CN116223502A - 一种粗骨料含泥量智能检测装置及检测方法 - Google Patents

一种粗骨料含泥量智能检测装置及检测方法 Download PDF

Info

Publication number
CN116223502A
CN116223502A CN202310160601.8A CN202310160601A CN116223502A CN 116223502 A CN116223502 A CN 116223502A CN 202310160601 A CN202310160601 A CN 202310160601A CN 116223502 A CN116223502 A CN 116223502A
Authority
CN
China
Prior art keywords
coarse aggregate
training
image
intelligent detection
mud content
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
Application number
CN202310160601.8A
Other languages
English (en)
Inventor
周令新
刘桂卫
崔庆国
付雪松
李志龙
雷晓雨
冷景岩
黄英儒
张德保
冯彦谦
钱欣
谢东
苏燕舞
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.)
Feitai Transportation Technology Co ltd
China Railway Design Corp
Original Assignee
Feitai Transportation Technology Co ltd
China Railway Design Corp
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 Feitai Transportation Technology Co ltd, China Railway Design Corp filed Critical Feitai Transportation Technology Co ltd
Priority to CN202310160601.8A priority Critical patent/CN116223502A/zh
Publication of CN116223502A publication Critical patent/CN116223502A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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
    • G06T2207/30132—Masonry; Concrete
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/91—Use of waste materials as fillers for mortars or concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Ceramic Engineering (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种粗骨料含泥量智能检测装置及检测方法，属于铁路工程施工阶段原材料检测技术领域，包括：对拌合站仓内粗骨料图像进行抓拍的图像采集设备；接收图像采集设备的图像信息，利用分析模型对图像信息进行分析处理，进而实现对含泥量超标检测的智能检测盒；分析模型的构建步骤为：首先建立粗骨料含泥图像样本库，样本库中的图像样本包括图像采集设备采集的拌合站仓内粗骨料图像和试验室待检样品图像；然后结合试验检测结果对样本库中粗骨料含泥图像进行分类标注，在深度学习框架完成图像信息的数据增强及粗骨料含泥量智能检测神经网络模型的训练及有效性验证；最终将满足含泥量智能检测精度要求的模型集成到智能检测盒中。

