大于阈值的元素值和大于阈值的元素值的数量,计算得到第三混凝土区域图像的局部平均梯度。
需要说明的是:上述从混凝土拌合物本身对混凝土的质量进行了相关的评价,而最终混凝土制品的质量不仅与混凝土拌合物的本身有关,还与在制作过程中的浇铺和振捣有关系,浇铺振捣较好的混凝土制品表面平整,且颜色自然均匀。混凝土制品的强度和匀密性是混凝土制品的两个质量标准,质量好的混凝土制品,是指强度和匀密性都较好的混凝土制品。混凝土内部呈均匀密实的连续分布状态,其结构的弹模、容重等都比较一致,则混凝土力学性能稳定,混凝土弹性压缩、收缩性能也趋稳定;如果混凝土有疏松、离析、蜂窝等不均匀、不致密现象存在,则必导致混凝土强度低,故可认为,混凝土匀密性好,混凝土强度高,反之,混凝土强度高,必然是匀密性好。而影响混凝土匀密性的关键是浇铺和振捣。混凝土制品振捣的时候,无论是过振还是振捣不足都会使得表面粗糙,振捣不足使得表面的沙石没有进入内部,而过振会使得混凝土中物料和水分离,沙石会裸露。因此根据第三混凝土区域图像的粗糙程度可以得到混凝土制品的匀密性的量化。
基于以上分析,本实施例通过对第三混凝土区域图像粗糙程度来实现对产品质量的表征,同样的,本实施例通过第三混凝土区域图像中每个像素点的8邻域平均梯度来进行相关的分析:
上式中表示第三混凝土区域图像中第c个像素点的8邻域平均梯度,表示第c个像素点的灰度值,表示第c个像素点的8邻域内的第h个像素点的灰度值。此处通过计算第三混凝土区域图像中每个像素点与其8邻域像素点的灰度值的差异之和,然后取平均即可得到该像素点的纹理量化值,纹理量化值越大,表明该像素点处纹理越粗糙。
梯度矩阵中元素值越大,表明混凝土制品表面越粗糙,匀密性越差;同时如果元素值间的波动程度越大,表明混凝土制品表面不同位置的光滑程度不同,波动较大,匀密性越差。作为最终的混凝土制品,整个产品的表面都应该表现良好,而不是整体的量化均值达到要求就可以,因此本实施例对梯度矩阵中的元素值按照从大到小的方式进行排序。然后设置阈值,获取序列中大于阈值的元素值。
通过大于阈值的元素值的局部平均梯度来表征第三混凝土区域图像的粗糙程度。
上式中表示第三混凝土区域图像的局部平均梯度,m表示大于阈值的元素值的总个数,表示梯度矩阵中的第l个大于阈值的元素值。此处通过大于阈值的元素值的局部平均梯度来表征第三混凝土区域图像的粗糙程度,局部平均梯度越大,最终计算得到的整体均匀性越差。
4.利用梯度矩阵及其转置矩阵每一行之间的相似性、每一列之间的相似性、梯度矩阵的行数和列数,计算得到第三混凝土区域图像的整体相似性。
作为对梯度矩阵中元素整体均匀性的量化,均匀性表现为元素间的差异较小,即有较大的相似性,基于以上,本实施例通过梯度矩阵及其转置矩阵之间的相似性来判断第三混凝土区域图像的整体相似性。
上式中表示梯度矩阵及其转置矩阵第k行之间的相似性,表示梯度矩阵及其转置矩阵第p列之间的相似性。分别表示梯度矩阵及其转置矩阵的第k行,分别表示梯度矩阵及其转置矩阵的第p列。 表示梯度矩阵及其转置矩阵的第k行之间的协方差,分别表示梯度矩阵及其转置矩阵的第k行的标准差。 表示梯度矩阵及其转置矩阵的第p列之间的协方差,分别表示梯度矩阵及其转置矩阵的第p列的标准差。协方差和标准差都是基于行、列的灰度值均值得到。此处通过计算行列间的相似性得到第三混凝土区域图像整体均匀性的表达,均匀性越大相似性越接近于1。
上式中,分别表示梯度矩阵的行数和列数,上式的含义在于计算出行列间相似性的和。行列间相似性的和越接近于1,表明相似性越大,均匀性越好,即求和后越接近于(s+e),均匀性越好,为了更好的表达,以趋近于0的程度来表示均匀性的大小。越小均匀性越好。表示第三混凝土区域图像的整体相似性。
5.利用第三混凝土区域图像的局部平均梯度和整体相似性,计算得到混凝土制品的匀密性。
上式中,通过局部平均梯度和整体相似性来得到混凝土制品的匀密性。上式的含义在于θ表示第三混凝土区域图像的局部平均梯度的表征,τ表示整体相似性,τ越大匀密性越好。可以知晓,局部平均梯度越大,最终计算得到的整体均匀性越差,因此以局部平均梯度作为指数函数的指数,以整体相似性作为指数函数的底,得到混凝土制品的匀密性。
6.利用混凝土拌合物的坍落度差异值和混凝土制品的匀密性,计算得到混凝土制品的异常评估值。
上述步骤通过对混凝土拌合物的坍落度差异值和混凝土制品匀密性的计算得到了混凝土制品的异常评估值,如下:
上式中,表示混凝土制品的异常评估值,表示混凝土拌合物的坍落度差异值,表示混凝土制品的匀密性。上式的含义在于:混凝土拌合物的质量影响后续的产品质量,因此以其作为指数函数的底,而浇铺振捣的效果既受到工艺影响又受到混凝土本身质量的影响,所以一起作为指数函数的指数,最终得到了混凝土制品的异常评估值,该值越大,表明混凝土制品的生产异常程度越大。
