CN116777919B - 一种混凝土试件智能养护方法及系统 - Google Patents
一种混凝土试件智能养护方法及系统 Download PDFInfo
- Publication number
- CN116777919B CN116777919B CN202311075293.5A CN202311075293A CN116777919B CN 116777919 B CN116777919 B CN 116777919B CN 202311075293 A CN202311075293 A CN 202311075293A CN 116777919 B CN116777919 B CN 116777919B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- humidity
- value
- gray level
- level image
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012423 maintenance Methods 0.000 title claims abstract description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 66
- 230000007613 environmental effect Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000009736 wetting Methods 0.000 abstract description 14
- 238000000465 moulding Methods 0.000 abstract description 13
- 238000001514 detection method Methods 0.000 abstract 1
- 238000001723 curing Methods 0.000 description 32
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006703 hydration reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及混凝土试件成型养护技术领域,具体涉及一种混凝土试件智能养护方法及系统。本发明获取混凝土试件成型养护过程中的表面灰度图像,通过每个像素点的局部灰度变化特征获取像素点处的湿度值;然后对每个像素点进行纹理特征分析获得纹理特征值,进而基于每个像素点纹理特征值对每个像素点处的湿润值进行优化,获取每个像素点处的最终湿度值;进而可对像素点进行聚类,获得多个聚类区域;最后获取每个聚类区域的加水量,完成混凝土试件的智能养护。本发明对混凝土试件的表面灰度图像进行分析,可提高局部湿度的检测精确度;对不同的聚类区域添加不同的水量,保证了混凝土试件表面湿度的一致性,提高了混凝土试件成型养护的质量和效率。
Description
技术领域
本发明涉及混凝土试件成型养护技术领域,具体涉及一种混凝土试件智能养护方法及系统。
背景技术
混凝土试件养护房是为了确保混凝土试件在成型养护期间获得适当的环境条件而设计的设施。混凝土试件养护房中的湿度控制系统可以控制养护房内的环境湿度,确保混凝土试件在成型养护期间保持一定水分含量;而适当的湿度有助于混凝土试件的水化反应和硬化过程,即有助于混凝土试件更好的成型。
混凝土试件养护房在对混凝土试件进行养护时,需要保持混凝土试件的湿润程度。而现有技术中通常是通过混凝土试件养护房的系统直接获取环境湿度,然后通过控制湿度传感器对环境湿度进行调整。然而湿度传感器获取的环境湿度仅能反映混凝土试件养护房中的整体湿度,无法有效的检测出混凝土试件表面的局部湿度情况,会直接影响混凝土试件的成型养护的质量与效率。
发明内容
为了解决湿度传感器仅能获取混凝土试件养护房中的整体湿度,无法有效的检测出混凝土试件表面的局部湿度情况,会直接影响混凝土试件的成型养护的质量和效率的技术问题,本发明的目的在于提供一种混凝土试件智能养护方法及系统,所采用的技术方案具体如下:
本发明提出了一种混凝土试件智能养护方法,所述方法包括:
获取混凝土试件的表面灰度图像,所述表面灰度图像包括实时表面灰度图像和历史表面灰度图像;
根据每个所述表面灰度图像中每个像素点在预设邻域内与所有邻域像素点的灰度值差异,获得每个所述表面灰度图像中每个像素点处的湿度值;
对每个表面灰度图像与时序上之前的历史表面灰度图像中的像素点进行纹理特征分析,获得每个像素点处的湿度变化特征值和邻域像素点相似度;根据所述湿度变化特征值和所述邻域像素点相似度,获得每个像素点在每个表面灰度图像中的纹理特征值;
根据实时表面灰度图像中每个像素点处的湿度值、邻域像素点相似度和每个像素点在所有表面灰度图像中相同位置处的纹理特征值,获得所述实时表面灰度图像中每个像素点处的最终湿度值;
根据所有所述最终湿度值对实时表面灰度图像中的像素点进行聚类获得聚类结果;根据所述聚类结果获得每个聚类区域的目标加水量,完成混凝土试件的智能养护。
进一步地,所述湿度值的获取方法包括:
在每个像素点为中心的预设邻域内任选某一邻域像素点;