Description

一种粗骨料含泥量智能检测装置及检测方法
技术领域
本发明属于铁路工程施工阶段原材料检测技术领域，具体涉及一种粗骨料含泥量智能检测装置及检测方法。
背景技术
铁路工程建设中施工原材料质量至关重要，粗骨料是指粒径大于5mm的骨料，是混凝土的重要组成原料，常用的粗骨料有碎石及卵石两种。粗骨料含泥量指标超标，会严重影响混凝土性能和工程质量。目前传统的粗骨料含泥量检测方法主要以人工目视和抽样试验检测法为主。人工目视检测法易受主观因素影响，抽样试验法存在抽检样品有限及试验周期长导致的试验结果不及时等问题，需要提出新方法来提升对粗骨料含泥量的检测效率来保证原材料的质量。
发明内容
本发明为解决公知技术中存在的技术问题，提供一种粗骨料含泥量智能检测装置及检测方法，针对现有粗骨料含泥量检测效率存在的问题，通过建立人工智能算法，可实现对粗骨料含泥量是否超标进行快速检测，实现铁路施工阶段原材料质量管理的智能化和信息化。
本发明的第一目的是提供一种粗骨料含泥量智能检测装置及检测方法，包括：
对拌合站仓内粗骨料图像进行抓拍的图像采集设备；
接收图像采集设备的图像信息，利用分析模型对图像信息进行分析处理，进而实现对含泥量超标检测的智能检测盒；其中：所述分析模型的构建步骤为：
首先建立粗骨料含泥图像样本库，样本库中的图像样本包括图像采集设备采集的拌合站仓内粗骨料图像和试验室待检样品图像；
然后结合试验检测结果对样本库中粗骨料含泥图像进行分类标注，在深度学习框架完成图像信息的数据增强及粗骨料含泥量智能检测神经网络模型的训练及有效性验证；
最终将满足含泥量智能检测精度要求的模型集成到智能检测盒中。
优选地，所述图像采集设备通过固定装置安装在粗骨料储料仓上方。
优选地，所述图像采集设备为高清摄像机。
优选地，所述智能检测盒通过物联网与远程终端进行数据交互。
优选地，所述深度学习框架为EfficientNetV2网络框架。
优选地，EfficientNetV2网络框架根据训练图像的尺寸动态调节正则方法，具体为：
渐进式学习抽象成一个公式来设置不同训练阶段使用的训练尺寸以及正则化强度；假设整个训练过程有N步，目标训练尺寸是Se，正则化列表
Figure BDA0004094002320000021
其中k代表k种正则方法；初始化训练尺寸S0，初始化正则化强度为/>
Figure BDA0004094002320000022
接着将整个训练过程划分成个M阶段，对于第i个阶段(1≤i≤M)模型的训练尺寸为Si，正则化强度为/>
Figure BDA0004094002320000023
对于不同阶段直接使用线性插值的方法递增；具体流程如下：
输入初始化的训练尺寸S0和正则化强度
Figure BDA0004094002320000024
输入目标训练尺寸Se和正则化强度
Figure BDA0004094002320000025
输入整个训练过程的步数N和阶段数M；
当i＝0且i≤M-1执行以下定义，
训练尺寸：
Figure BDA0004094002320000026
正则化强度：
Figure BDA0004094002320000027
那么对于第
Figure BDA0004094002320000028
步则采用Si和Ri进行模型的渐进式训练；
所述网络框架在学习的过程中，自主选择粗骨料含泥图像上的特征，结合数据增强，模型训练，分类预测，实现粗骨料泥含量智能分类。
优选地，正则方法包括Dropout rate、RandAugment magnitude以及Mixup ratio。
本发明的第二目的是提供一种粗骨料含泥量智能检测方法，包括：
S1，采用图像采集设备对当前入仓的粗骨料进行多位置拍摄，同时对试验室待检样品进行拍摄完成粗骨料含泥图像的数据采集；
S2，判断是否是第一次使用深度学习模型，如果否，则跳到S5，否则，继续将拍摄得到的图像数据通过网络上传至上位机，并且在上位机接收数据后，对数据标准化；
S3，得到标准化后的粗骨料图像后，将图像进行类别标注，获得带有标注信息的粗骨料图像；
S4，将带有标注信息的粗骨料图像进行数据增强，并逐个输入到深度学习网络输入接口，通过渐进式学习策略对深度学习网络进行训练，通过调整多个网络训练超参数进行重复训练，获取准确度较高的训练模型；
S5，将未带有标注信息的粗骨料图像输入到训练完成的深度学习网络输入接口，深度学习网络首先对图像进行多层特征提取，而后通过Fused-MBConv结构获取第一阶段的目标特征信息，而后通过MBConv结构实现第二阶段特征提取，再对提取的特征进行卷积操作，通过全连接网络获取目标属于不同类别的概率，判别当前批次粗骨料的含泥量。
本发明具有的优点和积极效果是：
本发明通过引入基于深度学习的粗骨料含泥量人工智能检测算法，可在一定程度上解决传统检测方法检测效率低的问题，并通过监测预警系统将含泥量超标批次信息传递给管理人员，可在很大程度上提升原材料质量管理能力，工程应用前景广阔。
