CN115908271A - 一种泵送混凝土坍落度在线监测方法、装置及设备 - Google Patents

Abstract

本发明公开了一种泵送混凝土坍落度在线监测方法、装置及设备，该方法包括：通过摄像模块实时获取混凝土的图像数据；从图像数据中抽取第一图像数据集，对第一图像数据集进行预处理，增强图像特征；通过图像分割模型将预处理后的第一图像数据集中图像数据的感兴趣混凝土区域分割出来，并将其矩形化后得到处理结果；根据处理结果确定第二图像数据集，将第二图像数据集输入至图像分类模型中得到分类结果，根据分类结果输出性能数值；其中，图像分割模型和图像分类模型为根据混凝土的图像数据训练好的模型。

Description

一种泵送混凝土坍落度在线监测方法、装置及设备

技术领域

本发明涉及混凝土工程技术领域，尤其涉及一种泵送混凝土坍落度在线监测方法、装置及设备。

背景技术

混凝土坍落度是评价其工作性能的重要指标之一，也是用以表征其流动性的基础常用指标，尤其是对于泵送混凝土来说，适宜的坍落度是保证其能够施工正常的前提。混凝土经预拌生产后需由混凝土搅拌运输车送至施工现场，在运输过程中由于水泥水化、水分蒸发等因素通常会造成坍落度的损失，二坍落度损失过大则会造成混凝土泵送、振捣困难，甚至发生堵泵，严重影响施工进度。

目前混凝土坍落度绝大多数情况下依照GB/T 50080-2016《普通混凝土拌合物性能试验方法标准》中的相关规定，通过人工取料采用坍落度筒测定，此种方法较为不便，不仅个人的操作对数值影响较大，而且无法得知在运输途中混凝土的坍落度变化情况，极易造成问题发现、反馈的滞后，给后续的交付、施工带来不便。

当前，混凝土坍落度在线监测主要通过两种方法，一是通过混凝土搅拌运输车搅拌驱动轴的扭矩等参数，二是通过图像。

专利CN 113146849 A公开了一种拌车混凝土的坍落度监控方法及装置，其通过测量搅拌车罐体驱动轴的扭矩和转速计算搅拌罐内混凝土坍落度，并可将搅拌车进料口处图像获取模块获取的搅拌罐内混凝土图像上传至后台控制中心，由控制中心人员目视观察估测。

专利CN 112752077A公开了一种混凝土运输过程的智能化监控系统，其通过摄像模块采集混凝土在运输车内状态影像，通过边缘运算处理器对视频进行图形对比分析得出混凝土的状态分类。

专利CN 113134913A公开了一种车载混凝土拌合物远程智能控制系统及混凝土搅拌车，通过数据分析对比模块对摄像模块所获取图像信号和标准的图像信号比对分析，从而得出坍落度。

上述专利所述，其存在的主要问题包括：(1)人工通过坍落度筒测定无法对运输过程中的混凝土坍落度进行测定；(2)由于混凝土种类的不同等因素，通过搅拌车罐体驱动周的扭矩计算坍落度的计算公式易产生误差；(3)上传图像至控制中心人工判读存在在主观影响且工作量较大、不便于持续观测；(4)图像对比法由于对比分析程序的差异，其效果参差不齐。上述问题需要通过研究加以改进。

发明内容

本发明提供了一种泵送混凝土坍落度在线监测方法、装置及设备，解决了如何对运输过程中的泵送混凝土坍落度进行高准确度的监测的问题。

一种泵送混凝土坍落度在线监测方法，包括：

通过摄像模块实时获取混凝土的图像数据；

从所述图像数据中抽取第一图像数据集，对所述第一图像数据集进行预处理，增强图像特征；

通过图像分割模型将预处理后的所述第一图像数据集中图像数据的感兴趣混凝土区域分割出来，并将其矩形化后得到处理结果；

根据所述处理结果确定第二图像数据集，将所述第二图像数据集输入至图像分类模型中得到分类结果，根据所述分类结果输出性能数值；

其中，所述图像分割模型和所述图像分类模型为根据混凝土的图像数据训练好的模型。

在本发明的一种实施例中，所述对所述第一图像数据集进行预处理，具体包括：通过传统视觉算法对于视频序列原图形进行图像增强处理，去除图像中的无效信息；所述图像增强处理包括直方图均衡化和对比度增强。