将邻域像素点与对应中心像素点的灰度值差异进行负相关映射并归一化后,作为邻域灰度相似值;
将每个像素点的所有邻域灰度相似值的平均值作为每个像素点处的所述湿度值。
进一步地,所述像素点处的湿度变化特征值的获取方法包括:
获取每个表面灰度图像采集时刻的环境湿度;
将每个表面灰度图像与时序上之前的历史表面灰度图像的环境湿度差异不为0的历史表面灰度图像作为对照表面灰度图像;
获取每个表面灰度图像与对应的每个对照表面灰度图像的环境湿度差异;获取每个表面灰度图像与对应的每个对照表面灰度图像中相同位置的像素点处的湿度值差异;
将每个表面灰度图像和对应的每个对照表面灰度图像的环境湿度差异与相同位置像素点处的湿度值差异相乘,作为每个像素点处的湿度差异特征值;
将每个表面灰度图像中的每个像素点在对应的所有对照表面灰度图像中的湿度差异特征值累加,作为对应表面灰度图像中每个像素点处的湿度变化特征值。
进一步地,所述邻域像素点相似度的获取方法包括:
基于时序将任一表面灰度图像与其对应的对照表面灰度图像进行排序获得目标表面灰度图像序列;
基于最小二乘法对所有目标表面灰度图像中相同位置像素点处的湿度值进行拟合,获得每个像素点处的湿度变化曲线;
将以任一像素点为中心的预设邻域内,任一邻域像素点处与中心像素点处的湿度变化曲线的皮尔逊相关系数,作为所述邻域像素点与中心像素点的第一相似度;
在每个目标表面灰度图像序列中,以相邻两个目标表面灰度图像中相同位置像素点的灰度值的差异作为分子,相同位置像素点的灰度值的最大值与预设常数的和值作为分母,得到每个像素点在所述相邻两个目标表面灰度图像中的灰度值变化比值;
将每个邻域像素点与中心像素点的所述灰度值变化比值的差异作为灰度变化差异;将所述灰度变化差异进行负相关映射,作为每个邻域像素点与中心像素点的灰度值变化特征值;
将每个邻域像素点与中心像素点在所有相邻两个目标灰度图像中的灰度值变化特征值进行累加后与第一相似度相乘,作为每个邻域像素点与中心像素点的相似度。
进一步地,所述纹理特征值的获取方法包括:
在任一像素点为中心像素点的预设邻域内,将所有邻域像素点与中心像素点的相似度进行归一化后累加,作为所述中心像素点与对应所有邻域像素点的累加相似度;
将所述累加相似度的值与中心像素点处的湿度变化特征值相乘作为中心像素点的纹理特征值。
进一步地,所述最终湿度值的获取方法包括:
获取所述实时表面灰度图像中每个像素点在所有表面灰度图像中相同位置处的最大纹理特征值和最小纹理特征值,将每个像素点的最大纹理特征值与最小纹理特征值的差异作为纹理特征值极差;将每个像素点的所述纹理特征值极差、最大纹理特征值以及在实时表面灰度图像中所处位置的湿度值的乘积作为每个像素点处的初步优化湿度值;
将所述实时表面灰度图像中以每个像素点为中心的预设邻域内,每个邻域像素点处的初步优化湿度值与每个邻域像素点与中心像素点的相似度的值相乘,获得邻域优化湿度值,将每个中心像素点处的所有邻域优化湿度值的平均值作为每个中心像素点处的最终湿度值。
进一步地,所述聚类结果的获取方法包括:
基于手肘法获取所述实时表面灰度图像中所有像素点处的最终湿度值的最优K值,使用K-means聚类算法根据所述最优K值和所有像素点处的最终湿度值,对所有像素点进行聚类,获得所述聚类结果。
进一步地,所述每个聚类区域的目标加水量的获取方法包括:
获取历史时刻中每次加水时的整体加水量以及加水前后的环境湿度变化,根据整体加水量以及环境湿度变化获取环境湿度与加水量的函数关系式;
基于所述环境湿度与加水量的函数关系式,根据实时表面灰度图像的环境湿度获取当前时刻的初始加水量;
获取每个聚类区域中所有像素点处的最终湿度值的均值作为每个所述聚类区域的湿度均值;
将所有聚类区域的湿度均值累加作为湿度均值和,将每个聚类区域的湿度均值与所述湿度均值和的比值作为湿度均值比值,将所述湿度均值比值进行负相关映射后的值与初始加水量相乘,获得每个聚类区域的目标加水量。
进一步地,所述混凝土试件的表面灰度图像的获取方法包括:
获取混凝土试件的全景图像,对所述全景图像进行加权灰度化获得全景灰度图像;
基于大津阈值分割法获取所述全景灰度图像中的所述混凝土试件的表面灰度图像。
本发明还提出了一种混凝土试件智能养护系统,所述系统包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时可实现任意一项所述方法的步骤。
本发明具有如下有益效果:
本发明的目的在于检测出混凝土试件表面的局部湿度情况,进而完成混凝土试件的智能养护,因此需要首先获取混凝土试件的多个表面灰度图像,包括实时表面灰度图像和历史表面灰度图像,获取历史表面灰度图像可以更加有效分析每个像素点的变化特征,提高分析结果的可靠性;由于当混凝土试件表面的湿润程度不同时,像素点的灰度值也有会有所区别,因此可通过每个表面灰度图像中每个像素点与邻域像素点的灰度值的差异来初步表征出每个像素点处的湿度值;然后由于混凝土试件表面的纹理特征会对获取到的每个像素点处的湿度值产生影响,因此需要对每个像素点进行纹理特征分析,同时由于混凝土试件表面的纹理特征具有局部集中的分布特性,所以纹理特征分析主要为获取像素点处的湿度变化特征值和邻域像素点相似度;进而将湿度变化特征值和邻域像素点相似度进行结合获得每个像素点的纹理特征值,然后可以基于每个像素点在所有表面灰度图像中相同位置处的纹理特征值以及实时表面灰度图像中邻域像素点的相似度对实时表面灰度图像中每个像素点处的湿度值进行优化调整,获取到混凝土试件实时表面灰度图像中每个像素点处的最终湿度值;此时的最终湿度值可以准确的表征出混凝土试件表面的湿润程度,进而可以根据最终湿度值对混凝土试件表面的像素点进行聚类,获得多个聚类区域;最后自适应获取每个聚类区域的目标加水量,即可完成混凝土试件的智能养护。