附图说明
图1为本发明优选实施例中粗骨料智能检测装置与储料仓位置关系示意图；
图2为本发明优选实施例中粗骨料智能检测装置示意图；
图3为本发明优选实施例中基于EfficientNetV2方法的粗骨料含泥量智能检测算法流程图。
图中：1、高清摄像机；2、智能检测盒；3、固定装置；4、粗骨料储料仓。
具体实施方式
为能进一步了解本发明的内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：
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。基于本发明中的技术方案，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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“顶”、“底”、等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图1至图3。
一种粗骨料含泥量智能检测装置，包括：
对拌合站仓内粗骨料图像进行抓拍的图像采集设备；本优选实施例中的图像采集设备为高清摄像机1；该高清摄像机具备远距离高清抓拍功能，像素满足在800万以上，满足强光抑制、透雾和夜间拍照的功能需要，具备图像信息网络传输能力。摄像机镜头可实现多角度旋转，通过预设置抓拍位置及抓拍时间可实现对拌合站仓内粗骨料图像的全天候抓拍采集；
接收图像采集设备的图像信息，利用分析模型对图像信息进行分析处理，进而实现对含泥量超标检测的智能检测盒2；其中：所述分析模型的构建步骤为：
首先建立粗骨料含泥图像样本库，样本库中的图像样本包括图像采集设备采集的拌合站仓内粗骨料图像和试验室待检样品图像；
然后结合试验检测结果对样本库中粗骨料含泥图像进行分类标注，在深度学习框架完成图像信息的数据增强及粗骨料含泥量智能检测神经网络模型的训练及有效性验证；
最终将满足含泥量智能检测精度要求的模型集成到智能检测盒中。
如图1所示：所述摄像机及检测盒固定装置首先垂直固定于拌合站粗骨料储料仓4之间的挡墙上，与挡墙空间位置关系为储料仓中间位置处，所述高清摄像机与摄像机及检测盒固定装置相连接，智能检测盒固定于摄像机及检测盒固定装置的立杆上，监测预警系统部署在远端服务器上。
智能检测盒中安装有训练好的模型，模型的建立刚才为：首先建立起粗骨料含泥图像样本库，图像样本由拌合站摄像机采集及试验室待检样品两种途径提供。结合传统试验检测结果对样本库中粗骨料含泥图像进行分类标注，在深度学习框架完成图像信息的数据增强及粗骨料含泥量智能检测神经网络模型的训练及有效性验证，最终将满足含泥量智能检测精度要求的算法集成到芯片上并在智能检测盒中应用。可实现对摄像装置采集粗骨料图像进行实时处理及含泥量超标检测的目的。
智能检测盒满足信息传递和接收机制，检测盒既可以接收来自高清摄像机采集到的粗骨料图像信息，同时可将粗骨料含泥图像、检测结果及有关设备唯一属性的特征信息传递到部署在远端服务器上的监测预警软件系统上。
还包括监测预警软件系统；监测预警软件系统包含网页端和移动端两个处理终端，两个终端均满足对粗骨料含泥量超标信息的接收、查看、及处理功能。其中网页端还具备数据统计功能，即可按一定时间周期对各个拌合站发生的粗骨料含泥量超标事件进行频次统计，通过查看含泥量超标事件统计结果，管理人员可有重点的从时间和空间上对原材料质量进行把控。
摄像及检测盒固定装置3，在于加工合适的安装接口并具备一定的尺寸长度，满足摄像装置及智能检测盒的安装及固定并满足摄像装置抓拍清晰粗骨料含泥图像的拍摄角度
在上述优选实施例中：
主要包括高清摄像装置1、智能检测盒2和摄像及检测盒固定装置3以及一套监测预警软件系统，其中摄像及检测盒固定装置3固定于粗骨料储料仓4之间的挡墙上，并位于储料仓之间挡墙的中间位置处，高清摄像装置1与摄像及检测盒固定装置3的顶部相连接，智能检测盒2固定于摄像及检测盒固定装置3立杆的中间位置，监测预警软件系统部署在远端服务器上。
智能检测盒2是本发明的核心装置因为其集成了智能评价粗骨料含泥量的算法，算法的创建基于深度学习的神经网络，这里采用的是EfficientNetV2网络框架，EfficientNetV2是近年提出的框架搜索型基础网络，在图像识别方面具有较高的分类准确度，此外EfficientNetV2相较于之前的网络框架(EfficientNetV1)采用了改进的渐进学习方法，该方法会根据训练图像的尺寸动态调节正则方法。具体为：
渐进式学习可抽象成一个公式来设置不同训练阶段使用的训练尺寸以及正则化强度。假设整个训练过程有N步，目标训练尺寸(最终训练尺度)是Se，正则化列表(最终正则强度)
Figure BDA0004094002320000051