在本发明的一种实施例中，所述从所述图像数据中抽取第一图像数据集，具体包括：确定视频序列中的搅拌叶旋转一周的时间周期T；在一个时间周期T中，确定第一时刻的图像帧为所述时间周期T内的首张图像；在选取第一时刻的图像帧后，间隔预设时段t，再次选取第二时刻的图像帧为所述时间周期T内的第二张图像；以此类推，以所述预设时段t为时间间隔，在所述一个时间周期T内选取n张图像；其中，选取的图像数量与时间间隔相乘小于一个时间周期，即满足nt<T。

在本发明的一种实施例中，所述将预处理后的所述第一图像数据集中图像数据的感兴趣混凝土区域分割出来，具体包括：S1:对图像数据通过卷积操作进行特征提取，得到第一中间数据；S2：将所述第一中间数据进行池化处理，得到第二中间数据；重复S1～S2，进行降维处理，得到最终的降维结果；S3：对所述降维结果通过上采样操作进行维度恢复，得到第三中间数据；S4：对上采样后的所述第三中间数据通过卷积操作进行特征提取，得到第四中间数据；重复S3～S4，进行升维处理，得到最终的升维结果；其中，池化处理与所述上采样操作的次数相对应；将对应次数的第一中间数据和所述第四中间数据进行特征融合；将特征融合后的数据进行卷积操作，得到输出结果。

在本发明的一种实施例中，所述将所述第二图像数据集输入至图像分类模型中得到分类结果，具体包括：将输出的矩形图像集合作为图像数据集；通过图像分类模型对所述图像数据集进行特征提取，得到特征值；将所述特征值作为输入数据输入分类器，根据预设的多个坍落度等级，输出与所述图像数据对应的坍落度等级。

一种泵送混凝土坍落度在线监测装置，包括：

摄像模块，用于拍摄搅拌罐内混凝土视频图像；

清洁模块，用于通过加压水流清洗所述摄像模块镜头上的混凝土浆体等污渍；

数据处理模块，用于工控机将通过所述摄像模块获得的视频图像数据依照预设算法进行分析处理从而得出混凝土坍落度；

显示模块，用于将罐内混凝土图像及得出坍落度显示于驾驶室内显示器上；

通信模块，用于将罐内混凝土实时图像及数据处理模块所得坍落度上传到云端。

在本发明的一种实施例中，所述摄像模块为夜视、分辨率为1080P的摄像机，所述摄像机的镜头上设有纳米防雾防水贴膜。

在本发明的一种实施例中，所述清洁模块包括储水罐、气管、水管、加压阀、控制阀、喷嘴。

一种泵送混凝土坍落度在线监测设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通过总线通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被执行，以实现：

