CN115592819B - 基于深度学习的搅拌站卸料口尺寸调整方法及装置 - Google Patents

基于深度学习的搅拌站卸料口尺寸调整方法及装置 Download PDF

Info

Publication number
CN115592819B
CN115592819B CN202211612249.9A CN202211612249A CN115592819B CN 115592819 B CN115592819 B CN 115592819B CN 202211612249 A CN202211612249 A CN 202211612249A CN 115592819 B CN115592819 B CN 115592819B
Authority
CN
China
Prior art keywords
temporary storage
storage bin
concrete
hopper
discharge opening
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
Application number
CN202211612249.9A
Other languages
English (en)
Other versions
CN115592819A (zh
Inventor
曹礼禧
张宝裕
黄骁民
黄文景
杨建红
陈美云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian South Highway Machinery Co Ltd
Original Assignee
Fujian South Highway Machinery Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian South Highway Machinery Co Ltd filed Critical Fujian South Highway Machinery Co Ltd
Priority to CN202211612249.9A priority Critical patent/CN115592819B/zh
Publication of CN115592819A publication Critical patent/CN115592819A/zh
Application granted granted Critical
Publication of CN115592819B publication Critical patent/CN115592819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B28—WORKING CEMENT, CLAY, OR STONE
    • B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
    • B28C9/00—General arrangement or layout of plant
    • B28C9/02—General arrangement or layout of plant for producing mixtures of clay or cement with other materials
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B28—WORKING CEMENT, CLAY, OR STONE
    • B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
    • B28C7/00—Controlling the operation of apparatus for producing mixtures of clay or cement with other substances; Supplying or proportioning the ingredients for mixing clay or cement with other substances; Discharging the mixture
    • B28C7/16—Discharge means, e.g. with intermediate storage of fresh concrete
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Dispersion Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Robotics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (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搅拌站卸料口尺寸调整方法及装置，涉及图像数据处理领域，通过获取卸料过程中的暂存仓的第一图像以及位于暂存仓的卸料口下方的搅拌车料斗的第二图像，将预处理后的第一图像输入语义分割模型，得到暂存仓料面掩膜，将预处理后的第二图像输入语义分割模型，得到料斗掩膜和料斗内料面掩膜；进而计算得到料斗内混凝土流量变化曲线和暂存仓内混凝土流量变化曲线；建立在不同的混凝土塌落度下暂存仓的卸料口尺寸与暂存仓内混凝土流量变化曲线之间的对应关系，根据该对应关系以及料斗内混凝土流量变化曲线和暂存仓内混凝土流量变化曲线对卸料口尺寸进行调整，解决无法实时动态调整搅拌站卸料口尺寸的问题。