四、预警模块。
用于利用计算模块得到的混凝土制品的异常评估值对混凝土制品的生产质量进行判断,当混凝土制品的质量不合格时发出预警。
上式中表示阈值。然而在实际生产过程中,混凝土制品的质量控制较好,如果同一批产品中有多次产品异常,表明存在较为严重的异常。可能混凝土拌合物的质量严重不合格,或是振捣用的机器或是模具出现问题,此时机器应当发出红色预警,对当前所有产品进行仔细检查。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种混凝土制品生产异常预警系统,其特征在于,包括采集模块、处理模块、计算模块和预警模块:
采集模块:用于采集混凝土拌合物全部进入模具时的表面图像、混凝土拌合物静置若干秒后的表面图像和混凝土拌合物被浇铺振捣后的混凝土制品表面图像;
用于采集混凝土拌合物全部进入模具时的混凝土拌合物的高度和混凝土拌合物静置若干秒后的混凝土拌合物的高度;
处理模块:用于分别对混凝土制品表面图像和两种混凝土拌合物表面图像进行分割,获取混凝土拌合物全部进入模具时的表面图像对应的第一混凝土区域图像、混凝土拌合物静置若干秒后的表面图像对应的第二混凝土区域图像和混凝土制品表面图像对应的第三混凝土区域图像;
计算模块:用于利用第一混凝土区域图像和第二混凝土区域图像的相似性、该两幅图像拍摄的间隔时间和该两幅图像对应的混凝土拌合物的高度差,计算得到混凝土拌合物的坍落度;
获取混凝土拌合物的标准坍落度,对混凝土拌合物的坍落度与混凝土拌合物的标准坍落度进行作差,得到混凝土拌合物的坍落度差异值;
根据第三混凝土区域图像中每个像素点的邻域平均梯度构建梯度矩阵,利用梯度矩阵中大于阈值的元素值及其数量,计算得到第三混凝土区域图像的局部平均梯度;
利用梯度矩阵和梯度矩阵的转置矩阵每一行之间的相似性、每一列之间的相似性、梯度矩阵的行数和列数,计算得到第三混凝土区域图像的整体相似性;
利用第三混凝土区域图像的局部平均梯度和整体相似性,计算得到混凝土制品的匀密性;
利用混凝土拌合物的坍落度差异值和混凝土制品的匀密性,计算得到混凝土制品的异常评估值;
预警模块:用于利用计算模块得到的混凝土制品的异常评估值对混凝土制品的生产质量进行判断,当混凝土制品的质量不合格时发出预警。
2.根据权利要求1所述的一种混凝土制品生产异常预警系统,其特征在于,所述处理模块中混凝土拌合物全部进入模具时的表面图像对应的第一混凝土区域图像、混凝土拌合物静置若干秒后的表面图像对应的第二混凝土区域图像和混凝土制品表面图像对应的第三混凝土区域图像是按照如下方式获取:
分别对混凝土制品表面图像和两种混凝土拌合物表面图像进行如下操作:
利用分水岭分割算法对图像进行分割,获取图像中的所有分割块;
获取标准的混凝土图像中所有像素点的灰度值均值;
利用每个分割块中像素点的数量、各像素点的灰度值和标准的混凝土图像中所有像素点的灰度值均值,计算得到每个分割块的平均灰度偏离程度;
利用每个分割块中各像素点及其邻域内像素点的灰度值,计算得到每个分割块中各像素点的邻域平均梯度;
利用每个分割块中像素点的数量和各像素点的邻域平均梯度计算得到每个分割块中所有像素点的邻域平均梯度均值;
利用每个分割块的平均灰度偏离程度和该分割块中所有像素点的邻域平均梯度均值,计算得到每个分割块为混凝土的可能性;
将可能性最大值对应的分割块作为混凝土区域图像;
将混凝土拌合物全部进入模具时的表面图像对应的混凝土区域图像作为第一混凝土区域图像、混凝土拌合物静置若干秒后的表面图像对应的混凝土区域图像作为第二混凝土区域图像和混凝土制品表面图像对应的混凝土区域图像作为第三混凝土区域图像。
3.根据权利要求1所述的一种混凝土制品生产异常预警系统,其特征在于,所述计算模块中混凝土拌合物的坍落度差异值是按照如下方式得到:
对第一混凝土区域图像和第二混凝土区域图像进行如下操作:
根据两幅图像中所有像素点的灰度值均值,计算得到两幅图像之间的协方差以及两幅图像各自的标准差;
利用两幅图像之间的协方差以及两幅图像各自的标准差,计算得到两幅图像的相似性;
获取两幅图像拍摄的间隔时间;
获取两幅图像对应的混凝土拌合物的高度差;
利用两幅图像的相似性、两幅图像拍摄的间隔时间和两幅图像对应的混凝土拌合物的高度差,计算得到混凝土拌合物的坍落度;
获取混凝土拌合物的标准坍落度,对混凝土拌合物的坍落度与混凝土拌合物的标准坍落度进行作差,得到混凝土拌合物的坍落度差异值。