通过摄像模块实时获取混凝土的图像数据；

从所述图像数据中抽取第一图像数据集，对所述第一图像数据集进行预处理，增强图像特征；

通过图像分割模型将预处理后的所述第一图像数据集中图像数据的感兴趣混凝土区域分割出来，并将其矩形化后得到处理结果；

根据所述处理结果确定第二图像数据集，将所述第二图像数据集输入至图像分类模型中得到分类结果，根据所述分类结果输出性能数值；

其中，所述图像分割模型和所述图像分类模型为根据混凝土的图像数据训练好的模型。

一种非易失性存储介质，存储有计算机可执行指令，所述计算机可执行指令由处理器执行，以实现下述步骤：

通过摄像模块实时获取混凝土的图像数据；

从所述图像数据中抽取第一图像数据集，对所述第一图像数据集进行预处理，增强图像特征；

通过图像分割模型将预处理后的所述第一图像数据集中图像数据的感兴趣混凝土区域分割出来，并将其矩形化后得到处理结果；

根据所述处理结果确定第二图像数据集，将所述第二图像数据集输入至图像分类模型中得到分类结果，根据所述分类结果输出性能数值；

其中，所述图像分割模型和所述图像分类模型为根据混凝土的图像数据训练好的模型。

本发明提供了一种泵送混凝土坍落度在线监测方法、装置及设备，至少包括以下有益效果：(1)效率高：通过车载计算机对于罐内混凝土进行坍落度检测，减少了从搅拌车罐内取样并进行坍落度测试所需的人工，提高了检测效率。(2)全过程实时监测：车载计算机通过对于监控设备传输的罐内混凝土视频进行性能分析，并通过云端数据传输给工程师，完成对混凝土从出机、运输到卸料泵送的坍落度全过程实时监测，而非仅出机、泵送前两个间断时间点的坍落度测量。(3)准确率高：通过训练完备的混凝土坍落度监测系统完成对于计算机混凝土性能判断，在达到一定准确率后，不会随时间等其他外部条件发生准确率偏移，可保持相对稳定的测定效果。因此，本发明产品的应用可实现实时、全过程、高效率、稳定且准确的混凝土性能监测工作。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例提供的一种泵送混凝土坍落度在线监测方法步骤示意图；

图2为本发明实施例提供的坍落度系统监测设计流程图；

图3为本发明实施例提供的第一图像数据集抽取示意图；

图4为本发明实施例提供的搅拌车内部混凝土示例图；

图5为本发明实施例提供的U-Net模型示意图；

图6为本发明实施例提供的搅拌车内部混凝土分割处理图；

图7为本发明实施例提供的残差网络模型示意图；

图8为本发明实施例提供的装置应用示意图；

图9为本发明实施例提供的一种泵送混凝土坍落度在线监测装置示意图；

图10为本发明实施例提供的一种泵送混凝土坍落度在线监测设备示意图。

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，下面将结合本发明具体实施例对本发明进行清楚、完整的描述。显然，所描述的实施例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。

需要说明的是，本领域普通技术人员显式地和隐式地理解的是，本发明所描述的实施例在不冲突的情况下，可以与其它实施例相结合。除非另作定义，本发明所涉及的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本发明所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；本发明所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本发明提出了一种泵送混凝土坍落度在线监测方法，该方法主要应用于监测系统，该系统主要由搅拌车摄像模块、数据处理模块、显示模块等组成，通过上述各模块之间的协同工作完成对于混凝土拌坍落度在线监测的功能需求。下面进行具体说明。

图1为本发明实施例提供的一种泵送混凝土坍落度在线监测方法的步骤示意图，可以包括以下步骤：

S110：通过摄像模块实时获取混凝土的图像数据。

具体地，系统能自动地通过摄像机进行混凝土的实时监控、摄录视频并保存。系统平时的工作方式为摄像机全面监控，监控人员可以观看摄像机的摄录画面。

录入的视频图像以数字化压缩格式存储在计算机硬盘或云端。压缩比可用软件进行调整，存储的视频文件可由技术人员进行选择性提取、删除等操作。

坍落度监测系统如图2所示，可通过内置算法对于混凝土的坍落度进行数值化表征并在内置计算机显示。

S120：从图像数据中抽取第一图像数据集，对第一图像数据集进行预处理，增强图像特征。

在本发明的一种实施例中，从图像数据中抽取第一图像数据集，具体包括：确定视频序列中的搅拌叶旋转一周的时间周期T；在一个时间周期T中，确定第一时刻的图像帧为时间周期T内的首张图像；在选取第一时刻的图像帧后，间隔预设时段t，再次选取第二时刻的图像帧为时间周期T内的第二张图像；以此类推，以预设时段t为时间间隔，在一个时间周期T内选取n张图像；其中，选取的图像数量与时间间隔相乘小于一个时间周期，即满nt<T。