Description

基于深度学习的搅拌站卸料口尺寸调整方法及装置
技术领域
本发明涉及图像数据处理领域，具体涉及一种基于深度学习的搅拌站卸料口尺寸调整方法及装置。
背景技术
目前，一般混凝土搅拌站在搅拌车装载混凝土的过程中，为防止卸料过程中混凝土潵出或溢出搅拌车料斗，多为人工观察监控，根据监控上观察到的搅拌车料斗对齐状态，指挥搅拌车司机进行车位调整，根据监控上观察到的料位高度进行搅拌站卸料口的开合控制，开合档位一般分为全开，半开和全闭三挡，然而，受到成品混凝土订单质量要求参数（塌落度等）的影响，混凝土呈现不同的流动性，导致混凝土流出速度时快时慢，人工控制卸料口进行三挡开合的方法无法进行稳定卸料。因此，缺少一种根据生产的混凝土状态及搅拌站卸料口卸料状态等多方面因素进行卸料口尺寸参数进行调整的方法，无法根据混凝土状态和实际卸料过程实时动态调整卸料口尺寸。
发明内容
针对上述提到的无法实时动态调整搅拌站卸料口尺寸等技术问题。本申请的实施例的目的在于提出了一种基于深度学习的搅拌站卸料口尺寸调整方法及装置，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搅拌站卸料口尺寸调整方法，包括以下步骤：
S1，获取卸料前搅拌站暂存仓内处于未存料状态的图像，并标定得到暂存仓的高线；
S2，获取卸料过程中的暂存仓的第一图像以及位于暂存仓的卸料口下方的搅拌车料斗的第二图像，对第一图像和第二图像进行预处理，并将预处理后的第一图像输入语义分割模型，得到暂存仓料面掩膜，将预处理后的第二图像输入语义分割模型，得到料斗掩膜和料斗内料面掩膜；
S3，根据暂存仓料面掩膜和高线计算得到暂存仓内混凝土体积，根据料斗掩膜和料斗内料面掩膜计算得到料斗内混凝土体积，经过间隔时间重复步骤S1-S3得到料斗内混凝土体积变化曲线和暂存仓内混凝土体积变化曲线，根据料斗内混凝土体积变化曲线以及暂存仓内混凝土体积变化曲线分别计算得到料斗内混凝土流量变化曲线和暂存仓内混凝土流量变化曲线；
S4，建立在不同的混凝土塌落度下暂存仓的卸料口尺寸与暂存仓内混凝土流量变化曲线之间的对应关系，获取当前塌落度和当前卸料口尺寸，根据料斗内混凝土流量变化曲线确定当前料斗内混凝土流量，根据对应关系、当前塌落度和当前料斗内混凝土流量确定标定卸料口尺寸，根据对应关系、当前塌落度和当前卸料口尺寸确定标定暂存仓内混凝土流量；
S5，根据暂存仓内混凝土流量变化曲线确定当前暂存仓内混凝土流量，根据当前暂存仓内混凝土流量与标定暂存仓内混凝土流量对当前卸料口尺寸进行调整，得到调整后的卸料口尺寸。
作为优选，语义分割模型为特征缩放2倍的UNet神经网络，在UNet神经网络的识别过程中，先根据识别结果图像确定封闭轮廓，并确定最大封闭轮廓所对应的掩膜，再进行膨胀腐蚀得到掩膜。
作为优选，步骤S2中对第一图像和第二图像进行预处理，具体包括：
获取样本图像并形成样本数据集，计算样本数据集的均值和方差；
对第一图像和第二图像进行缩放，并根据均值和方差进行图像均一化，得到预处理后的第一图像和预处理后的第二图像。
作为优选，步骤S3中根据暂存仓料面掩膜和高线计算得到暂存仓内混凝土体积，具体包括：
确定暂存仓料面掩膜中与高线同向的角点；
根据角点在高线上的比例以及暂存仓实际高度计算出暂存仓内混凝土的高h1，h1=α*h，其中，α为角点在高线上的比例，h为暂存仓实际高度；
根据高线与角点的比例以及与高线对应暂存仓的截面积计算出暂存仓内混凝土的上表面积S1，S1=α*S，其中，α为角点在高线上的比例，S为高线对应暂存仓的截面积；
假定暂存仓为倒金字塔五面体结构，根据下式计算得到暂存仓内混凝土体积V1，
V1=2/3S1h1。
作为优选，步骤S3中根据料斗掩膜和料斗内料面掩膜计算得到料斗内混凝土体积，具体包括：
对料斗掩膜和料斗内料面掩膜采用最小二值法拟合出料斗外接圆和料斗内混凝土外接圆，并得到料面半径r，
r= R *rm/ Rm；
其中，Rm和rm分别为料斗外接圆和料斗内混凝土外接圆的半径，R为料斗实际半径；
根据料斗外接圆和料斗内混凝土外接圆的半径的比值以及料斗实际高度计算得到料面高度h2，
h2=H* rm/ Rm；
其中，H为料斗实际高度；
假定料斗为圆锥体，根据下式计算得到料斗内混凝土体积V2，
V2=1/3S2h2；
其中，S2为料面面积，S2=πr2。
作为优选，步骤S4具体包括：
于不同的混凝土塌落度下，确定暂存仓的不同的卸料口尺寸与暂存仓内混凝土流量变化曲线之间的对应关系；
根据对应关系确定当前塌落度对应的不同的卸料口尺寸下的暂存仓内混凝土流量曲线；
根据当前塌落度对应的不同的卸料口尺寸下的暂存仓内混凝土流量曲线以及当前料斗内混凝土流量得到标定卸料口尺寸；
根据当前塌落度对应的不同的卸料口尺寸下的暂存仓内混凝土流量曲线以及当前卸料口尺寸得到标定暂存仓内混凝土流量。
作为优选，步骤S5具体包括：
若当前暂存仓内混凝土流量小于标定暂存仓内混凝土流量并且当前暂存仓内混凝土流量与标定暂存仓内混凝土流量之间的差值在15%以内，则不进行补偿，以标定卸料口尺寸作为调整后的卸料口尺寸；
若当前暂存仓内混凝土流量小于标定暂存仓内混凝土流量并且当前暂存仓内混凝土流量与标定暂存仓内混凝土流量之间的差值超过15%，则取差值的85%补偿到标定卸料口尺寸中，得到调整后的卸料口尺寸；
