CN116689133B - 基于深度学习的再生骨料质量控制方法、装置及可读介质 - Google Patents
基于深度学习的再生骨料质量控制方法、装置及可读介质 Download PDFInfo
- Publication number
- CN116689133B CN116689133B CN202310973951.6A CN202310973951A CN116689133B CN 116689133 B CN116689133 B CN 116689133B CN 202310973951 A CN202310973951 A CN 202310973951A CN 116689133 B CN116689133 B CN 116689133B
- Authority
- CN
- China
- Prior art keywords
- recycled aggregate
- image
- aggregate
- recycled
- quality
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000003908 quality control method Methods 0.000 title claims description 21
- 238000012512 characterization method Methods 0.000 claims abstract description 65
- 239000004570 mortar (masonry) Substances 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000000463 material Substances 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims description 55
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 230000008929 regeneration Effects 0.000 claims 1
- 238000011069 regeneration method Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000004064 recycling Methods 0.000 abstract description 2
- 239000002910 solid waste Substances 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005303 weighing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
- E01C19/00—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving
- E01C19/02—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving for preparing the materials
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
- E01C19/00—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving
- E01C19/02—Machines, tools or auxiliary devices for preparing or distributing paving materials, for working the placed materials, or for forming, consolidating, or finishing the paving for preparing the materials
- E01C19/05—Crushing, pulverising or disintegrating apparatus; Aggregate screening, cleaning, drying or heating apparatus; Dust-collecting arrangements specially adapted therefor