具体地，如图3所示，摄像机拍摄到图像数据后形成视频序列，针对于整个视频序列，其搅拌车内部搅拌叶片旋转一周为一个时间周期T，即叶片旋转至任意位置a为周期起始时刻，再次旋转至任意位置a所用时间为周期T。

在一个时间周期T中，选取第一时刻t₁的图像帧为一个时间周期内首张图像，间隔预设时段t，再次选取第二时刻t₂图像帧为一个时间周期内第二张图像，以此类推，以预设时段t为时间间隔，在周期T内选取n张图像，且满足nt<T。

在本发明的一种实施例中，对第一图像数据集进行预处理，具体包括：通过传统视觉算法对于视频序列原图形进行图像增强处理，去除图像中的无效信息；图像增强处理包括直方图均衡化和对比度增强。

具体地，系统设计通过对输入视频序列进行预处理，以满足后续算法处理需要，通过传统视觉算法和深度学习配合，通过传统视觉算法对于视频序列原图形进行直方图均衡及对比度增强等预处理手段增强图像特征。

针对搅拌车内部采集到的图像视频资料进行处理，其图像多为暗灰色图像，其图像具有较差的色块界限，图像所表现出的砂石粒子及其混合泥浆之间的界限模糊，如图4所示，对于后续进行砂石粒子的区分具有强干扰作用。通过传统视觉算法对于视频序列原图形进行直方图均衡及对比度增强等预处理手段增强图像特征。以砂石粒子界限区分清晰及剥除图像中无效信息为处理目的。

S130：通过图像分割模型将预处理后的第一图像数据集中图像数据的感兴趣混凝土区域分割出来，并将其矩形化后得到处理结果。

具体地，为了后续性能测定及深度学习数据集生成做准备，需要对于针对于视频序列进行感兴趣区域裁切及视频质量提升等预处理(对比度增强，灰度范围增大等)，为解决不同混凝土搅拌车差异化及镜头安装位置不同，利用图像分割算法(例：UNet模型)将感兴趣混凝土区域从原始图像中分割出来，并做进一步处理，将其矩形化，并将处理结果制作数据集，作为图像分类算法的输入，根据坍落度数值对混凝土图像标签化，并据此数据集训练坍落度监测系统。

Unet发表于2015年，属于全卷积神经网络(Fully Convolutional Networks，FCN)的一种变体。Unet的初衷是为了解决生物医学图像方面的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，比如卫星图像分割，工业瑕疵检测等。Unet跟FCN都是编码器-解码器Encoder-Decoder结构，结构简单但很有效。编码器Encoder负责特征提取，Decoder完成数据的升维操作。

在本发明的一种实施例中，将预处理后的第一图像数据集中图像数据的感兴趣混凝土区域分割出来，具体包括：S1:对图像数据通过卷积操作进行特征提取，得到第一中间数据；S2：将第一中间数据进行池化处理，得到第二中间数据；重复S1～S2，进行降维处理，得到最终的降维结果；S3：对降维结果通过上采样操作进行维度恢复，得到第三中间数据；S4：对上采样后的第三中间数据通过卷积操作进行特征提取，得到第四中间数据；重复S3～S4，进行升维处理，得到最终的升维结果；其中，池化处理与上采样操作的次数相对应；将对应次数的第一中间数据和第四中间数据进行特征融合；将特征融合后的数据进行卷积操作，得到输出结果。

具体地，如图5所示，Unet网络结构是对称的，形似英文字母U所以被称为Unet。整张图都由矩形框与各种箭头组成，在U型左半部分输入图像片(input image tile)，右半部分输出分割图(output segmentation map)，其中，矩形框表示特征地图featuremap；矩形框之间横向箭头(conv 3×3，ReLU)表示3×3卷积，用于特征提取；U型中左半部分指向右半部分的箭头(copy and crop)表示跳跃连接skip-connection，用于特征融合；U型左半部分朝下的箭头(max pool2×2)表示池化pooling，用于降低维度；右半部分朝上的箭头(up-conv 2×2)表示上采样upsample，用于恢复维度；在U型右半部分输出端(conv 1×1)最后一个朝右的箭头表示1×1卷积，用于输出分割结果。