本发明直接对混凝土试件的表面灰度图像进行分析,提高了检测混凝土试件表面的局部湿度的精确程度,然后通过对不同湿润程度的聚类区域添加不同的水量,保证了混凝土试件表面湿度的一致性,有助于混凝土试件的水化反应和硬化过程,进而提高了混凝土试件的成型养护的质量和效率。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种混凝土试件智能养护方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种混凝土试件智能养护方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种混凝土试件智能养护方法及系统实施例:
下面结合附图具体的说明本发明所提供的一种混凝土试件智能养护方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种混凝土试件智能养护方法的方法流程图,该方法包括以下步骤:
步骤S1:获取混凝土试件的表面灰度图像,表面灰度图像包括实时表面灰度图像和历史表面灰度图像。
本发明实施例通过对混凝土试件养护房中的混凝土试件的表面灰度图像进行分析获取混凝土试件表面的局部湿润程度,进而根据不同区域湿润程度的不同自适应获取每个区域的加水量。因此需要首先获取混凝土试件的表面灰度图像,通过混凝土试件养护房中的照明设备对混凝土试件进行照明,利用安置在混凝土试件养护房中的相机采集混凝土试件养护过程中的全景图像,养护过程中会拍摄多张全景图像,可分为实时全景图像和历史全景图像,并且每张全景图像中皆包含了混凝土试件的表面图像以及部分混凝土试件养护房的背景图像。需要说明的是,在本发明实施例中,以混凝土试件养护房中仅有单独一个混凝土试件为例;并且图像的具体采集设备及装置实施者可根据具体实施场景进行调整,在此不做限定及赘述;在本发明的一些实施例中,养护过程中图像采集的时间间隔为一个小时,具体时间间隔可根据具体实施场景进行调整,在此不做限定。
由于本发明实施例只需对混凝土试件的表面灰度图像进行分析,因此需要对每张全景图像进行灰度化并分割获得混凝土试件的表面灰度图像。
优选地,本发明一个实施例中混凝土试件的表面灰度图像的获取方法包括:
可以理解的是,由于混凝土试件表面的图像中像素点的灰度值与背景图像中像素点的灰度值会存明显差异,并且本发明实施例只需对混凝土试件的表面灰度图像进行分析,因此获取到混凝土试件的全景图像后,首先对该全景图像进行加权灰度化处理获得全景灰度图像;然后再基于大津阈值分割法对混凝土的全景灰度图像进行分割,获得混凝土试件的表面灰度图像。基于该方法可对实时全景图像以及历史全景图像进行处理,获得实时表面灰度图像和历史表面灰度图像。需要说明的是,加权灰度化处理以及大津阈值分割法皆为本领域技术人员熟知的操作过程,在此不做赘述。
至此,获取了混凝土试件养护房中混凝土试件的表面灰度图像,并且表面灰度图像包括了实时表面灰度图像和历史表面灰度图像,然后可对混凝土试件的表面灰度图像进行后续的分析与处理。
步骤S2:根据每个表面灰度图像中每个像素点在预设邻域内与所有邻域像素点的灰度值差异,获得每个表面灰度图像中每个像素点处的湿度值。
基于步骤S1可以获取到混凝土试件的多张表面灰度图像,包括实时表面灰度图像和历史表面灰度图像;而当混凝土试件的表面越湿润时,混凝土试件表面灰度图像中的像素点的灰度值越可能会趋于一致,因为湿润的混凝土试件表面会导致光线在不同部分的反射更加均匀,从而使得表面灰度图像中的像素点之间的灰度值相似,同时水分也可以填充混凝土试件表面的孔隙,提高混凝土试件表面的平滑度,从而使得灰度图像上的像素点的灰度值趋于一致;因此可以通过对混凝土试件表面灰度图像中每个像素点的局部灰度值差异获取每个表面灰度图像中每个像素点处的湿度值。
优选地,本发明一个实施例中湿度值的获取方法包括:
由于湿度值可通过每个像素点的局部灰度值差异进行表征,所以可以以每个表面灰度图像中的每个像素点为中心设置预设邻域,然后获取预设邻域内每个邻域像素点与中心像素点的灰度值差异,然后将每个灰度值差异进行负相关映射并归一化后即可作为每个邻域像素点与中心像素点的邻域灰度相似值;为了减小获取到的每个像素点处的湿度值的误差,因此可将每个中心像素点的所有邻域灰度相似值的平均值作为中心像素点处的湿度值。以任一表面灰度图像中的任一像素点为中心像素点进行具体示例,湿度值的公式模型具体可以例如为:
其中,表示像素点/>处的湿度值,/>表示像素点/>的邻域像素点总数,/>表示像素点/>的第/>个邻域像素点的灰度值,/>表示像素点/>的灰度值,/>表示以自然常数/>为底的指数函数,∑表示求和符号。
其中,本发明实施例的差异为数据间的差异,其具体计算过程为差值的绝对值,并且,后续步骤中的差异计算均可以采用差值的绝对值进行计算,对此不做赘述。