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Food Science & Technology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的再生骨料质量控制方法、装置及可读介质,涉及建筑固废资源化领域,通过获取处于破碎机出口的再生骨料的第一图像,对第一图像进行分割,得到第二图像,第二图像包括第一图像中每颗再生骨料的轮廓和掩膜及其对应的材质;根据第二图像计算得到每批再生骨料的砂浆面积占比和完全剥离骨料占比;根据每批再生骨料的砂浆面积占比和完全剥离骨料占比计算质量表征参数;根据不同再生骨料的质量表征参数与破碎机的参数之间的相关关系和质量表征参数对破碎机的参数进行调整,重复以上步骤,直至质量表征参数符合要求,解决目前的再生骨料生产系统无法做到实时监测和反馈控制再生骨料质量,不能满足使用要求的问题。
Description
技术领域
本发明涉及建筑固废资源化领域,具体涉及一种基于深度学习的再生骨料质量控制方法、装置及可读介质。
背景技术
废弃混凝土破碎、筛分制成粗骨料和细骨料,用来制造再生混凝土等再生产品。但是通过破碎机生成的再生骨料表面附着砂浆,导致这些再生骨料质量低,主要表现为吸水率高、表观密度低、压碎值高,导致利用这些低品质的再生骨料配制成的再生混凝土干燥时收缩量大、耐冻性差、且强度低。因此亟需一种实时监测再生骨料质量,并反馈调节再生骨料生产工艺参数的方法。但目前的再生骨料生产系统无法做到实时监测并反馈控制再生骨料质量,不能满足使用要求。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于深度学习的再生骨料质量控制方法、装置及可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本发明提供了一种基于深度学习的再生骨料质量控制方法,包括以下步骤:
S1,建立不同再生骨料的质量表征参数与再生骨料进入的破碎机的参数之间的相关关系;
S2,获取处于破碎机出口的再生骨料的第一图像,对第一图像进行分割,得到第二图像,第二图像包括第一图像中每颗再生骨料的轮廓和掩膜及其对应的材质;
S3,根据第二图像计算得到每批再生骨料的砂浆面积占比和完全剥离骨料占比;
S4,根据每批再生骨料的砂浆面积占比和完全剥离骨料占比计算质量表征参数;
S5,根据相关关系和质量表征参数对破碎机的参数进行调整,重复步骤S2-S5,直至质量表征参数符合要求。
作为优选,步骤S2中对第一图像进行分割,得到第二图像,具体包括:
对第一图像进行预处理,得到处理后的图像;
将处理后的图像输入经训练的实例分割网络模型,得到实例分割结果,实例分割结果包括第一图像中每颗再生骨料的轮廓和掩膜;
将实例分割结果输入经训练的语义分割网络模型,得到第二图像。
作为优选,步骤S2中对第一图像进行分割,得到第二图像,具体包括:
对第一图像进行预处理,得到处理后的图像;
将处理后的图像输入经训练的全景分割网络模型,得到第二图像。
作为优选,步骤S2具体包括:
采用高光谱相机拍摄再生骨料,得到第一图像;
对第一图像进行主成分分析,提取特征转化成伪彩图;
将伪彩图输入经训练的语义分割网络模型,得到第二图像。
作为优选,第一图像中的再生骨料为经过加湿处理过后的再生骨料。
作为优选,步骤S3具体包括:
根据第二图像计算每颗再生骨料的投影面积和再生骨料的砂浆面积,其中第i颗再生骨料的投影面积为,第i颗再生骨料的砂浆面积之和为/>,m为m批再生骨料,i=1、2、…、n,n为一批再生骨料中的再生骨料颗数,该批再生骨料的砂浆面积占比/>为:
;
判断第二图像中每颗再生骨料是否有砂浆粘附,根据判断结果确定完全剥离的再生骨料的面积,如下式表示:
;
其中,为该颗再生骨料的砂浆面积;
该批再生骨料的完全剥离骨料占比为:
。
作为优选,步骤S4具体包括:
质量表征参数表示为:
;
其中,a和b为回归系数,通过对m批再生骨料测量其吸水率、表观密度和压碎值指标,再进行回归分析得到。
作为优选,破碎机的参数包括破碎机中开关滑套和偏心转子之间的出口间隙、破碎量和/或转子转速,其中破碎量通过输入破碎机的输送带的运输速率所控制。
第二方面,本发明提供了一种基于深度学习的再生骨料质量控制装置,包括:
关系建立模块,被配置为建立不同再生骨料的质量表征参数与再生骨料进入的破碎机的参数之间的相关关系;
分割模块,被配置为获取处于破碎机出口的再生骨料的第一图像,对第一图像进行分割,得到第二图像,第二图像包括第一图像中每颗再生骨料的轮廓和掩膜及其对应的材质;
占比计算模块,被配置为根据第二图像计算得到每批再生骨料的砂浆面积占比和完全剥离骨料占比;
质量表征参数计算模块,被配置为根据每批再生骨料的砂浆面积占比和完全剥离骨料占比计算质量表征参数;
调整控制模块,被配置为根据相关关系和质量表征参数对破碎机的参数进行调整,重复分割模块至调整控制模块,直至质量表征参数符合要求。
第三方面,本发明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,本发明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)本发明采用砂浆面积占比和完全剥离骨料占比计算质量表征参数,在生产过程中实现对再生骨料质量的实时检测,并且通过检测结果,反馈控制再生骨料在破碎机内的时间,提高再生骨料质量。