在输出分割结果后对分割结果做进一步处理，将其矩形化，如图6所示为矩形化后的混凝土分割处理图。

S140：根据处理结果确定第二图像数据集，将第二图像数据集输入至图像分类模型中得到分类结果，根据分类结果输出性能数值。

其中，图像分割模型和图像分类模型为根据混凝土的图像数据训练好的模型。

具体地，图像分类模型在训练阶段，针对图像采集过程中输出的图像集合作为数据集，并由经验丰富的工程师为图像集合标注标签，并由此延伸出训练集、验证集及测试集。通过图像分类模型(ResNet模型)对于图像数据集进行特征提取。

残差神经网络(Residual Neural Network，ResNet)由微软研究院的Kaiming He等四名华人提出，通过使用ResNet Unit成功训练出了152层的神经网络，并在ILSVRC2015比赛中取得冠军，在top5上的错误率为3.57％，同时参数量比VGGNet低，效果非常突出。ResNet的结构可以极快的加速神经网络的训练，模型的准确率也有比较大的提升。同时ResNet的推广性非常好，甚至可以直接用到InceptionNet网络中。ResNet的主要思想是在网络中增加了直连通道，即Highway Network的思想。此前的网络结构是性能输入做一个非线性变换，而Highway Network则允许保留之前网络层的一定比例的输出。ResNet的思想和Highway Network的思想也非常类似，允许原始输入信息直接传到后面的层中，残差网络模型如图7所示。

深度学习模型随着网络的加深，由于模型训练过程中有梯度的方向传播，多层次求导会连乘，可能会导致梯度趋近于0，从而梯度消散，导致网络很难收敛甚至无法收敛。梯度弥散问题目前有很多的解决办法，包括网络初始标准化，数据标准化以及中间层的标准化(Batch Normalization)等。但是网络加深还会带来另外一个问题：随着网络加深，出现训练集与测试集准确率均下降的现象，

残差神经网络ResNet，指的是在传统卷积神经网络中加入残差学习(residuallearning)的思想，解决了深层网络中梯度弥散和精度下降(训练集)的问题，使网络能够越来越深，既保证了精度，又控制了速度。

在本发明的一种实施例中，将第二图像数据集输入至图像分类模型中得到分类结果，具体包括：将输出的矩形图像集合作为图像数据集；通过图像分类模型对图像数据集进行特征提取，得到特征值；将特征值作为输入数据输入分类器，根据预设的多个坍落度等级，输出与图像数据对应的坍落度等级。

具体地，由卷积神经网络得到的特征值，将其作为分类器输入数据，分类器类别设计由实际项目需要设计，例如：坍落度分为等级[SL₁,SL₂,…SL₇,SL₈,SL₉]，分类器输出结果为[SL]，其中SL代表坍落度性能表征等级数值。

本发明在算法研究成功的基础上，在搅拌车上搭建了一个方便易用可靠的混凝土性能测定与可视化系统，如图8所示，用户可在车厢内通过视频观察混凝土的状况。系统支持用户将搅拌车实时监控的混凝土搅拌视频进行实时数据分析。

以上为本发明实施例提供的一种泵送混凝土坍落度在线监测方法，基于同样的发明思路，本发明实施例还提供了相应的一种泵送混凝土坍落度在线监测装置，如图9所示。

摄像模块901，用于拍摄搅拌罐内混凝土视频图像；清洁模块902，用于通过加压水流清洗摄像模块镜头上的混凝土浆体等污渍；数据处理模块903，用于工控机将通过摄像模块获得的视频图像数据依照预设算法进行分析处理从而得出混凝土坍落度；显示模块904，用于将罐内混凝土图像及得出坍落度显示于驾驶室内显示器上；通信模块905，用于将罐内混凝土实时图像及数据处理模块所得坍落度上传到云端。