若当前暂存仓内混凝土流量大于标定暂存仓内混凝土流量，则采用标定卸料口尺寸作为调整后的卸料口尺寸。
第二方面，本申请的实施例提供了一种基于深度学习的搅拌站卸料口尺寸调整装置，包括：
高线标定模块，被配置为获取卸料前搅拌站暂存仓内处于未存料状态的图像，并标定得到暂存仓的高线；
图像分割模块，被配置为获取卸料过程中的暂存仓的第一图像以及位于暂存仓的卸料口下方的搅拌车料斗的第二图像，对第一图像和第二图像进行预处理，并将预处理后的第一图像输入语义分割模型，得到暂存仓料面掩膜，将预处理后的第二图像输入语义分割模型，得到料斗掩膜和料斗内料面掩膜；
流量计算模块，被配置为根据暂存仓料面掩膜和高线计算得到暂存仓内混凝土体积，根据料斗掩膜和料斗内料面掩膜计算得到料斗内混凝土体积，经过间隔时间重复执行高线标定模块至流量计算模块得到料斗内混凝土体积变化曲线和暂存仓内混凝土体积变化曲线，根据料斗内混凝土体积变化曲线以及暂存仓内混凝土体积变化曲线分别计算得到料斗内混凝土流量变化曲线和暂存仓内混凝土流量变化曲线；
标定模块，被配置为建立在不同的混凝土塌落度下暂存仓的卸料口的开口尺寸与暂存仓内混凝土流量曲线之间的对应关系，获取当前塌落度和当前卸料口尺寸，根据料斗内混凝土流量变化曲线确定当前料斗内混凝土流量，根据对应关系、当前塌落度和当前料斗内混凝土流量确定标定卸料口尺寸，根据对应关系、当前塌落度和当前卸料口尺寸确定标定暂存仓内混凝土流量；
尺寸调整模块，被配置为根据暂存仓内混凝土流量变化曲线确定当前暂存仓内混凝土流量，根据当前暂存仓内混凝土流量与标定暂存仓内混凝土流量对当前卸料口尺寸进行调整，得到调整后的卸料口尺寸。
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）本发明提出的基于深度学习的搅拌站卸料口尺寸调整方法可以根据实际暂存仓内混凝土流量来对开口大小进行控制，相比于传统的人工观察监控来进行搅拌站卸料口开口大小的控制，控制更加精准，从而避免了人工控制导致的卸料过程不稳定的情况（溢料或散料）。
（2）本发明提出的基于深度学习的搅拌站卸料口尺寸调整方法能够根据实际流速与标定情况下的差异，对标定卸料口尺寸进行补偿，避免除塌落度以外的其他因素对卸料口尺寸与暂存仓内混凝土流量之间的相对关系造成影响，可有效减少误差。
（3）本发明提出的基于深度学习的搅拌站卸料口尺寸调整方法结合机器视觉技术能够对卸料口尺寸的实时动态调整，更加智能化和便捷，并可有效减少人工成本。
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搅拌站卸料口尺寸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搅拌站卸料口尺寸调整方法的搅拌站卸料过程的示意图；
图4为本发明的实施例的基于深度学习的搅拌站卸料口尺寸调整方法的暂存仓高线标定的示意图；
图5为本发明的实施例的基于深度学习的搅拌站卸料口尺寸调整方法的卸料过程中的第一图像；
图6为本发明的实施例的基于深度学习的搅拌站卸料口尺寸调整方法的卸料过程中的第二图像；
图7为本发明的实施例的基于深度学习的搅拌站卸料口尺寸调整方法的暂存仓料面掩膜图像；
图8为本发明的实施例的基于深度学习的搅拌站卸料口尺寸调整方法的料斗掩膜和料斗内料面掩膜图像；
图9为本发明的实施例的基于深度学习的搅拌站卸料口尺寸调整方法的暂存仓料面掩膜中的角点的示意图；
图10为本发明的实施例的基于深度学习的搅拌站卸料口尺寸调整方法的料斗外接圆和料斗内混凝土外接圆的示意图；
图11为本发明的实施例的基于深度学习的搅拌站卸料口尺寸调整装置的示意图；
图12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搅拌站卸料口尺寸调整方法或基于深度学习的搅拌站卸料口尺寸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、网络104和服务器105。终端设备包括手机101、平板102、电脑103，网络104用以在终端设备和服务器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。
终端设备可以是硬件，也可以是软件。当终端设备为硬件时，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搅拌站卸料口尺寸调整方法可以由服务器105执行，也可以由终端设备执行，相应地，基于深度学习的搅拌站卸料口尺寸调整装置可以设置于服务器105中，也可以设置于终端设备中。
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搅拌站卸料口尺寸调整方法，包括以下步骤：
S1，获取卸料前搅拌站暂存仓内处于未存料状态的图像，并标定得到暂存仓的高线。
具体的，参考图3，搅拌车行驶至搅拌站暂存仓下方，使搅拌车的料斗位于暂存仓下方，通过暂存仓的卸料口将混凝土卸料至搅拌车上的料斗。在卸料前，搅拌站暂存仓内处于未存料状态时，暂存仓内部并没有混凝土，此时对暂存仓内部进行拍摄得到暂存仓内处于未存料状态的图像，并在该图像上标定高线，如图4所示。