(2)本发明通过深度学习网络和喷洒加湿处理可以快速检测再生骨料生产质量,采用深度学习网络对破碎机出口采集到的再生骨料的第一图像进行分割,包括实例分割和语义分割,得到包括第一图像中每颗再生骨料的轮廓和掩膜及其对应的材质的第二图像,能够对第一图像进行实时分割,反馈控制响应速度快、效果好。
(3)本发明能够有效改善再生骨料的品质,去除再生骨料表面的砂浆,将低质量的再生骨料加工成为品质高的再生骨料,提高资源利用率。
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为本申请的实施例的基于深度学习的再生骨料质量控制方法的流程示意图;
图3为本申请的实施例的基于深度学习的再生骨料质量控制方法的再生骨料质量检测及控制装置的示意图;
图4为本申请的实施例的基于深度学习的再生骨料质量控制方法的逻辑框图;
图5为本申请的实施例的基于深度学习的再生骨料质量控制方法的第一图像的分割流程示意图;
图6为本申请的实施例的基于深度学习的再生骨料质量控制装置的示意图;
图7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。
附图标记:1、进料称重传送带;2、再生骨料制造单元;3、液压杆;4、开关滑套;5、出口间隙;6、内壁;7、偏心转子;8、电机;9、控制单元;10、图像计算单元;11、相机;12、光源;13、喷洒单元;14、检测传送带;15、筛分装置;16、出料传送带;17、料仓。
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再生骨料质量控制方法或基于深度学习的再生骨料质量控制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101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103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101、102、103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101、102、103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101、102、103可以是硬件,也可以是软件。当终端设备101、102、103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101、102、103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101、102、103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再生骨料质量控制方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,基于深度学习的再生骨料质量控制装置可以设置于服务器105中,也可以设置于终端设备101、102、103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再生骨料质量控制方法,包括以下步骤:
S1,建立不同再生骨料的质量表征参数与再生骨料进入的破碎机的参数之间的相关关系。
在具体的实施例中,破碎机的参数包括破碎机中开关滑套和偏心转子之间的出口间隙、破碎量和/或转子转速,其中破碎量通过输入破碎机的输送带的运输速率所控制。
具体的,参考图3,再生骨料质量检测及控制装置包括进料称重传送带1、破碎机、出料传送带16、检测单元和控制单元9,再生骨料制造单元2包括破碎机,破碎机包括液压杆3、开关滑套4、偏心转子7和电机8,液压杆3和开关滑套4连接,偏心转子7和电机8连接。出料传送带16上方设有喷洒单元13,检测单元包括相机11、图像计算单元10,通过图像计算单元10计算出质量表征参数。再生骨料A从进料称重传送带1经过称重传输进入破碎机,通过偏心转子7的转动、再生骨料与破碎机的内壁6间的摩擦以及再生骨料间相互摩擦对再生骨料表面上的砂浆进行剥离,得到再生骨料B;再生骨料B经过出料传送带16均匀分流,一部分经过筛分装置15进入料仓17,另一部分作为再生骨料C运送至检测传送带14,检测传输带上的再生骨料可以是分散、粘粘、堆叠状态。喷洒单元13喷出均匀雾状的水汽,使得在检测传送带14上的再生骨料C上表面被均匀加湿,再生骨料表面被加湿,但没有出现水珠。再生骨料表面的砂浆和其他材质区域纹理相较于不洒水区别更明显,表现为花岗岩区域变白、砂浆区域颜色加深、石灰石变黑等。喷洒单元13的水雾可以抑制在检测过程中的扬尘,保护光源12和镜头,延长设备的使用寿命。通过相机11采集第一图像,并将第一图像输送至图像计算单元10,通过深度学习网络分割第一图像中的再生骨料,提取再生骨料的质量表征参数来评估再生骨料的品质。最后将质量表征参数传输至控制单元9,根据质量表征参数,通过控制液压杆3伸出杆的长度,调节开关滑套4的位置,进而调节开关滑套4和偏心转子7之间的出口间隙5,这样可以调节再生骨料在破碎机腔内的滞留时间,增加再生骨料与内壁6、偏心转子7以及再生骨料之间的摩擦,使得更多的砂浆从再生骨料表面上剥离。