在湿度值的公式模型中,当每个像素点与邻域像素点的灰度值的差异越小,也即像素点之间的灰度值越相似,那么每个邻域像素点与中心像素点的邻域灰度相似值就越大,此时可以说明该像素点所处位置处的湿润程度越大,因此将所有邻域灰度相似值进行平均归一化处理后获得该像素点处的湿度值/>也就越大。需要说明的是,本发明一个实施例中预设邻域的大小为3×3,具体大小实施者可根据具体实施场景进行调整,在此不做限定。
基于上述步骤,可以获取到混凝土试件的每个表面灰度图像中每个像素点处的湿度值,然后可进行后续的处理。
步骤S3:对每个表面灰度图像与时序上之前的历史表面灰度图像中的像素点进行纹理特征分析,获得每个像素点处的湿度变化特征值和邻域像素点相似度;根据湿度变化特征值和邻域像素点相似度,获得每个像素点在每个表面灰度图像中的纹理特征值。
根据步骤S2可以获得每个表面灰度图像中的每个像素点处的湿度值,也即获得了每个像素点处在不同时刻下的湿度值,但是由于混凝土试件表面的纹理特征会对混凝土试件表面的湿润程度产生影响,例如当混凝土试件表面某处存在纹理特征时,纹理特征会导致像素点所处位置对光的反射能力不一致,因此获得的灰度值会存在差异,进而会导致步骤S2中获取到的像素点所处位置的湿度值不够准确,因此需要对像素点处进行纹理特征分析,获取每个像素点在每个表面灰度图像中的纹理特征值,从而对每个像素点处的湿度值进行优化。
由于混凝土试件表面存在纹理,故纹理区域内不同像素点之间对水分的吸收效果可能不同,故当混凝土试件养护房中的环境湿度发生一定波动时,由像素点与其局部像素点的灰度差异获取到的像素点所处位置的湿度值也会发生波动,所以符合该变化特征的像素点越可能为蕴含纹理特征的像素点;同时由于混凝土试件表面的纹理分布往往相对集中,因此也可通过局部像素点的相似度来表征每个像素点的纹理特征;故纹理特征分析具体为获取像素点处的湿度变化特征值和邻域像素点相似度。
首先可以根据湿度变化获取像素点处的湿度变化特征值。
优选地,本发明一个实施例中像素点处的湿度变化特征值的获取方法包括:
基于上述分析可知,当混凝土试件养护房中的环境湿度发生波动时,获取到的像素点所处位置的湿度值也会发生波动;因此可以首先获取到每个表面灰度图像采集时刻的环境湿度,环境湿度可由养护房中的湿度传感器获取;然后根据环境湿度的波动情况,即将每个表面灰度图像与该表面灰度图像时序上之前的历史表面灰度图像的环境湿度差异不为0的历史表面灰度图像筛选出来,作为对照表面灰度图像,根据该方法可以获取到每个表面灰度图像对应的对照表面灰度图像;如果某个表面灰度图像具有个对照表面灰度图像,那么对于该表面灰度图像中的每个像素点而言,即有/>个环境湿度不同的对应位置的像素点,也就可以获得每个像素点所处位置在/>个不同时刻下的湿度值。
然后对每个表面灰度图像以及对应的对照表面灰度图像进行分析,获取每个表面灰度图像与对应的每个对照表面灰度图像的环境湿度差异;由于步骤S2中已经获取到了所有的表面灰度图像中每个像素点处的湿度值,因此也可以获取到每个表面灰度图像与对应的每个对照表面灰度图像中相同位置的像素点处的湿度值差异;由于纹理特征的存在,因此环境湿度发生变化,会导致每个像素点处在不同时刻计算得到的湿度值也会发生变化,所以可以将环境湿度差异与湿度值差异进行结合,即将每个表面灰度图像和对应的每个对照表面灰度图像的环境湿度差异与相同位置像素点处的湿度值差异相乘,作为每个像素点处的湿度差异特征值;然后将每个表面灰度图像中每个像素点在对应的所有对照表面灰度图像中的湿度差异特征值进行累加,作为对应表面灰度图像中该像素点处的湿度变化特征值。以任一表面灰度图像中任一像素点为例,像素点处的湿度变化特征值的公式模型为:
其中,表示像素点/>处的湿度变化特征值,/>表示像素点/>处的湿度值,/>表示第个对照表面灰度图像中与像素点/>相同位置像素点处的湿度值,/>表示像素点/>所在表面灰度图像的环境湿度,/>表示像素点/>所在表面灰度图像的第/>个对照表面灰度图像的环境湿度,/>表示像素点/>所在表面灰度图像的对照表面灰度图像的总个数,∑表示求和符号。
在像素点处的湿度变化特征值的公式模型中,当表面灰度图像与每个对照表面灰度图像的环境湿度差异越大,同时相同位置像素点处的湿度值差异/>也越大时,说明当环境湿度发生波动时,像素点处的湿度值也发生了明显的变化,那么该像素点处的湿度差异特征值/>就大,所以湿度差异特征值累加获得的湿度变化特征值就越大,则说明该像素点处的湿润程度受到纹理特征的影响较大,即该像素点处蕴含纹理特征的可能性就越大。
至此,可以根据湿度变化情况对每个表面灰度图像中的像素点进行分析获得湿度变化特征值,可以初步表征出每个像素点包含的纹理特征信息;然后可以继续获取邻域像素点相似度,目的也在于获得每个像素点包含的纹理特征信息。
优选地,本发明一个实施例中邻域像素点相似度的获取方法包括:
由于混凝土试件表面的纹理特征往往呈现集中分布的特点,因此可对每个像素点与邻域像素点进行相似度分析。基于时序将每个表面灰度图像与对应的所有对照表面灰度图像进行排序获得目标表面灰度图像序列,由于邻域像素点相似度可以根据像素点处的湿度值以及像素点的灰度值进行分析,所以首先可以基于像素点处的湿度值获取每个邻域像素点与中心像素点的第一相似度,具体方法为基于最小二乘法对所有目标表面灰度图像中相同位置像素点处的湿度值进行拟合,即可获得每个像素点处在不同时刻下的湿度变化曲线,然后获取在每个表面灰度图像中以每个像素点为中心的预设邻域内,每个邻域像素点处与中心像素点处的湿度变化曲线的皮尔逊相关系数,将所得的皮尔逊相关系数作为每个邻域像素点与中心像素点的第一相似度。需要说明的是,由于本发明实施例主要目的在于获取相似度,而皮尔逊相关系数越大时,表示越相似,因此若获得的皮尔逊相关系数小于0,则将皮尔逊相关系数直接记为0。