S2，获取卸料过程中的暂存仓的第一图像以及位于暂存仓的卸料口下方的搅拌车料斗的第二图像，对第一图像和第二图像进行预处理，并将预处理后的第一图像输入语义分割模型，得到暂存仓料面掩膜，将预处理后的第二图像输入语义分割模型，得到料斗掩膜和料斗内料面掩膜。
具体的，在卸料过程中，参考图5，对暂存仓内部进行拍摄得到第一图像，参考图6，对暂存仓下方的料斗进行拍摄得到第二图像，而后对第一图像和第二图像进行预处理，使其满足语义分割模型的输入要求。
在具体的实施例中，步骤S2中对第一图像和第二图像进行预处理，具体包括：
获取样本图像并形成样本数据集，计算样本数据集的均值和方差；
对第一图像和第二图像进行缩放，并根据均值和方差进行图像均一化，得到预处理后的第一图像和预处理后的第二图像。
具体的，在输入语义分割模型前先对第一图像和第二图像进行缩放，使像素由1920*1080变为256*256。而后根据样本数据集的均值和方差对缩放后的第一图像和第二图像进行图像均一化，得到预处理后的第一图像和第二图像。
在具体的实施例中，语义分割模型为特征缩放2倍的UNet神经网络，在UNet神经网络的识别过程中，先根据结果图像确定封闭轮廓，并确定最大封闭轮廓所对应的掩膜，再进行膨胀腐蚀得到识别掩膜。
具体的，将UNet神经网络的输入由512*512改为256*256，并将每层的卷积核心数缩减到一半，由原先的（64,128,256,512,512）调整为(32,64,128,256,256)，以加快运算速度。语义分割模型为经过训练后的UNet神经网络，具体的训练过程在此不再赘述。将预处理后的第一图像输入语义分割模型，得到暂存仓料面掩膜，参考图7，将预处理后的第二图像输入语义分割模型，得到料斗掩膜和料斗内料面掩膜，参考图8。
S3，根据暂存仓料面掩膜和高线计算得到暂存仓内混凝土体积，根据料斗掩膜和料斗内料面掩膜计算得到料斗内混凝土体积，经过间隔时间重复步骤S1-S3得到料斗内混凝土体积变化曲线和暂存仓内混凝土体积变化曲线，根据料斗内混凝土体积变化曲线以及暂存仓内混凝土体积变化曲线分别计算得到料斗内混凝土流量变化曲线和暂存仓内混凝土流量变化曲线。
在具体的实施例中，步骤S3中根据暂存仓料面掩膜和高线计算得到暂存仓内混凝土体积，具体包括：
确定暂存仓料面掩膜中与高线同向的角点，参考图9；
根据角点在高线上的比例以及暂存仓实际高度计算出暂存仓内混凝土的高h1，h1=α*h，其中，α为角点在高线上的比例，h为暂存仓实际高度；
根据角点在高线上的比例以及与高线对应暂存仓的截面积计算出暂存仓内混凝土的上表面积S1，S1=α*S，其中，α为角点在高线上的比例，S为高线对应暂存仓的截面积；
假定暂存仓为倒金字塔五面体结构，根据下式计算得到暂存仓内混凝土体积V1，
V1=2/3S1h1。
在具体的实施例中，步骤S3中根据料斗掩膜和料斗内料面掩膜计算得到料斗内混凝土体积，具体包括：
对料斗掩膜和料斗内料面掩膜采用最小二值法拟合出料斗外接圆和料斗内混凝土外接圆，参考图10，并计算得到料面半径r，
r= R *rm/ Rm；
其中，Rm和rm分别为料斗外接圆和料斗内混凝土外接圆的半径，R为料斗实际半径；
根据料斗外接圆和料斗内混凝土外接圆的半径的比值以及料斗实际高度计算得到料面高度h2，
h2=H* rm/ Rm；
其中，H为料斗实际高度；
假定料斗为圆锥体，根据下式计算得到料斗内混凝土体积V2，
V2=1/3S2h2；
其中，S2为料面面积，S2=πr2。
具体的，等时间间隔T内循环以上操作，可以获取到与时间相关的料斗内混凝土体积变化曲线以及暂存仓内混凝土的体积变化曲线。料斗内混凝土流量为料斗内混凝土体积变化值与时间变化值的比值，暂存仓内混凝土流量分别为前后时刻的暂存仓内混凝土体积变化值与该时间变化值的比值。由料斗内混凝土体积变化曲线和暂存仓内混凝土体积变化曲线，得到料斗内混凝土的流量变化曲线和暂存仓内混凝土的流量变化曲线。
S4，建立在不同的混凝土塌落度下暂存仓的卸料口尺寸与暂存仓内混凝土流量曲线之间的对应关系，获取当前塌落度和当前卸料口尺寸，根据料斗内混凝土流量变化曲线确定当前料斗内混凝土流量，根据对应关系、当前塌落度和当前料斗内混凝土流量确定标定卸料口尺寸，根据对应关系、当前塌落度和当前卸料口尺寸确定标定暂存仓内混凝土流量。
在具体的实施例中，步骤S4具体包括：
于不同的混凝土塌落度下，确定暂存仓的不同的卸料口尺寸与暂存仓内混凝土流量变化曲线之间的对应关系；
根据对应关系确定当前塌落度对应的不同的卸料口尺寸下的暂存仓内混凝土流量曲线；
根据当前塌落度对应的不同的卸料口尺寸下的暂存仓内混凝土流量曲线以及当前料斗内混凝土流量得到标定卸料口尺寸；
根据当前塌落度对应的不同的卸料口尺寸下的暂存仓内混凝土流量曲线以及当前卸料口尺寸得到标定暂存仓内混凝土流量。
具体的，可通过预先测试标定出在不同的混凝土塌落度下，调整暂存仓的卸料口尺寸的大小，获得相应的暂存仓内混凝土流量变化曲线，并建立相应的对应关系。作为示例，当塌落度在100~110的范围内，可标定出多条不同卸料口尺寸对应的暂存仓内混凝土流量变化曲线。通过该对应关系和当前料斗内混凝土流量能够确定标定卸料口尺寸，在该标定卸料口尺寸下，使当前暂存仓内混凝土流量与当前料斗内混凝土流量相同。由于流动性不仅与塌落度相关，还与其他因素相关，预先标定的不同的混凝土塌落度下的不同的卸料口尺寸与暂存仓内混凝土流量变化曲线之间的对应关系与实际值会有差异。因此还需要进一步根据误差调整下标定卸料口尺寸。