在本申请的实施例中,可通过对破碎机出口处的再生骨料的质量表征参数的检测,来实现对破碎机的出口间隙的调节,反馈流程如图4所示。将再生骨料A运至破碎机后,在出口处检测再生骨料C的质量表征参数,通过质量表征参数和出口间隙大小的相关关系,调整出口间隙大小,将待调整的出口间隙大小发送至控制单元,控制单元接收数据,控制液压杆推杆运动,进而调整出口间隙大小,再生骨料质量表征参数和出口间隙大小的相关关系通过实验确立。
在另一个实施例中,可通过对破碎机出口的再生骨料的质量表征参数的检测,来实现对破碎机的破碎量的调节。将再生骨料A运至破碎机后,在出口处检测再生骨料的质量表征参数,通过质量表征参数和破碎量的相关关系,将破碎量发送至控制单元,控制输入破碎机的输送带(进料称重传送带)的运输速率,输送带有质量传感器,通过传感器记载的质量信号和时间的积分可以计算输送带上的骨料质量。通过控制输送带的运输速率,可以控制破碎机的破碎量。再生骨料质量表征参数和破碎量的相关关系可由实验得到。
在另一个实施例中,可通过对破碎机出口的再生骨料的质量表征参数的检测,来实现对破碎机的转子转速的调节。将再生骨料A运至破碎机后,在出口处检测再生骨料的质量表征参数,通过质量表征参数和转子转速的相关关系,控制单元接收数据,调控转子转速。再生骨料质量表征参数和转子转速的相关关系可由实验得到。
此外,也可以根据其他能够改变质量表征参数的参数建立与质量表征参数之间的相关关系。
S2,获取处于破碎机出口的再生骨料的第一图像,对第一图像进行分割,得到第二图像,第二图像包括第一图像中每颗再生骨料的轮廓和掩膜及其对应的材质。
在第一种实施例中,步骤S2中对第一图像进行分割,得到第二图像,具体包括:
对第一图像进行预处理,得到处理后的图像;
将处理后的图像输入经训练的实例分割网络模型,得到实例分割结果,实例分割结果包括第一图像中每颗再生骨料的轮廓和掩膜;
将实例分割结果输入经训练的语义分割网络模型,得到第二图像。
具体的,再生骨料分割过程如下:通过相机采集第一图像,如图5(a)所示。将第一图像进行预处理,预处理方式包括缩放、随机翻转、归一化,将预处理后的图像输入训练好的实例分割网络模型,该实例分割网络模型包括MaskRCNN,主干特征网络为Resnet50,得到第一图像中每颗再生骨料轮廓和掩模如图5(b)所示。将分割得到每颗骨料提取出来,如图5(c)所示,并依次送入训练好的语义分割网络模型,该语义分割网络模型包括DeeplabV3plus,主干网络为Xception,分割检测得到再生骨料表面材质,如图5(d)所示。在步骤S1和S2之间还包括,采集再生骨料的第一图像,并进行数据标注和数据增强,得到训练数据,通过训练数据对实例分割网络模型和语义分割网络模型进行训练,得到经训练的实例分割网络模型和经训练的语义分割网络模型。
在第二种实施例中,步骤S2中对第一图像进行分割,得到第二图像,具体包括:
对第一图像进行预处理,得到处理后的图像;
将处理后的图像输入经训练的全景分割网络模型,得到第二图像。
具体的,第二种实施例中采用全景分割网络模型替代实例分割网络模型和语义分割网络模型。在步骤S1和S2之间还包括,采集再生骨料的第一图像,并进行数据标注和数据增强,得到训练数据,通过训练数据对全景分割网络模型进行训练,得到经训练的全景分割网络模型。
在第三种实施例中,步骤S2具体包括:
采用高光谱相机拍摄再生骨料,得到第一图像;
对第一图像进行主成分分析,提取特征转化成伪彩图;
将伪彩图输入经训练的语义分割网络模型,得到第二图像。
在具体的实施例中,第一图像中的再生骨料为经过加湿处理过后的再生骨料。
具体的,可以使用高光谱相机采集再生骨料,使用卤素灯照明,采集到的第一图像为高光谱图像。将第一图像经过主成分分析提取特征转化成伪彩图,输入经训练的语义分割网络模型,进而分割再生骨料表面的砂浆。其中,主成分分析包括:将高光谱相机采集到的224维数据进行主成分降维、保留,具体的,先将224维数据进行滤波和归一化,而后保留最大三个特征值所对应的特征向量,即可得到伪彩图。在步骤S1和S2之间还包括,采集再生骨料的第一图像,并进行数据标注和数据增强,得到训练数据,通过训练数据对语义分割网络模型进行训练,得到经训练的语义分割网络模型。
下面探究下对再生骨料表面加湿处理或不加湿处理情况下对上述深度学习网络的分割效果。为说明对再生骨料表面加湿处理的有效性,分别标注同一批再生骨料300颗验证再生骨料表面加湿处理和不加湿处理,以验证加湿处理对再生骨料表面分割精度的提高。