4.根据权利要求1所述的一种混凝土制品生产异常预警系统,其特征在于,所述计算模块中第三混凝土区域图像的局部平均梯度是按照如下方式得到:
对第三混凝土区域图像进行如下操作:
利用混凝土区域图像中各像素点及其邻域内像素点的灰度值,计算得到每个像素点的邻域平均梯度;
将混凝土区域图像中每个像素点的邻域平均梯度作为元素值,构建梯度矩阵;
对梯度矩阵中的元素值按照从大到小的方式进行排序,设置阈值,获取序列中大于阈值的元素值;
利用梯度矩阵中大于阈值的元素值及其数量,计算得到第三混凝土区域图像的局部平均梯度。
5.根据权利要求1所述的一种混凝土制品生产异常预警系统,其特征在于,所述计算模块中混凝土制品的匀密性是按照如下方式得到:
获取梯度矩阵的转置矩阵,对梯度矩阵及其转置矩阵进行如下操作:
利用两种矩阵中每一行之间的协方差、每一行各自的标准差,计算得到两种矩阵每一行之间的相似性;
利用两种矩阵中每一列之间的协方差、每一列各自的标准差,计算得到两种矩阵每一列之间的相似性;
利用两种矩阵每一行之间的相似性、每一列之间的相似性、梯度矩阵的行数和列数,计算得到第三混凝土区域图像的整体相似性;
利用第三混凝土区域图像的局部平均梯度和整体相似性,计算得到混凝土制品的匀密性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219840.8A CN115294127A (zh) | 2022-10-08 | 2022-10-08 | 一种混凝土制品生产异常预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219840.8A CN115294127A (zh) | 2022-10-08 | 2022-10-08 | 一种混凝土制品生产异常预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115294127A true CN115294127A (zh) | 2022-11-04 |
Family
ID=83833982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211219840.8A Pending CN115294127A (zh) | 2022-10-08 | 2022-10-08 | 一种混凝土制品生产异常预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294127A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819050A (zh) * | 2023-06-26 | 2023-09-29 | 河南安祐中路桥工程有限公司 | 混凝土搅拌匀质度检测系统及其检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013144528A1 (fr) * | 2012-03-30 | 2013-10-03 | Lafarge | Procède de contrôle d'un paramètre d'ouvrabilite d'un béton dans un malaxeur |
CN112659376A (zh) * | 2020-12-23 | 2021-04-16 | 上海市建筑科学研究院有限公司 | 搅拌站混凝土拌合物流动性智能化调控方法和调控系统 |
CN114266989A (zh) * | 2021-11-15 | 2022-04-01 | 北京建筑材料科学研究总院有限公司 | 一种混凝土拌合物和易性测定方法和装置 |
CN114565561A (zh) * | 2022-01-26 | 2022-05-31 | 福建南方路面机械股份有限公司 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
-
2022
- 2022-10-08 CN CN202211219840.8A patent/CN115294127A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013144528A1 (fr) * | 2012-03-30 | 2013-10-03 | Lafarge | Procède de contrôle d'un paramètre d'ouvrabilite d'un béton dans un malaxeur |