S5，根据暂存仓内混凝土流量变化曲线确定当前暂存仓内混凝土流量，根据当前暂存仓内混凝土流量与标定暂存仓内混凝土流量对当前卸料口尺寸进行调整，得到用于调整的卸料口尺寸。
在具体的实施例中，步骤S5具体包括：
若当前暂存仓内混凝土流量小于标定暂存仓内混凝土流量并且当前暂存仓内混凝土流量与标定暂存仓内混凝土流量之间的差值在15%以内，则不进行补偿，以标定卸料口尺寸作为调整后的卸料口尺寸；
若当前暂存仓内混凝土流量小于标定暂存仓内混凝土流量并且当前暂存仓内混凝土流量与标定暂存仓内混凝土流量之间的差值超过15%，则取差值的85%补偿到标定卸料口尺寸中，得到调整后的卸料口尺寸；
若当前暂存仓内混凝土流量大于标定暂存仓内混凝土流量，则采用标定卸料口尺寸作为调整后的卸料口尺寸。
具体的，控制卸料口尺寸是根据混凝土的进料量和卸料量来设定的，卸料口卸料速度是指混凝土从暂存仓流入料斗的速度，与暂存仓内混凝土的流量变化相关；料斗进料速度是指混凝土从料斗流进罐车的速度，与料斗内的混凝土流量变化相关。如果卸料口卸料速度比料斗进料速度大，慢慢的就会出现混凝土溢出料斗，相反的，如果卸料口卸料速度比料斗进料速度小，则会出现卸料慢的问题。为了能够以稳定且快的速度卸料，就需要卸料口卸料速度和料斗进料速度处于一致状态。由于每辆搅拌车料斗的进料口尺寸一般是相同的，所以对于同一种塌落度（流动性）的混凝土，料斗进料速度（混凝土流入搅拌车料斗的速度）基本上会保持一致，所以需要通过改变暂存仓的卸料口尺寸，调节暂存仓内混凝土流量，使它保持和料斗进料速度一致。而卸料口尺寸调节多大，改变多少流量，就需要根据不同塌落度下标定的不同的卸料口尺寸下的暂存仓内混凝土流量曲线找出对应的卸料口尺寸大小。
如果当前暂存仓内混凝土流量小于标定暂存仓内混凝土流量并且当前暂存仓内混凝土流量与标定暂存仓内混凝土流量之间的差值在15%以内，则不进行补偿，直接将当前卸料口尺寸调整为标定卸料口尺寸，在此情况下，说明预先标定的暂存仓的不同的卸料口尺寸与暂存仓内混凝土流量变化曲线与实际情况差异不大，若要当前暂存仓内混凝土流量与当前料斗内混凝土流量保持一致，则直接取按照与当前料斗内混凝土流量所对应的标定卸料口尺寸作为调整后的卸料口尺寸。
如果当前暂存仓内混凝土流量小于标定暂存仓内混凝土流量并且当前暂存仓内混凝土流量与标定暂存仓内混凝土流量之间的差值超过15%，则需要先将标定卸料口尺寸进行补偿，取流量差值的85%补偿到标定卸料口尺寸，在此情况下，说明预先标定的暂存仓的不同的卸料口尺寸与暂存仓内混凝土流量变化曲线与实际情况差异较大，因此需要对标定卸料口尺寸进行补偿。若要当前暂存仓内混凝土流量与当前料斗内混凝土流量保持一致，则需将流量差值的85%补偿到标定卸料口尺寸后再作为调整后的卸料口尺寸。
如果当前暂存仓内混凝土流量大于标定暂存仓内混凝土流量并且当前暂存仓内混凝土流量，为了防止当前暂存仓内混凝土流量大于当前料斗内混凝土流量而导致溢出，需要使当前暂存仓内混凝土流量与当前料斗内混凝土流量保持一致，则直接取按照与当前料斗内混凝土流量所对应的标定卸料口尺寸作为调整后的卸料口尺寸。
进一步参考图11，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搅拌站卸料口尺寸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搅拌站卸料口尺寸调整装置，包括：
高线标定模块1，被配置为获取卸料前搅拌站暂存仓内处于未存料状态的图像，并标定得到暂存仓的高线；
图像分割模块2，被配置为获取卸料过程中的暂存仓的第一图像以及位于暂存仓的卸料口下方的搅拌车料斗的第二图像，对第一图像和第二图像进行预处理，并将预处理后的第一图像输入语义分割模型，得到暂存仓料面掩膜，将预处理后的第二图像输入语义分割模型，得到料斗掩膜和料斗内料面掩膜；
流量计算模块3，被配置为根据暂存仓料面掩膜和高线计算得到暂存仓内混凝土体积，根据料斗掩膜和料斗内料面掩膜计算得到料斗内混凝土体积，经过间隔时间重复执行高线标定模块至流量计算模块得到料斗内混凝土体积变化曲线和暂存仓内混凝土体积变化曲线，根据料斗内混凝土体积变化曲线以及暂存仓内混凝土体积变化曲线分别计算得到料斗内混凝土流量变化曲线和暂存仓内混凝土流量变化曲线；
标定模块4，被配置为建立在不同的混凝土塌落度下暂存仓的卸料口的开口尺寸与暂存仓内混凝土流量曲线之间的对应关系，获取当前塌落度和当前卸料口尺寸，根据料斗内混凝土流量变化曲线确定当前料斗内混凝土流量，根据对应关系、当前塌落度和当前料斗内混凝土流量确定标定卸料口尺寸，根据对应关系、当前塌落度和当前卸料口尺寸确定标定暂存仓内混凝土流量；
尺寸调整模块5，被配置为根据暂存仓内混凝土流量变化曲线确定当前暂存仓内混凝土流量，根据当前暂存仓内混凝土流量与标定暂存仓内混凝土流量对当前卸料口尺寸进行调整，得到用于调整的卸料口尺寸。