本申请的实施例提出两个指标来评价深度学习网络对再生骨料表面材质的分割精度。假设一类别的预测分割区域为A,标签区域为B。则该类别的IOU如下式所示:
;
在本申请的实施例中,使用砂浆IOU和原生骨料IOU作为评价深度学习网络的精度指标。其分割精度如表1所示,经过加湿处理后,砂浆IOU和原生骨料IOU显著高于不加湿图像,充分说明加湿方法可以显著提高再生骨料表面的分割精度。
表1 加湿与不加湿情况下深度学习网络识别精度
根据以上过程可知:将雾状的水汽喷洒在再生骨料表面可以显著区别砂浆和非砂浆区域,从而提高再生骨料表面材质的分割精度。
S3,根据第二图像计算得到每批再生骨料的砂浆面积占比和完全剥离骨料占比。
在具体的实施例中,步骤S3具体包括:
根据第二图像计算每颗再生骨料的投影面积和再生骨料的砂浆面积,其中第i颗再生骨料的投影面积为,第i颗再生骨料的砂浆面积之和为/>,m为m批再生骨料,i=1、2、…、n,n为一批再生骨料中的再生骨料颗数,该批再生骨料的砂浆面积占比/>为:
;
判断第二图像中每颗再生骨料是否有砂浆粘附,根据判断结果确定完全剥离的再生骨料的面积,如下式表示:
;
其中,为该颗再生骨料的砂浆面积;
该批再生骨料的完全剥离骨料占比为:
。
具体的,构建再生粗骨料的质量表征参数评估一批再生骨料的品质,该质量表征参数包括砂浆面积占比和完全剥离骨料占比/>。该批再生骨料的砂浆面积占比/>为砂浆面积之和与再生骨料投影面积之和的比值。砂浆面积和再生骨料投影面积可以通过计算在第二图像中对应砂浆区域和再生骨料区域内的像素点个数得到。
进一步的,当每颗再生骨料上有砂浆粘附,即时,则/>,当每颗再生骨料上无砂浆粘附,即/>时,则/>。而后,便可计算出该批再生骨料的完全剥离骨料占比/>。
S4,根据每批再生骨料的砂浆面积占比和完全剥离骨料占比计算质量表征参数。
在具体的实施例中,步骤S4具体包括:
质量表征参数表示为:
;
其中,a和b为回归系数,通过对m批再生骨料测量其吸水率、表观密度和压碎值指标,再进行回归分析得到。
具体的,通过每颗再生骨料表面材质的分割结果可以得出、/>、/>,通过计算一批再生骨料可以得到表征参数/>和/>,使用这两个表征参数评估一批再生骨料质量。上述公式中的a和b可通过回归分析计算得到,计算过程如下:对于m批再生骨料,测量其吸水率、表观密度、压碎值指标,并测量m批再生骨料的质量表征参数y,分别为/>,通过上述方法计算得到m批再生骨料的砂浆面积占比和完全剥离骨料占比,分别为、/>,将这些参数代入二元回归分析,计算得到a和b的值。
S5,根据相关关系和质量表征参数对破碎机的参数进行调整,重复步骤S2-S5,直至质量表征参数符合要求。
具体的,根据计算得到的每批再生骨料的质量表征参数与要求的质量表征参数之间的差值在相关关系中查找得到对应的破碎机的参数的改变值,根据目前的破碎机的参数和改变值计算得到控制值,将控制值发生至控制单元,通过控制单元调整破碎机的参数。
进一步参考图6,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再生骨料质量控制装置的一个实施例,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再生骨料质量控制装置,包括:
关系建立模块1,被配置为建立不同再生骨料的质量表征参数与再生骨料进入的破碎机的参数之间的相关关系;
分割模块2,被配置为获取处于破碎机出口的再生骨料的第一图像,对第一图像进行分割,得到第二图像,第二图像包括第一图像中每颗再生骨料的轮廓和掩膜及其对应的材质;
占比计算模块3,被配置为根据第二图像计算得到每批再生骨料的砂浆面积占比和完全剥离骨料占比;
质量表征参数计算模块4,被配置为根据每批再生骨料的砂浆面积占比和完全剥离骨料占比计算质量表征参数;
调整控制模块5,被配置为根据相关关系和质量表征参数对破碎机的参数进行调整,重复分割模块至调整控制模块,直至质量表征参数符合要求。
下面参考图7,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700的结构示意图。图7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7所示,计算机装置700包括中央处理单元(CPU)701和图形处理器(GPU)702,其可以根据存储在只读存储器(ROM)703中的程序或者从存储部分709加载到随机访问存储器(RAM)704中的程序而执行各种适当的动作和处理。在RAM 704中,还存储有装置700操作所需的各种程序和数据。CPU701、GPU702、ROM 703以及RAM 704通过总线705彼此相连。输入/输出(I/O)接口706也连接至总线705。