其中k代表k种正则方法(包含：Dropout rate、RandAugment magnitude以及Mixup ratio三种)。初始化训练尺寸S0，初始化正则化强度为/>
Figure BDA0004094002320000052
接着将整个训练过程划分成个M阶段，对于第i个阶段(1≤i≤M)模型的训练尺寸为Si，正则化强度为
Figure BDA0004094002320000053
对于不同阶段直接使用线性插值的方法递增。具体流程如下：
输入：初始化的训练尺寸S0和正则化强度
Figure BDA0004094002320000054
输入：目标训练尺寸Se和正则化强度
Figure BDA0004094002320000055
输入：整个训练过程的步数N和阶段数M；
当i＝0且i≤M-1执行以下定义，
训练尺寸：
Figure BDA0004094002320000056
正则化强度：
Figure BDA0004094002320000057
/>
那么对于第
Figure BDA0004094002320000058
步则采用Si和Ri进行模型的渐进式训练。
通过以上方法使得EfficientNetV2网络框架在模型训练速度和准确率方面均有提升，同时训练过程所采用的参数有所减少。为了检测粗骨料泥含量，该网络框架在学习的过程中会自主选择粗骨料含泥图像上的有用特征，包含颜色、纹理、形状和形态还有目标周围特征信息，结合数据增强，模型训练，分类预测，实现粗骨料泥含量智能分类，基于EfficientNetV2方法的粗骨料含泥量智能检测算法建立流程如下(流程图见图3)：
S1，采用现场的高清摄像头对当前入仓的粗骨料进行多位置拍摄，同时对试验室待检样品进行拍摄完成粗骨料含泥图像的数据采集；
S2，判断是否是第一次使用深度学习模型，如果否，则跳到S5，否则，继续将拍摄得到的图像数据通过网络上传至上位机，并且在上位机接收数据后，对数据标准化；
S3，得到标准化后的粗骨料图像后，将图像进行类别标注，获得带有标注信息的粗骨料图像；
S4，将带有标注信息的粗骨料图像进行数据增强，并逐个输入到深度学习网络输入接口，通过渐进式学习策略对深度学习网络进行训练，通过调整多个网络训练超参数进行重复训练，获取准确度较高的训练模型；
S5，将未带有标注信息的粗骨料图像输入到训练完成的深度学习网络输入接口，深度学习网络首先对图像进行多层特征提取，而后通过Fused-MBConv结构获取第一阶段的目标特征信息，而后通过MBConv结构实现第二阶段特征提取，再对提取的特征进行卷积操作，通过全连接网络获取目标属于不同类别的概率，判别当前批次粗骨料的含泥量。
经过以上步骤基于EfficientNetV2方法的粗骨料含泥量智能检测算法得以建立，算法建立后通过芯片集成最终形成智能检测盒2。
高清摄像装置1、集成智能检测算法的智能检测盒2和摄像及检测盒固定装置3在粗骨料储料仓4完成固定和安装后，智能检测盒2会实时处理高清摄像装置1采集的仓内不同位置不同时刻的粗骨料图像信息，经过智能检测算法的判定，将不合格的粗骨料信息传递给部署在远端服务器上的监测预警软件系统，该软件系统采用spring boot+vue前后端分离开发框架进行开发，当不合格粗骨料信息经由智能检测盒2传递给监测预警系统后，不合格信息会在MySQL数据库中进行存储并生成一次粗骨料含泥量超标事件，超标事件会以短信形式将简要内容分发给监测预警系统的各级使用用户，具体超标信息可由用户登录监测预警系统进行查看。其中拌合站现场管理人员可对超标事件进行核验及现场处理，并将处理结果和处理说明在前端网页页面进行录入并在数据库中进行存储作为超标事件的处理标记。监测预警系统还具有粗骨料含泥量超标事件统计功能，可按照一定时间将各个拌合站发生的粗骨料含泥量超标事件进行统计，统计结果根据查看权限向软件使用用户进行展示。
一种基于高清摄像和人工智能的粗骨料含泥量快速检测技术，实现粗骨料含泥量大范围、低延时、智能化快速检测，形成智能检测产品，工程产业化应用广阔。
本发明通过对粗骨料待检样品和拌合站粗骨料堆料进行图像采集，建立粗骨料含泥量图像样本库，结合传统含泥量试验检测结果对样本库中图像进行分类标注，在深度学习框架下进行含泥图像信息的数据增强以及粗骨料含泥量智能检测神经网络模型的训练、测试和有效性验证，通过提升图像样本库丰富度来优化模型的检测效率及精度。将训练好的神经网络模型进行集成形成智能检测盒，可实时处理高清网络摄像装置采集到的粗骨料含泥图像并进行含泥量超标检测，将不合格批次的粗骨料信息传送至远端服务器上的监测预警系统进行存储，由监测预警系统将含泥量超标信息分发给现场各级管理人员，以达到含泥量智能检测及超标监测预警的目的，本装置及方法可有效解决传统试验检测法检测效率低的问题，提升铁路工程中原材料质量的管控能力，工程产业化应用前景广阔。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (8)