然后基于像素点与邻域像素点的灰度值继续进行邻域像素点相似度分析,在每个目标表面灰度图像序列中,将相邻两个目标表面灰度图像中相同位置像素点的灰度值的差异与两个灰度值的最大值的比值,作为该像素点在该相邻两个目标表面灰度图像中的灰度值变化比值;像素点的灰度值变化比值可以表征出每个像素点的灰度值在不同时刻下的变化情况,因此后续通过比较邻域像素点与中心像素点的灰度值变化比值可以更加准确的反映出邻域像素点与中心像素点的相似度。以任一表面灰度图像中任一像素点为例,像素点的灰度值变化比值的公式模型为:
其中,表示像素点/>在第/>个目标表面灰度图像和第/>个目标表面灰度图像中的灰度值变化比值,/>表示第/>个目标表面灰度图像中与像素点/>相同位置像素点的灰度值,/>表示第/>个目标表面灰度图像中与像素点/>相同位置像素点的灰度值,表示取最大值,/>表示预设常数。
在像素点的灰度值变化比值的公式模型中,当相邻两个目标表面灰度图像中相同位置像素点的灰度值的差异越小,则说明该像素点在不同时刻下的灰度值变化较小,即该像素点的灰度值变化比值就越小,/>表示预设常数,主要目的在于避免分母为0,具体数值可设置为0.01,也可根据实际情况进行调整,在此不做限定。
然后在每个目标表面灰度图像中以每个像素点为中心的预设邻域内,将每个邻域像素点与中心像素点在相邻两个目标表面灰度图像中的灰度值变化比值的差异作为灰度变化差异,然后将该灰度变化差异进行负相关映射,作为该邻域像素点与中心像素点的灰度值变化特征值;最后将每个邻域像素点与中心像素点在所有相邻两个目标表面灰度图像中的灰度值变化特征值进行累加后与第一相似度相乘,即可获得每个邻域像素点与中心像素点的相似度。以任一表面灰度图像中任一像素点为中心像素点进行具体示例,邻域像素点与中心像素点的相似度的公式模型具体可以例如为:
其中,表示像素点/>与第/>个邻域像素点的相似度,/>表示像素点/>与第/>个邻域像素点的第一相似度,/>表示像素点/>在第/>个目标表面灰度图像和第/>个目标表面灰度图像中的灰度值变化比值,/>表示像素点/>的第/>个邻域像素点在第/>个目标表面灰度图像和第/>个目标表面灰度图像中的灰度值变化比值,/>表示每个表面灰度图像与对应的对照表面灰度图像组成的目标灰度图像的总个数。
在邻域像素点与中心像素点的相似度的公式模型中,当像素点与每个邻域像素点的第一相似度越大,同时每个邻域像素点与中心像素点的灰度值变化特征值越小,则获得的每个邻域像素点与中心像素点的相似度/>就越大。需要说明的是,皮尔逊相关系数的计算方法为本领域技术人员熟知的过程,在此不做赘述;预设邻域为3×3,在其他实施例中可对预设邻域大小进行调整,在此不做限定。
在完成纹理特征分析,即获取到了像素点处的湿度变化特征值和邻域像素点相似度之后,可将两者的分析结果进行结合,获得每个像素点在每个表面灰度图像中的纹理特征值。
优选地,本发明一个实施例中纹理特征值的获取方法包括:
将每个表面灰度图像中以任意一个像素点为中心的预设邻域内,每个邻域像素点与中心像素点的相似度进行归一化,然后将所有归一化后的值进行累加,作为中心像素点与所有邻域像素点的累加相似度;然后将该累加相似度的值与中心像素点处的湿度变化特征值进行相乘,获得中心像素点的纹理特征值。以任一表面灰度图像中任一像素点为中心像素点进行具体示例,纹理特征值的公式模型为:
其中,表示像素点/>的纹理特征值,/>表示像素点/>处的湿度变化特征值,/>表示像素点/>与第/>个邻域像素点的相似度,/>表示像素点/>的邻域像素点总数,/>表示归一化函数,∑表示求和符号。
在纹理特征值的公式模型中,由于纹理特征会导致像素点所处位置的湿度发生变化,并且混凝土试件表面的纹理特征信息的分布较为集中,因此当中心像素点与所有邻域像素点的累加相似越大,同时中心像素点处的湿度变化特征值越大时,则说明该中心像素点的纹理特征值越大,越可能为蕴含纹理信息的像素点。但是,若计算得到的为1时,则将该值记为0进行累加,原因在于往往不蕴含纹理特征的两个像素点,即使环境湿度发生波动,湿度值也会一直保持一致,所以计算获得的/>为1,但是当像素点包含纹理特征时,计算获得的/>不会为1。需要说明的是,归一化操作为本领域技术人员熟知的操作过程,在此不做赘述。
至此可以获取到所有表面灰度图像中每个像素点的纹理特征值,可以进行后续的分析与操作。
步骤S4:根据实时表面灰度图像中每个像素点处的湿度值、邻域像素点相似度和每个像素点在所有表面灰度图像中相同位置处的纹理特征值,获得实时表面灰度图像中每个像素点处的最终湿度值。
基于步骤S3中已经获得了像素点的纹理特征值,因此可以根据实时表面灰度图像中每个像素点处的湿度值、邻域像素点相似度以及每个像素点在所有表面灰度图像中相同位置处的纹理特征值,对实时表面灰度图像中每个像素点处的湿度值进行调整,获得更加准确的最终湿度值。
优选地,本发明一个实施例中,最终湿度值的获取方法包括:
由于混凝土试件表面的纹理特征对于像素点所处位置的湿度值会产生较大影响,因此可通过像素点的纹理特征值对实时表面灰度图像中的像素点处的湿度值进行初步优化,具体过程为:首先获取实时表面灰度图像中每个像素点在所有表面灰度图像中相同位置处的最大纹理特征值和最小纹理特征值,然后将像素点的最大纹理特征值与最小纹理特征值的差异作为该像素点的纹理特征值极差,纹理特征值极差可以表征出每个像素点的纹理信息波动程度;然后将每个像素点的纹理特征值极差、最大纹理特征值以及实时表面灰度图像中该像素点所处位置的湿度值的乘积作为该像素点处的初步优化湿度值。以实时表面灰度图像中任一像素点为例,初步优化湿度值的公式模型为:
其中,表示像素点/>处的初步优化湿度值,/>表示像素点/>处的湿度值,/>表示像素点/>在所有表面灰度图像中相同位置处的最大纹理特征值,/>表示像素点/>在所有表面灰度图像中相同位置处的最小纹理特征值。
在初步优化湿度值的公式模型中,由于步骤S2中获得的每个像素点处的湿度值是根据局部像素点的灰度值差异获取的,局部像素点的灰度值差异越小,获得的湿度值就越大,而混凝土表面存在纹理特征时,纹理特征会导致像素点即使吸收了同样的水分,但是表现出来的灰度值却会呈现一定的差异,因此会导致获得的湿度值偏小;纹理特征值越大,所求得的湿度值就会越小,因此将湿度值与像素点在所有表面灰度图像中相同位置处的最大纹理特征值相乘,用以将偏小的湿度值调大;同时当纹理特征值极差越大时,说明该像素点越可能蕴含纹理特征信息,因此将纹理特征值极差也作为湿度值的调节因子;获得初步优化湿度值。
由于混凝土试件表面的纹理特征分布往往相对集中,所以可以通过步骤S3中获得的邻域像素点相似度对实时表面灰度图像中每个像素点处的初步优化湿度值进行进一步的优化,具体过程为:将实时表面灰度图像中以每个像素点为中心的预设邻域内,每个邻域像素点处的初步优化湿度值与每个邻域像素点与中心像素点的相似度的值进行相乘,获得邻域优化湿度值,最后将中心像素点处的所有邻域优化湿度值进行累加后求均值,即可获得中心像素点处的最终湿度值。以实时表面灰度图像中任一像素点为中心像素点进行具体示例,最终湿度值的公式模型为:
其中,表示像素点/>处的最终湿度值,/>表示像素点/>的邻域像素点总数,/>表示像素点/>与第/>个邻域像素点的相似度,/>表示像素点/>的第/>个邻域像素点的初步优化湿度值,∑表示求和符号。/>
在最终湿度值的公式模型中,由于混凝土试件表面的纹理特征具有集中分布的特性,因此利用了局部像素点之间的相似度,可以基于每个邻域像素点与中心像素点的相似度对初步优化湿度值进一步调整,当邻域像素点与中心像素点的相似度越大,那么其权重就越大,最终获得的邻域优化湿度值/>也就越大,则像素点处的最终湿度值就越大。需要说明的是,本发明一个实施例中预设邻域大小为3×3,具体大小可根据具体实施场景进行调整,在此不做限定。
至此,可以获得实时表面灰度图像中每个像素点处优化过的最终湿度值,最终湿度值即可精确的表征每个像素点处的湿润程度。
步骤S5:根据所有最终湿度值对实时表面灰度图像中的像素点进行聚类获得聚类结果;根据聚类结果获得每个聚类区域的目标加水量,完成混凝土试件的智能养护。
基于上述步骤已经可以获得能够准备表示混凝土试件表面每个像素点处的湿润程度的最终湿度值,因此可以根据混凝土试件实时表面灰度图像中所有像素点处的最终湿度值对所有的像素点进行聚类分析,获得聚类结果,目的在于可以根据湿润程度的不同划分出不同的区域,便于后续自适应获取不同湿润程度区域对应的目标加水量。
优选地,本发明一个实施例中聚类结果的获取方法包括:
基于手肘法可以获取实时表面灰度图像中所有像素点处的最终湿度值的最优K值,然后利用K-means聚类算法根据获取到的最优K值和所有像素点处的最终湿度值对所有像素点进行聚类,即可获得K个聚类结果。其中,初始聚类中心点可随机选取,而像素点之间的距离与像素点处的最终湿度值差异的乘积可作为距离度量;此时,每个聚类簇中的像素点即可组成一个聚类区域,并且每个聚类区域所对应的湿润程度也不同,因此对应的加水量也会有不同。需要说明的是,获取最优K值的方法还可以具体例如为轮廓系数法、层次聚类法等,可根据实际情况进行选择,在此不做限定及赘述;K-means聚类算法为本领域技术人员熟知的技术手段,在此不做赘述。
在获取到聚类结果之后,即可根据聚类结果自适应获取每个聚类区域对应的目标加水量。
优选地,本发明一个实施例中每个聚类区域的目标加水量的获取方法包括:
在获取每个聚类区域的加水量之前,需要先获取当前时刻需要的初始加水量;而初始加水量可根据历史时刻中每次加水时的整体加水量以及加水前后的环境湿度变化计算获得;具体方法为:根据历史时刻中每次加水时的整体加水量以及加水前后的环境湿度变化获取环境湿度与加水量的函数关系式,函数关系式可记为,其中/>表示加水后的环境湿度,/>表示加水前的环境湿度,/>表示整体加水量。由于混凝土试件养护房中的湿度通常会维持在一个固定值,所以加水后的环境湿度为已知,因此可根据该函数关系式获取到当前时刻需要的初始加水量。需要说明的是,函数关系式的获取方法为公知技术,在此不做赘述。