以下部件连接至I/O接口706:包括键盘、鼠标等的输入部分707;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分708;包括硬盘等的存储部分709;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710。通信部分710经由诸如因特网的网络执行通信处理。驱动器711也可以根据需要连接至I/O接口706。可拆卸介质712,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711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709。
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710从网络上被下载和安装,和/或从可拆卸介质712被安装。在该计算机程序被中央处理单元(CPU)701和图形处理器(GPU)702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,也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:建立不同再生骨料的质量表征参数与再生骨料进入的破碎机的参数之间的相关关系;获取处于破碎机出口的再生骨料的第一图像,对第一图像进行分割,得到第二图像,第二图像包括第一图像中每颗再生骨料的轮廓和掩膜及其对应的材质;根据第二图像计算得到每批再生骨料的砂浆面积占比和完全剥离骨料占比;根据每批再生骨料的砂浆面积占比和完全剥离骨料占比计算质量表征参数;根据相关关系和质量表征参数对破碎机的参数进行调整,重复以上步骤,直至质量表征参数符合要求。
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 (9)
1.一种基于深度学习的再生骨料质量控制方法,其特征在于,包括以下步骤:
S1,建立不同再生骨料的质量表征参数与再生骨料进入的破碎机的参数之间的相关关系;
S2,获取处于破碎机出口的再生骨料的第一图像,对所述第一图像进行分割,得到第二图像,所述第二图像包括所述第一图像中每颗再生骨料的轮廓和掩膜及其对应的材质;
S3,根据所述第二图像计算得到每批再生骨料的砂浆面积占比和完全剥离骨料占比,所述步骤S3具体包括:
根据所述第二图像计算每颗再生骨料的投影面积和再生骨料的砂浆面积,其中第i颗再生骨料的投影面积为,第i颗再生骨料的砂浆面积之和为/>,m为m批再生骨料,i=1、2、…、n,n为一批再生骨料中的再生骨料颗数,该批再生骨料的砂浆面积占比/>为:
;
判断所述第二图像中每颗再生骨料是否有砂浆粘附,根据判断结果确定完全剥离的再生骨料的面积,如下式表示:
;
其中,为该颗再生骨料的砂浆面积;
该批再生骨料的完全剥离骨料占比为:
;
S4,根据所述每批再生骨料的砂浆面积占比和完全剥离骨料占比计算质量表征参数,所述步骤S4具体包括:
所述质量表征参数表示为:
;
其中,a和b为回归系数,通过对m批再生骨料测量其吸水率、表观密度和压碎值指标,再进行回归分析得到;
S5,根据所述相关关系和质量表征参数对破碎机的参数进行调整,重复步骤S2-S5,直至所述质量表征参数符合要求。
2.根据权利要求1所述的基于深度学习的再生骨料质量控制方法,其特征在于,所述步骤S2中对所述第一图像进行分割,得到第二图像,具体包括:
对所述第一图像进行预处理,得到处理后的图像;
将所述处理后的图像输入经训练的实例分割网络模型,得到实例分割结果,所述实例分割结果包括所述第一图像中每颗再生骨料的轮廓和掩膜;
将所述实例分割结果输入经训练的语义分割网络模型,得到所述第二图像。
3.根据权利要求1所述的基于深度学习的再生骨料质量控制方法,其特征在于,所述步骤S2中对所述第一图像进行分割,得到第二图像,具体包括:
对所述第一图像进行预处理,得到处理后的图像;
将所述处理后的图像输入经训练的全景分割网络模型,得到所述第二图像。
4.根据权利要求1所述的基于深度学习的再生骨料质量控制方法,其特征在于,所述步骤S2具体包括:
采用高光谱相机拍摄再生骨料,得到所述第一图像;
对所述第一图像进行主成分分析,提取特征转化成伪彩图;
将所述伪彩图输入经训练的语义分割网络模型,得到所述第二图像。
5.根据权利要求1所述的基于深度学习的再生骨料质量控制方法,其特征在于,所述第一图像中的再生骨料为经过加湿处理过后的再生骨料。
6.根据权利要求1所述的基于深度学习的再生骨料质量控制方法,其特征在于,所述破碎机的参数包括所述破碎机中开关滑套和偏心转子之间的出口间隙、破碎量和/或转子转速,其中所述破碎量通过输入所述破碎机的输送带的运输速率所控制。
7.一种基于深度学习的再生骨料质量控制装置,其特征在于,包括:
关系建立模块,被配置为建立不同再生骨料的质量表征参数与再生骨料进入的破碎机的参数之间的相关关系;
分割模块,被配置为获取处于破碎机出口的再生骨料的第一图像,对所述第一图像进行分割,得到第二图像,所述第二图像包括所述第一图像中每颗再生骨料的轮廓和掩膜及其对应的材质;