1.一种粗骨料含泥量智能检测装置，其特征在于，包括：
对拌合站仓内粗骨料图像进行抓拍的图像采集设备；
接收图像采集设备的图像信息，利用分析模型对图像信息进行分析处理，进而实现对含泥量超标检测的智能检测盒；其中：所述分析模型的构建步骤为：
首先建立粗骨料含泥图像样本库，样本库中的图像样本包括图像采集设备采集的拌合站仓内粗骨料图像和试验室待检样品图像；
然后结合试验检测结果对样本库中粗骨料含泥图像进行分类标注，在深度学习框架完成图像信息的数据增强及粗骨料含泥量智能检测神经网络模型的训练及有效性验证；
最终将满足含泥量智能检测精度要求的模型集成到智能检测盒中。
2.根据权利要求1所述粗骨料含泥量智能检测装置，其特征在于，所述图像采集设备通过固定装置安装在粗骨料储料仓上方。
3.根据权利要求1所述粗骨料含泥量智能检测装置及检测方法，其特征在于，所述图像采集设备为高清摄像机。
4.根据权利要求1所述粗骨料含泥量智能检测装置及检测方法，其特征在于，所述智能检测盒通过物联网与远程终端进行数据交互。
5.根据权利要求1所述粗骨料含泥量智能检测装置及检测方法，其特征在于，所述深度学习框架为EfficientNetV2网络框架。
6.根据权利要求5所述粗骨料含泥量智能检测装置及检测方法，其特征在于，EfficientNetV2网络框架根据训练图像的尺寸动态调节正则方法，具体为：
渐进式学习抽象成一个公式来设置不同训练阶段使用的训练尺寸以及正则化强度；假设整个训练过程有N步，目标训练尺寸是Se，正则化列表
Figure FDA0004094002230000011
其中k代表k种正则方法；初始化训练尺寸S0，初始化正则化强度为/>
Figure FDA0004094002230000012
接着将整个训练过程划分成个M阶段，对于第i个阶段(1≤i≤M)模型的训练尺寸为Si，正则化强度为/>
Figure FDA0004094002230000013
对于不同阶段直接使用线性插值的方法递增；具体流程如下：
输入初始化的训练尺寸S0和正则化强度
Figure FDA0004094002230000014
输入目标训练尺寸Se和正则化强度
Figure FDA0004094002230000015
输入整个训练过程的步数N和阶段数M；
当i＝0且i≤M-1执行以下定义，
训练尺寸：
Figure FDA0004094002230000021
正则化强度：
Figure FDA0004094002230000022
那么对于第
Figure FDA0004094002230000023
步则采用Si和Ri进行模型的渐进式训练；
所述网络框架在学习的过程中，自主选择粗骨料含泥图像上的特征，结合数据增强，模型训练，分类预测，实现粗骨料泥含量智能分类。
7.根据权利要求6所述粗骨料含泥量智能检测装置及检测方法，其特征在于，正则方法包括Dropout rate、RandAugment magnitude以及Mixup ratio。
8.一种粗骨料含泥量智能检测方法，其特征在于，包括：
S1，采用图像采集设备对当前入仓的粗骨料进行多位置拍摄，同时对试验室待检样品进行拍摄完成粗骨料含泥图像的数据采集；
S2，判断是否是第一次使用深度学习模型，如果否，则跳到S5，否则，继续将拍摄得到的图像数据通过网络上传至上位机，并且在上位机接收数据后，对数据标准化；
S3，得到标准化后的粗骨料图像后，将图像进行类别标注，获得带有标注信息的粗骨料图像；
S4，将带有标注信息的粗骨料图像进行数据增强，并逐个输入到深度学习网络输入接口，通过渐进式学习策略对深度学习网络进行训练，通过调整多个网络训练超参数进行重复训练，获取准确度较高的训练模型；
S5，将未带有标注信息的粗骨料图像输入到训练完成的深度学习网络输入接口，深度学习网络首先对图像进行多层特征提取，而后通过Fused-MBConv结构获取第一阶段的目标特征信息，而后通过MBConv结构实现第二阶段特征提取，再对提取的特征进行卷积操作，通过全连接网络获取目标属于不同类别的概率，判别当前批次粗骨料的含泥量。
CN202310160601.8A 2023-02-22 2023-02-22 一种粗骨料含泥量智能检测装置及检测方法 Pending CN116223502A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310160601.8A CN116223502A (zh) 2023-02-22 2023-02-22 一种粗骨料含泥量智能检测装置及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310160601.8A CN116223502A (zh) 2023-02-22 2023-02-22 一种粗骨料含泥量智能检测装置及检测方法