获取到当前时刻需要的初始加水量之后,可对其进行合理分配,分配方法为:首先获取混凝土试件实时表面灰度图像中每个聚类区域中所有像素点处的最终湿度值的均值,将该均值作为每个聚类区域的湿度均值,然后将所有聚类区域的湿度均值进行累加作为湿度均值和;然后获取每个聚类区域的湿度均值与湿度均值和的比值,该比值即可表征每个聚类区域的湿润程度在所有聚类区域中所占的比例;然后将该比值进行负相关映射后的值与获取到的当前时刻需要的初始加水量相乘,即可自适应获得每个聚类区域的目标加水量。每个聚类区域的目标加水量的公式模型具体可以例如为:
其中,表示第/>个聚类区域的目标加水量,/>表示第/>个聚类区域的湿度均值,/>表示聚类区域的总个数,/>表示当前时刻的初始加水量,∑表示求和符号。
在每个聚类区域的目标加水量的公式模型中,当某个聚类区域的湿度均值与混凝土试件实时表面灰度图像中所有聚类区域的湿度均值和的比值越大时,则说明该聚类区域的湿润程度比较大,那么需要的目标加水量应该较少,因此对其进行负相关映射,即可获得该聚类区域所需要的目标加水量。
至此,可以获得当前时刻下混凝土试件表面不同湿润程度的区域所需要的目标加水量,然后控制喷洒设备移动到相应位置,即可为相应位置添加相应的水量,因此可以在维持环境湿度符合要求的同时,保证混凝土试件表面的局部湿润程度的一致性,有助于混凝土试件的水化反应和硬化过程,完成了混凝土试件的智能养护,进而提高了混凝土试件成型养护的质量和成型养护的效率。需要说明的是,本发明实施例中针对的场景为混凝土试件养护房中仅有单独一个混凝土试件,如混凝土试件养护房中有多个混凝土试件,那么在分配初始加水量时,首先根据每个混凝土试件的所有聚类区域的湿度均值和在所有混凝土试件的所有聚类区域的湿度均值和中的占比获得每个混凝土试件所分配的加水量,然后再根据每个聚类区域的目标加水量的公式模型对每个混凝土试件所分配的加水量进行划分;即可获得每个混凝土试件表面每个聚类区域所需要的目标加水量。
综上所述,本发明实施例通过采集混凝土试件养护过程中的多张表面灰度图像,然后对表面灰度图像进行分析,获取到不同湿润程度区域所需要的目标加水量,用以保证混凝土试件表面的湿润程度一致性。首先通过对混凝土试件表面灰度图像中每个像素点的局部灰度值差异获取到每个表面灰度图像中每个像素点处的湿度值,但是由于湿度值会受到混凝土试件表面纹理特征的影响,因此需要分析混凝土试件表面的纹理特征;进而获得每个像素点在表面灰度图像中的纹理特征值;而纹理特征分析包括了像素点处的湿度变化特征分析和邻域像素点相似度分析;对像素点处的湿度变化特征分析的原因在于纹理特征的存在会导致像素点所处位置对光的反射能力不一致,因此获得的灰度值会存在差异,进而会导致获取到的湿度值不够准确;因此可分析环境湿度的波动以及每个像素点处湿度值在不同时刻下的变化情况来获得像素点处的湿度变化特征值。进一步地,由于混凝土试件表面的纹理特征往往呈现集中分布的特性,因此可以通过每个像素点与邻域像素点的灰度值变化以及湿度变化曲线获得邻域像素点的相似度。进而可将湿度变化特征值与邻域像素点的相似度相结合获得每个像素点的纹理特征值。然后根据实时表面灰度图像中每个像素点的纹理特征值以及邻域像素点相似度对每个像素点处的湿度值进行调整,即可获得每个像素点处的最终湿度值。最后可根据最终湿度值对像素点进行聚类分析,获得湿润程度不同的聚类区域,然后根据不同的聚类区域自适应获得所需的加水量;保证了混凝土试件表面湿润程度的一致性,而且提高了混凝土试件的成型养护的质量和养护效率,完成了混凝土试件的智能养护。
本发明一个实施例还提供了一种混凝土试件智能养护系统,该系统包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器上运行时能够实现一种混凝土试件智能养护方法的步骤。
一种混凝土试件表面湿度值的获取方法实施例:
在获取混凝土试件表面的湿度值时,现有技术中通常是通过混凝土试件养护房中的湿度传感器在系统中显示的数值直接获取,但是由于湿度传感器获取的数值仅能反映环境中的整体湿度情况,且混凝土试件表面的纹理特征也会对混凝土试件表面的湿度产生影响;因此环境中的整体湿度情况无法准确的反映出混凝土试件表面的湿度值,故本实施例提供了一种混凝土试件表面湿度值的获取方法,包括:
步骤S1:获取混凝土试件的表面灰度图像,表面灰度图像包括实时表面灰度图像和历史表面灰度图像;
步骤S2:根据每个表面灰度图像中每个像素点在预设邻域内与所有邻域像素点的灰度值差异,获得每个表面灰度图像中每个像素点处的湿度值;
步骤S3:对每个表面灰度图像与时序上之前的历史表面灰度图像中的像素点进行纹理特征分析,获得每个像素点处的湿度变化特征值和邻域像素点相似度;根据湿度变化特征值和邻域像素点相似度,获得每个像素点在每个表面灰度图像中的纹理特征值;
步骤S4:根据实时表面灰度图像中每个像素点处的湿度值、邻域像素点相似度和每个像素点在所有表面灰度图像中相同位置处的纹理特征值,获得实时表面灰度图像中每个像素点处的最终湿度值。
其中,步骤S1~S4在上述一种混凝土试件智能养护方法实施例中已给出了详细说明,在此不再赘述。