在本发明的一种实施例中，摄像模块901为夜视、分辨率为1080P的摄像机，摄像机的镜头上设有纳米防雾防水贴膜。

在本发明的一种实施例中，清洁模块902包括储水罐、气管、水管、加压阀、控制阀、喷嘴。

具体地，如图9所示为装置在搅拌机上的应用示意图，装置组成主要包括：(1)摄像模块901：用以拍摄搅拌罐内混凝土视频图像，为保持图像清晰度，应为夜视、1080P摄像头，为便于清洁，镜头上应有纳米防雾防水贴膜；(2)清洁模块902：用以通过加压水流清洗摄像头镜头上的混凝土浆体等污渍，由储水罐、气管、水管、加压阀、控制阀、喷嘴构成，优选地，可将控制阀引入驾驶室内；(3)数据处理模块903：通过工控机将摄像模块所获得的视频图像依照预设算法进行分析处理从而得出混凝土坍落度；(4)显示模块904：将罐内混凝土图像及得出坍落度显示与驾驶室内显示器上；(5)通信模块905：将罐内混凝土实时图像及数据处理模块所得坍落度上传，可供技术人员监查。

本发明实施例还提供了相应的一种泵送混凝土坍落度在线监测设备，如图10所示。

本实施例提供了一种泵送混凝土坍落度在线监测设备，包括：

至少一个处理器1001；以及，与至少一个处理器1001通过总线1003通信连接的存储器1002；其中，存储器1002存储有可被至少一个处理器执行的指令，指令被至少一个处理器1001执行，以使至少一个处理器1001能够执行：

通过摄像模块实时获取混凝土的图像数据；从图像数据中抽取第一图像数据集，对第一图像数据集进行预处理，增强图像特征；通过图像分割模型将预处理后的第一图像数据集中图像数据的感兴趣混凝土区域分割出来，并将其矩形化后得到处理结果；根据处理结果确定第二图像数据集，将第二图像数据集输入至图像分类模型中得到分类结果，根据分类结果输出性能数值；其中，图像分割模型和图像分类模型为根据混凝土的图像数据训练好的模型。

基于同样的思路，本发明的一些实施例还提供了上述方法对应的介质。

本发明的一些实施例提供的一种存储介质，存储有计算机可执行指令，计算机可执行指令由处理器执行，以实现下述步骤：

通过摄像模块实时获取混凝土的图像数据；从图像数据中抽取第一图像数据集，对第一图像数据集进行预处理，增强图像特征；通过图像分割模型将预处理后的第一图像数据集中图像数据的感兴趣混凝土区域分割出来，并将其矩形化后得到处理结果；根据处理结果确定第二图像数据集，将第二图像数据集输入至图像分类模型中得到分类结果，根据分类结果输出性能数值；其中，图像分割模型和图像分类模型为根据混凝土的图像数据训练好的模型。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程方法商品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程方法商品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程方法商品或者方法中还存在另外的相同要素。

以上仅为本发明的实施例而已，并不用于限制本发明。虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种泵送混凝土坍落度在线监测方法，其特征在于，包括：

通过摄像模块实时获取混凝土的图像数据；

从所述图像数据中抽取第一图像数据集，对所述第一图像数据集进行预处理，增强图像特征；

通过图像分割模型将预处理后的所述第一图像数据集中图像数据的感兴趣混凝土区域分割出来，并将其矩形化后得到处理结果；

根据所述处理结果确定第二图像数据集，将所述第二图像数据集输入至图像分类模型中得到分类结果，根据所述分类结果输出性能数值；

其中，所述图像分割模型和所述图像分类模型为根据混凝土的图像数据训练好的模型。

2.根据权利要求1所述的方法，其特征在于，所述对所述第一图像数据集进行预处理，具体包括：

通过传统视觉算法对于视频序列原图形进行图像增强处理，去除图像中的无效信息；

所述图像增强处理包括直方图均衡化和对比度增强。

3.根据权利要求1所述的方法，其特征在于，所述从所述图像数据中抽取第一图像数据集，具体包括：

确定视频序列中的搅拌叶旋转一周的时间周期T；

在一个时间周期T中，确定第一时刻的图像帧为所述时间周期T内的首张图像；

在选取第一时刻的图像帧后，间隔预设时段t，再次选取第二时刻的图像帧为所述时间周期T内的第二张图像；以此类推，以所述预设时段t为时间间隔，在所述一个时间周期T内选取n张图像；