占比计算模块,被配置为根据所述第二图像计算得到每批再生骨料的砂浆面积占比和完全剥离骨料占比,所述占比计算模块具体包括:
根据所述第二图像计算每颗再生骨料的投影面积和再生骨料的砂浆面积,其中第i颗再生骨料的投影面积为,第i颗再生骨料的砂浆面积之和为/>,m为m批再生骨料,i=1、2、…、n,n为一批再生骨料中的再生骨料颗数,该批再生骨料的砂浆面积占比/>为:
;
判断所述第二图像中每颗再生骨料是否有砂浆粘附,根据判断结果确定完全剥离的再生骨料的面积,如下式表示:
;
其中,为该颗再生骨料的砂浆面积;
该批再生骨料的完全剥离骨料占比为:
;
质量表征参数计算模块,被配置为根据所述每批再生骨料的砂浆面积占比和完全剥离骨料占比计算质量表征参数,所述质量表征参数计算模块具体包括:
所述质量表征参数表示为:
;
其中,a和b为回归系数,通过对m批再生骨料测量其吸水率、表观密度和压碎值指标,再进行回归分析得到;
调整控制模块,被配置为根据所述相关关系和质量表征参数对破碎机的参数进行调整,重复分割模块至调整控制模块,直至所述质量表征参数符合要求。
8.一种电子设备,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1-6中任一所述的方法。
9.一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1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973951.6A CN116689133B (zh) | 2023-08-04 | 2023-08-04 | 基于深度学习的再生骨料质量控制方法、装置及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973951.6A CN116689133B (zh) | 2023-08-04 | 2023-08-04 | 基于深度学习的再生骨料质量控制方法、装置及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116689133A CN116689133A (zh) | 2023-09-05 |
CN116689133B true CN116689133B (zh) | 2023-12-15 |
Family
ID=87829662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310973951.6A Active CN116689133B (zh) | 2023-08-04 | 2023-08-04 | 基于深度学习的再生骨料质量控制方法、装置及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116689133B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256548A (zh) * | 2017-05-31 | 2017-10-17 | 长安大学 | 一种建筑垃圾再生骨料物理强化的评价及工艺优选方法 |
CN108288266A (zh) * | 2018-01-12 | 2018-07-17 | 河南工业大学 | 一种混凝土再生骨料边角损失率和砂浆剥落面积的量化评价方法 |
KR102218704B1 (ko) * | 2020-09-18 | 2021-02-22 | 고창석 | 이미지 센서와 ai 엔진을 이용한 크러셔 정량 공급 및 입도별 생산량 조절이 가능한 재생 골재 자동 생산시스템 및 이를 이용한 재생 골재 자동 생산방법 |
CN113117857A (zh) * | 2019-12-31 | 2021-07-16 | 同济大学 | 一种连续级配再生骨料智能破碎集成系统 |
CN113177909A (zh) * | 2021-04-01 | 2021-07-27 | 华侨大学 | 一种表面含砂浆的再生骨料多模态视觉检测方法和系统 |
CN113655002A (zh) * | 2021-08-30 | 2021-11-16 | 华侨大学 | 基于高光谱技术的表面含砂浆的再生骨料质量检测系统 |
CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
-
2023
- 2023-08-04 CN CN202310973951.6A patent/CN116689133B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256548A (zh) * | 2017-05-31 | 2017-10-17 | 长安大学 | 一种建筑垃圾再生骨料物理强化的评价及工艺优选方法 |