Publications (1)

Publication Number Publication Date
CN116223502A true CN116223502A (zh) 2023-06-06

Family

ID=86569135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310160601.8A Pending CN116223502A (zh) 2023-02-22 2023-02-22 一种粗骨料含泥量智能检测装置及检测方法

Country Status (1)

Country Link
CN (1) CN116223502A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678885A (zh) * 2023-08-03 2023-09-01 福建南方路面机械股份有限公司 基于深度学习的水洗粗骨料含泥检测控制方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678885A (zh) * 2023-08-03 2023-09-01 福建南方路面机械股份有限公司 基于深度学习的水洗粗骨料含泥检测控制方法及装置
CN116678885B (zh) * 2023-08-03 2023-12-19 福建南方路面机械股份有限公司 基于深度学习的水洗粗骨料含泥检测控制方法及装置

Similar Documents

Publication Publication Date Title
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
CN106845424B (zh) 基于深度卷积网络的路面遗留物检测方法
CN110660222B (zh) 一种智能环保道路黑烟车辆电子抓拍系统
CN107728234B (zh) 一种基于大气电场数据的雷电强度值预测方法
CN112990262B (zh) 一种草原生态数据监测与智能决策一体化解决系统
CN110751209B (zh) 一种融合深度图像分类和检索的智能台风定强方法
CN108039044B (zh) 基于多尺度卷积神经网络的车辆智能排队的系统及方法
CN111832398B (zh) 一种无人机影像的配电线路杆塔导地线断股图像检测方法
CN110675395A (zh) 输电线路智能在线监测方法
CN103344583A (zh) 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法
CN116223502A (zh) 一种粗骨料含泥量智能检测装置及检测方法
CN102867183A (zh) 一种车辆遗撒物检测方法、装置及智能交通监控系统
CN113450573A (zh) 基于无人机图像识别的交通监测方法和交通监测系统
CN110826577A (zh) 一种基于目标跟踪的高压隔离开关状态跟踪识别方法
CN116761049B (zh) 一种家用智能安防监控方法及系统
CN112613438A (zh) 一种便携式柑橘在线测产仪
CN111060079A (zh) 河道异物识别方法以及河道异物监控平台系统
CN112488043B (zh) 一种基于边缘智能的无人机车辆目标检测方法
CN110765900B (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN117011756A (zh) 一种基于迁移学习方法的视频雨量反演方法
CN115527118A (zh) 一种融合注意力机制的遥感图像目标检测方法
CN110163081A (zh) 基于ssd的实时区域入侵检测方法、系统及存储介质
CN114463678A (zh) 一种利用摄像头视频图像的降雨类型识别方法
CN114898181A (zh) 用于涉爆视频的隐患违章识别方法及装置
CN114581769A (zh) 一种基于无监督聚类的在建房屋识别方法

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