CN112659376A (zh) * | 2020-12-23 | 2021-04-16 | 上海市建筑科学研究院有限公司 | 搅拌站混凝土拌合物流动性智能化调控方法和调控系统 |
CN114266989A (zh) * | 2021-11-15 | 2022-04-01 | 北京建筑材料科学研究总院有限公司 | 一种混凝土拌合物和易性测定方法和装置 |
CN114565561A (zh) * | 2022-01-26 | 2022-05-31 | 福建南方路面机械股份有限公司 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819050A (zh) * | 2023-06-26 | 2023-09-29 | 河南安祐中路桥工程有限公司 | 混凝土搅拌匀质度检测系统及其检测方法 |
CN116819050B (zh) * | 2023-06-26 | 2024-04-09 | 河南安祐中路桥工程有限公司 | 混凝土搅拌匀质度检测系统及其检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105510195B (zh) | 一种堆叠骨料的粒度粒形在线检测方法 | |
CN107392232B (zh) | 一种浮选工况分类方法和系统 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN101354241B (zh) | 集料数字图像评价方法 | |
CN111896721B (zh) | 一种基于大数据的市政道路工程质量智能验收检测管理系统 | |
CN110118775A (zh) | 厂拌水泥稳定碎石骨料组成快速检测方法 | |
CN102004916B (zh) | 图像特征提取系统及其方法 | |
Zhang et al. | An improved estimation of coal particle mass using image analysis | |
CN115294127A (zh) | 一种混凝土制品生产异常预警系统 | |
CN104134080A (zh) | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 | |
Banta et al. | Estimation of limestone particle mass from 2D images | |
CN207742057U (zh) | 一种骨料在线监测装置 | |
CN109961425A (zh) | 一种动态水的水质识别方法 | |
Weng et al. | Rapid pavement aggregate gradation estimation based on 3D data using a multi-feature fusion network | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
Azarafza et al. | Application of an image processing-based algorithm for river-side granular sediment gradation distribution analysis | |
CN114882029A (zh) | 一种玻纤增强材料表面浮纤识别方法及电子设备 | |
CN112435217B (zh) | 图像识别预制钢筋混凝土粗糙面的方法 | |
CN104077788B (zh) | 融合颜色和纹理信息进行块背景建模的运动目标检测方法 | |
CN110728253B (zh) | 一种基于颗粒粗糙度的纹理特征度量方法 | |
Yang et al. | A coarse aggregate gradation detection method based on 3D point cloud | |
CN111612734A (zh) | 一种基于图像结构复杂度的背景杂波表征方法 | |
CN112750119B (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 | |
CN114494240A (zh) | 基于多尺度协作深度学习的无砟轨道板裂缝测量方法 | |
CN111985823A (zh) | 一种用于滚磨机定向仪的晶棒质量评估方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221104 |