CN108288266A (zh) * | 2018-01-12 | 2018-07-17 | 河南工业大学 | 一种混凝土再生骨料边角损失率和砂浆剥落面积的量化评价方法 |
CN113117857A (zh) * | 2019-12-31 | 2021-07-16 | 同济大学 | 一种连续级配再生骨料智能破碎集成系统 |
KR102218704B1 (ko) * | 2020-09-18 | 2021-02-22 | 고창석 | 이미지 센서와 ai 엔진을 이용한 크러셔 정량 공급 및 입도별 생산량 조절이 가능한 재생 골재 자동 생산시스템 및 이를 이용한 재생 골재 자동 생산방법 |
CN113177909A (zh) * | 2021-04-01 | 2021-07-27 | 华侨大学 | 一种表面含砂浆的再生骨料多模态视觉检测方法和系统 |
CN113655002A (zh) * | 2021-08-30 | 2021-11-16 | 华侨大学 | 基于高光谱技术的表面含砂浆的再生骨料质量检测系统 |
CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
再生粗骨料品质及其评价方法研究;张永娟;张雄;刘昕;;粉煤灰综合利用(第04期);5-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN116689133A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023142262A1 (zh) | 基于深度学习的混凝土配方调整方法、装置及可读介质 | |
CN106845415B (zh) | 一种基于深度学习的行人精细化识别方法及装置 | |
US11900676B2 (en) | Method and apparatus for detecting target in video, computing device, and storage medium | |
CN106203461B (zh) | 一种图像处理方法及装置 | |
JP2021522563A (ja) | 高度な機械学習手法を用いた記述岩石薄片の画像の自動分析 | |
CN111695730B (zh) | 基于arima及rnn的立磨振动预测方法及装置 | |
CN115376130A (zh) | 电力施工现场识别模型的生成方法、装置、设备及介质 | |
CN109389569A (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN117218118B (zh) | 基于图像序列的坍落度监测方法、装置及可读介质 | |
CN116689133B (zh) | 基于深度学习的再生骨料质量控制方法、装置及可读介质 | |
CN114768922A (zh) | 圆锥破碎机排料口尺寸智能调整方法、装置及可读介质 | |
CN113627293A (zh) | 混合物搅拌均匀性检测方法、装置及搅拌设备 | |
CN113822110B (zh) | 一种目标检测的方法和装置 | |
JP2019075118A (ja) | 顔画像中の照明条件を評価する方法及び装置 | |
Chang et al. | Integration of CNN and faster R-CNN for tire bubble defects detection | |
CN110458027A (zh) | 一种基于大理石花纹的生鲜肉分级方法、系统及装置 | |
Wu et al. | Experimental analysis of image dehazing algorithms for pelletization process images | |
Ljungqvist et al. | Image analysis of pellet size for a control system in industrial feed production | |
CN105210114B (zh) | 用于分析涂料添加剂性能的设备和方法 | |
CN116678885B (zh) | 基于深度学习的水洗粗骨料含泥检测控制方法及装置 | |
CN114565838A (zh) | 一种基于渣土图像的配方调节控制方法、装置及可读介质 | |
Xu et al. | Straw defect detection algorithm based on pruned YOLOv3 | |
CN112749687A (zh) | 一种图片质量和静默活体检测多任务训练方法和设备 | |
CN113344064A (zh) | 事件处理方法和装置 | |
CN111597935A (zh) | 装配式建筑套筒灌浆施工质量的监测方法及装置 |
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 |