下面参考图12，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1200的结构示意图。图12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12所示，计算机装置1200包括中央处理单元（CPU）1201和图形处理器（GPU）1202，其可以根据存储在只读存储器（ROM）1203中的程序或者从存储部分1209加载到随机访问存储器（RAM）1204中的程序而执行各种适当的动作和处理。在RAM 1204中，还存储有装置1200操作所需的各种程序和数据。CPU 1201、GPU1202、ROM 1203以及RAM 1204通过总线1205彼此相连。输入/输出（I/O）接口1206也连接至总线1205。
以下部件连接至I/O接口1206：包括键盘、鼠标等的输入部分1207；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分1208；包括硬盘等的存储部分1209；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1210。通信部分1210经由诸如因特网的网络执行通信处理。驱动器1211也可以根据需要连接至I/O接口1206。可拆卸介质1212，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1211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1209。
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1210从网络上被下载和安装，和/或从可拆卸介质1212被安装。在该计算机程序被中央处理单元（CPU）1201和图形处理器（GPU）1202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：获取卸料前搅拌站暂存仓内处于未存料状态的图像，并标定得到暂存仓的高线；获取卸料过程中的暂存仓的第一图像以及位于暂存仓的卸料口下方的搅拌车料斗的第二图像，对第一图像和第二图像进行预处理，并将预处理后的第一图像输入语义分割模型，得到暂存仓料面掩膜，将预处理后的第二图像输入语义分割模型，得到料斗掩膜和料斗内料面掩膜；根据暂存仓料面掩膜和高线计算得到暂存仓内混凝土体积，根据料斗掩膜和料斗内料面掩膜计算得到料斗内混凝土体积，经过间隔时间重复以上步骤得到料斗内混凝土体积变化曲线和暂存仓内混凝土体积变化曲线，根据料斗内混凝土体积变化曲线以及暂存仓内混凝土体积变化曲线分别计算得到料斗内混凝土流量变化曲线和暂存仓内混凝土流量变化曲线；建立在不同的混凝土塌落度下暂存仓的卸料口尺寸与暂存仓内混凝土流量变化曲线之间的对应关系，获取当前塌落度和当前卸料口尺寸，根据料斗内混凝土流量变化曲线确定当前料斗内混凝土流量，根据对应关系、当前塌落度和当前料斗内混凝土流量确定标定卸料口尺寸，根据对应关系、当前塌落度和当前卸料口尺寸确定标定暂存仓内混凝土流量；根据暂存仓内混凝土流量变化曲线确定当前暂存仓内混凝土流量，根据当前暂存仓内混凝土流量与标定暂存仓内混凝土流量对当前卸料口尺寸进行调整，得到调整后的卸料口尺寸。
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搅拌站卸料口尺寸调整方法，其特征在于，包括以下步骤：
S1，获取卸料前搅拌站暂存仓内处于未存料状态的图像，并标定得到暂存仓的高线；
S2，获取卸料过程中的暂存仓的第一图像以及位于暂存仓的卸料口下方的搅拌车料斗的第二图像，对所述第一图像和第二图像进行预处理，并将预处理后的第一图像输入语义分割模型，得到暂存仓料面掩膜，将预处理后的第二图像输入语义分割模型，得到料斗掩膜和料斗内料面掩膜；
S3，根据所述暂存仓料面掩膜和所述高线计算得到暂存仓内混凝土体积，根据所述料斗掩膜和料斗内料面掩膜计算得到料斗内混凝土体积，经过间隔时间重复步骤S1-S3得到料斗内混凝土体积变化曲线和暂存仓内混凝土体积变化曲线，根据所述料斗内混凝土体积变化曲线以及暂存仓内混凝土体积变化曲线分别计算得到料斗内混凝土流量变化曲线和暂存仓内混凝土流量变化曲线；
S4，建立在不同的混凝土塌落度下暂存仓的卸料口尺寸与暂存仓内混凝土流量变化曲线之间的对应关系，获取当前塌落度和当前卸料口尺寸，根据所述料斗内混凝土流量变化曲线确定当前料斗内混凝土流量，根据所述对应关系、当前塌落度和当前料斗内混凝土流量确定标定卸料口尺寸，根据所述对应关系、当前塌落度和当前卸料口尺寸确定标定暂存仓内混凝土流量；
S5，根据所述暂存仓内混凝土流量变化曲线确定当前暂存仓内混凝土流量，根据当前暂存仓内混凝土流量与所述标定暂存仓内混凝土流量对所述当前卸料口尺寸进行调整，得到调整后的卸料口尺寸。
2.根据权利要求1所述的基于深度学习的搅拌站卸料口尺寸调整方法，其特征在于，所述语义分割模型为特征缩放2倍的UNet神经网络，在所述UNet神经网络的识别过程中，先根据识别结果图像确定封闭轮廓，并确定最大封闭轮廓所对应的掩膜，再进行膨胀腐蚀得到掩膜。
3.根据权利要求1所述的基于深度学习的搅拌站卸料口尺寸调整方法，其特征在于，所述步骤S2中对所述第一图像和第二图像进行预处理，具体包括：
获取样本图像并形成样本数据集，计算所述样本数据集的均值和方差；
对所述第一图像和第二图像进行缩放，并根据所述均值和方差进行图像均一化，得到预处理后的第一图像和预处理后的第二图像。