其中，选取的图像数量与时间间隔相乘小于一个时间周期，即满足nt<T。

4.根据权利要求1所述的方法，其特征在于，所述将预处理后的所述第一图像数据集中图像数据的感兴趣混凝土区域分割出来，具体包括：

S1:对图像数据通过卷积操作进行特征提取，得到第一中间数据；

S2：将所述第一中间数据进行池化处理，得到第二中间数据；

重复S1～S2，进行降维处理，得到最终的降维结果；

S3：对所述降维结果通过上采样操作进行维度恢复，得到第三中间数据；

S4：对上采样后的所述第三中间数据通过卷积操作进行特征提取，得到第四中间数据；

重复S3～S4，进行升维处理，得到最终的升维结果；

其中，池化处理与所述上采样操作的次数相对应；

将对应次数的第一中间数据和所述第四中间数据进行特征融合；

将特征融合后的数据进行卷积操作，得到输出结果。

5.根据权利要求1所述的方法，其特征在于，所述将所述第二图像数据集输入至图像分类模型中得到分类结果，具体包括：

将输出的矩形图像集合作为图像数据集；

通过图像分类模型对所述图像数据集进行特征提取，得到特征值；

将所述特征值作为输入数据输入分类器，根据预设的多个坍落度等级，输出与所述图像数据对应的坍落度等级。

6.一种泵送混凝土坍落度在线监测装置，其特征在于，包括：

摄像模块，用于拍摄搅拌罐内混凝土视频图像；

清洁模块，用于通过加压水流清洗所述摄像模块镜头上的混凝土浆体等污渍；

数据处理模块，用于工控机将通过所述摄像模块获得的视频图像数据依照预设算法进行分析处理从而得出混凝土坍落度；

显示模块，用于将罐内混凝土图像及得出坍落度显示于驾驶室内显示器上；

通信模块，用于将罐内混凝土实时图像及数据处理模块所得坍落度上传到云端。

7.根据权利要求6所述的装置，其特征在于，所述摄像模块为夜视、分辨率为1080P的摄像机，所述摄像机的镜头上设有纳米防雾防水贴膜。

8.根据权利要求6所述的装置，其特征在于，所述清洁模块包括储水罐、气管、水管、加压阀、控制阀、喷嘴。

9.一种泵送混凝土坍落度在线监测设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通过总线通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被执行，以实现：

通过摄像模块实时获取混凝土的图像数据；

从所述图像数据中抽取第一图像数据集，对所述第一图像数据集进行预处理，增强图像特征；

通过图像分割模型将预处理后的所述第一图像数据集中图像数据的感兴趣混凝土区域分割出来，并将其矩形化后得到处理结果；

根据所述处理结果确定第二图像数据集，将所述第二图像数据集输入至图像分类模型中得到分类结果，根据所述分类结果输出性能数值；

其中，所述图像分割模型和所述图像分类模型为根据混凝土的图像数据训练好的模型。

10.一种非易失性存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令由处理器执行，以实现下述步骤：

通过摄像模块实时获取混凝土的图像数据；

从所述图像数据中抽取第一图像数据集，对所述第一图像数据集进行预处理，增强图像特征；

通过图像分割模型将预处理后的所述第一图像数据集中图像数据的感兴趣混凝土区域分割出来，并将其矩形化后得到处理结果；

根据所述处理结果确定第二图像数据集，将所述第二图像数据集输入至图像分类模型中得到分类结果，根据所述分类结果输出性能数值；

其中，所述图像分割模型和所述图像分类模型为根据混凝土的图像数据训练好的模型。

Images