4.根据权利要求1所述的基于深度学习的搅拌站卸料口尺寸调整方法，其特征在于，所述步骤S3中根据所述暂存仓料面掩膜和所述高线计算得到暂存仓内混凝土体积，具体包括：
确定所述暂存仓料面掩膜中与所述高线同向的角点；
根据所述角点在高线上的比例以及暂存仓实际高度计算出暂存仓内混凝土的高h1，h1=α*h，其中，α为角点在高线上的比例，h为暂存仓实际高度；
根据所述高线与角点的比例以及与所述高线对应暂存仓的截面积计算出暂存仓内混凝土的上表面积S1，S1=α*S，其中，α为角点在高线上的比例，S为高线对应暂存仓的截面积；
假定暂存仓为倒金字塔五面体结构，根据下式计算得到暂存仓内混凝土体积V1，
V1=2/3S1h1。
5.根据权利要求1所述的基于深度学习的搅拌站卸料口尺寸调整方法，其特征在于，所述步骤S3中根据所述料斗掩膜和料斗内料面掩膜计算得到料斗内混凝土体积，具体包括：
对所述料斗掩膜和料斗内料面掩膜采用最小二值法拟合出料斗外接圆和料斗内混凝土外接圆，并得到料面半径r，
r= R *rm/ Rm；
其中，Rm和rm分别为料斗外接圆和料斗内混凝土外接圆的半径，R为料斗实际半径；
根据所述料斗外接圆和料斗内混凝土外接圆的半径的比值以及料斗实际高度计算得到料面高度h2，
h2=H* rm/ Rm；
其中，H为料斗实际高度；
假定料斗为圆锥体，根据下式计算得到料斗内混凝土体积：
V2=1/3S2h2；
其中，V2为料斗内混凝土的体积，S2为料面面积，S2=πr2。
6.根据权利要求1所述的基于深度学习的搅拌站卸料口尺寸调整方法，其特征在于，所述步骤S4具体包括：
于不同的混凝土塌落度下，确定暂存仓的不同的卸料口尺寸与暂存仓内混凝土流量变化曲线之间的对应关系；
根据所述对应关系确定当前塌落度对应的不同的卸料口尺寸下的暂存仓内混凝土流量曲线；
根据所述当前塌落度对应的不同的卸料口尺寸下的暂存仓内混凝土流量曲线以及当前料斗内混凝土流量得到标定卸料口尺寸；
根据所述当前塌落度对应的不同的卸料口尺寸下的暂存仓内混凝土流量曲线以及当前卸料口尺寸得到标定暂存仓内混凝土流量。
7.根据权利要求1所述的基于深度学习的搅拌站卸料口尺寸调整方法，其特征在于，所述步骤S5具体包括：
若当前暂存仓内混凝土流量小于所述标定暂存仓内混凝土流量并且当前暂存仓内混凝土流量与所述标定暂存仓内混凝土流量之间的差值在15%以内，则不进行补偿，以标定卸料口尺寸作为调整后的卸料口尺寸；
若当前暂存仓内混凝土流量小于所述标定暂存仓内混凝土流量并且当前暂存仓内混凝土流量与所述标定暂存仓内混凝土流量之间的差值超过15%，则取差值的85%补偿到所述标定卸料口尺寸中，得到调整后的卸料口尺寸；
若当前暂存仓内混凝土流量大于所述标定暂存仓内混凝土流量，则采用所述标定卸料口尺寸作为调整后的卸料口尺寸。
8.一种基于深度学习的搅拌站卸料口尺寸调整装置，其特征在于，包括：
高线标定模块，被配置为获取卸料前搅拌站暂存仓内处于未存料状态的图像，并标定得到暂存仓的高线；
图像分割模块，被配置为获取卸料过程中的暂存仓的第一图像以及位于暂存仓的卸料口下方的搅拌车料斗的第二图像，对所述第一图像和第二图像进行预处理，并将预处理后的第一图像输入语义分割模型，得到暂存仓料面掩膜，将预处理后的第二图像输入语义分割模型，得到料斗掩膜和料斗内料面掩膜；
流量计算模块，被配置为根据所述暂存仓料面掩膜和所述高线计算得到暂存仓内混凝土体积，根据所述料斗掩膜和料斗内料面掩膜计算得到料斗内混凝土体积，经过间隔时间重复执行高线标定模块至流量计算模块得到料斗内混凝土体积变化曲线和暂存仓内混凝土体积变化曲线，根据所述料斗内混凝土体积变化曲线以及暂存仓内混凝土体积变化曲线分别计算得到料斗内混凝土流量变化曲线和暂存仓内混凝土流量变化曲线；
标定模块，被配置为建立在不同的混凝土塌落度下暂存仓的卸料口的开口尺寸与暂存仓内混凝土流量曲线之间的对应关系，获取当前塌落度和当前卸料口尺寸，根据所述料斗内混凝土流量变化曲线确定当前料斗内混凝土流量，根据所述对应关系、当前塌落度和当前料斗内混凝土流量确定标定卸料口尺寸，根据所述对应关系、当前塌落度和当前卸料口尺寸确定标定暂存仓内混凝土流量；
尺寸调整模块，被配置为根据所述暂存仓内混凝土流量变化曲线确定当前暂存仓内混凝土流量，根据当前暂存仓内混凝土流量与所述标定暂存仓内混凝土流量对所述当前卸料口尺寸进行调整，得到调整后的卸料口尺寸。
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。
CN202211612249.9A 2022-12-15 2022-12-15 基于深度学习的搅拌站卸料口尺寸调整方法及装置 Active CN115592819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211612249.9A CN115592819B (zh) 2022-12-15 2022-12-15 基于深度学习的搅拌站卸料口尺寸调整方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211612249.9A CN115592819B (zh) 2022-12-15 2022-12-15 基于深度学习的搅拌站卸料口尺寸调整方法及装置

Publications (2)

Publication Number Publication Date
CN115592819A CN115592819A (zh) 2023-01-13
CN115592819B true CN115592819B (zh) 2023-03-17

Family

ID=84853942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211612249.9A Active CN115592819B (zh) 2022-12-15 2022-12-15 基于深度学习的搅拌站卸料口尺寸调整方法及装置

Country Status (1)

Country Link
CN (1) CN115592819B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111497028A (zh) * 2020-04-13 2020-08-07 湖南中联重科混凝土机械站类设备有限公司 搅拌站卸料控制方法、装置、卸料系统及搅拌站

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445160B (zh) * 2020-04-09 2022-04-26 广东创成建设监理咨询有限公司 一种基于人工智能视频分析的自伴混凝土质量管理方法
JP7411494B2 (ja) * 2020-04-24 2024-01-11 株式会社大林組 コンクリート管理システム、コンクリート管理方法及びコンクリート管理プログラム
CN111539111B (zh) * 2020-04-27 2024-04-05 上海建工集团股份有限公司 一种超高层建筑混凝土泵送性能测控系统
CN113580380B (zh) * 2021-03-19 2022-10-04 三一汽车制造有限公司 搅拌站智能卸料监控方法及系统
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
CN114768922A (zh) * 2022-03-08 2022-07-22 福建南方路面机械股份有限公司 圆锥破碎机排料口尺寸智能调整方法、装置及可读介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111497028A (zh) * 2020-04-13 2020-08-07 湖南中联重科混凝土机械站类设备有限公司 搅拌站卸料控制方法、装置、卸料系统及搅拌站

Also Published As

Publication number Publication date
CN115592819A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
KR101980024B1 (ko) 액정 패널의 그레이 스케일 값 설정 방법 및 액정 디스플레이 기기
US10614551B2 (en) Image interpolation methods and related image interpolation devices thereof
CN110363753B (zh) 图像质量评估方法、装置及电子设备
US20210392257A1 (en) Systems and methods for automatically adjusting aperture of a camera
CN111160531B (zh) 神经网络模型的分布式训练方法、装置及电子设备
CN108616649B (zh) 电子设备的显示控制方法和装置
CN111497028B (zh) 搅拌站卸料控制方法、装置、卸料系统及搅拌站
RU2653562C1 (ru) Способ установления значения уровня серого жидкокристаллической панели и жидкокристаллический дисплей
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
CN115592819B (zh) 基于深度学习的搅拌站卸料口尺寸调整方法及装置
CN111304406A (zh) 一种钢包底吹氩控制方法及装置
CN112488980A (zh) 一种熔料状态检测方法、装置及设备
CN117218118B (zh) 基于图像序列的坍落度监测方法、装置及可读介质
CN114474400B (zh) 搅拌站卸料控制方法、服务器、控制器及搅拌站
CN113011210B (zh) 视频处理方法和装置
CN117315454A (zh) 一种用于絮凝反应过程的评价方法、装置及系统
CN117195163A (zh) 基于混凝土配方的坍落度预测方法、装置及可读介质
CN116245769A (zh) 图像处理方法、装置、设备以及存储介质
CN110458754A (zh) 图像生成方法及终端设备
CN112669268A (zh) 一种多相混合浓度场分布均匀性评价方法、系统和终端
CN114648463A (zh) 一种灰度图像动态范围调整方法、装置、设备及介质
CN117422709B (zh) 基于rgb图像和深度图像的坍落度预测方法及装置
CN113881827A (zh) 一种钢包精炼炉的控制方法及装置
CN114445447A (zh) 一种图像分割方法、装置、设备及介质
CN113870800A (zh) 一种背光调节方法、装置、终端设备及存储介质

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