本实施例带来的有益效果包括:针对湿度传感器获取的数值仅能反映环境中的整体湿度情况,且混凝土试件表面的纹理特征也会对混凝土试件表面的湿度产生影响;因此环境中的整体湿度情况无法准确的反映出混凝土试件表面的湿度值的情况,本实施例提供了一种混凝土试件表面湿度值的获取方法,首先获取了混凝土试件在养护房中养护过程中的多个表面灰度图像,包括实时表面灰度图像和历史表面灰度图像,获取历史表面灰度图像可以更加有效分析每个像素点的变化特征,提高分析结果的可靠性;由于混凝土试件表面的湿润程度不同时会导致像素点的灰度值发生变化,因此可通过每个表面灰度图像中每个像素点与邻域像素点的灰度值的差异来初步表征出每个像素点处的湿度值;但是由于混凝土试件表面的纹理特征会对获取到的湿度值产生影响,因此需要进行纹理特征分析,由于混凝土试件表面的纹理特征具有局部集中的特性以及纹理特征会对混凝土试件表面的湿润程度产生影响,所以纹理特征分析主要目的在于获取像素点处的湿度变化特征值和邻域像素点相似度;进而将湿度变化特征值和邻域像素点相似度进行结合获得每个像素点的纹理特征值,然后可以基于每个像素点在所有表面灰度图像中相同位置处的纹理特征值以及实时表面灰度图像中邻域像素点的相似度对实时表面灰度图像中每个像素点处的湿度值进行优化调整,获取到混凝土试件实时表面灰度图像中每个像素点处的最终湿度值;由于最终湿度值是直接对混凝土试件的表面灰度图像进行分析,因此解决了湿度传感器获取的数值仅能反映环境中的整体湿度情况的问题,并且还分析了混凝土试件表面的纹理特征对湿度值产生的影响,并对湿度值进行了优化调整,因此此时的最终湿度值可以准确的表征出混凝土试件表面的湿润程度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书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。
Claims (9)
1.一种混凝土试件智能养护方法,其特征在于,所述方法包括:
获取混凝土试件的表面灰度图像,所述表面灰度图像包括实时表面灰度图像和历史表面灰度图像;
根据每个所述表面灰度图像中每个像素点在预设邻域内与所有邻域像素点的灰度值差异,获得每个所述表面灰度图像中每个像素点处的湿度值;
对每个表面灰度图像与时序上之前的历史表面灰度图像中的像素点进行纹理特征分析,获得每个像素点处的湿度变化特征值和邻域像素点相似度;根据所述湿度变化特征值和所述邻域像素点相似度,获得每个像素点在每个表面灰度图像中的纹理特征值;
根据实时表面灰度图像中每个像素点处的湿度值、邻域像素点相似度和每个像素点在所有表面灰度图像中相同位置处的纹理特征值,获得所述实时表面灰度图像中每个像素点处的最终湿度值;
根据所有所述最终湿度值对实时表面灰度图像中的像素点进行聚类获得聚类结果;根据所述聚类结果获得每个聚类区域的目标加水量,完成混凝土试件的智能养护;
所述最终湿度值的获取方法包括:
获取所述实时表面灰度图像中每个像素点在所有表面灰度图像中相同位置处的最大纹理特征值和最小纹理特征值,将每个像素点的最大纹理特征值与最小纹理特征值的差异作为纹理特征值极差;将每个像素点的所述纹理特征值极差、最大纹理特征值以及在实时表面灰度图像中所处位置的湿度值的乘积作为每个像素点处的初步优化湿度值;
将所述实时表面灰度图像中以每个像素点为中心的预设邻域内,每个邻域像素点处的初步优化湿度值与每个邻域像素点与中心像素点的相似度的值相乘,获得邻域优化湿度值,将每个中心像素点处的所有邻域优化湿度值的平均值作为每个中心像素点处的最终湿度值。
2.根据权利要求1所述的一种混凝土试件智能养护方法,其特征在于,所述湿度值的获取方法包括:
在每个像素点为中心的预设邻域内任选某一邻域像素点;
将邻域像素点与对应中心像素点的灰度值差异进行负相关映射并归一化后,作为邻域灰度相似值;
将每个像素点的所有邻域灰度相似值的平均值作为每个像素点处的所述湿度值。
3.根据权利要求1所述的一种混凝土试件智能养护方法,其特征在于,所述像素点处的湿度变化特征值的获取方法包括:
获取每个表面灰度图像采集时刻的环境湿度;
将每个表面灰度图像与时序上之前的历史表面灰度图像的环境湿度差异不为0的历史表面灰度图像作为对照表面灰度图像;
获取每个表面灰度图像与对应的每个对照表面灰度图像的环境湿度差异;获取每个表面灰度图像与对应的每个对照表面灰度图像中相同位置的像素点处的湿度值差异;
将每个表面灰度图像和对应的每个对照表面灰度图像的环境湿度差异与相同位置像素点处的湿度值差异相乘,作为每个像素点处的湿度差异特征值;
将每个表面灰度图像中的每个像素点在对应的所有对照表面灰度图像中的湿度差异特征值累加,作为对应表面灰度图像中每个像素点处的湿度变化特征值。
4.根据权利要求3所述的一种混凝土试件智能养护方法,其特征在于,所述邻域像素点相似度的获取方法包括:
基于时序将任一表面灰度图像与其对应的对照表面灰度图像进行排序获得目标表面灰度图像序列;
基于最小二乘法对所有目标表面灰度图像中相同位置像素点处的湿度值进行拟合,获得每个像素点处的湿度变化曲线;
将以任一像素点为中心的预设邻域内,任一邻域像素点处与中心像素点处的湿度变化曲线的皮尔逊相关系数,作为所述邻域像素点与中心像素点的第一相似度;
在每个目标表面灰度图像序列中,以相邻两个目标表面灰度图像中相同位置像素点的灰度值的差异作为分子,相同位置像素点的灰度值的最大值与预设常数的和值作为分母,得到每个像素点在所述相邻两个目标表面灰度图像中的灰度值变化比值;
将每个邻域像素点与中心像素点的所述灰度值变化比值的差异作为灰度变化差异;将所述灰度变化差异进行负相关映射,作为每个邻域像素点与中心像素点的灰度值变化特征值;
将每个邻域像素点与中心像素点在所有相邻两个目标灰度图像中的灰度值变化特征值进行累加后与第一相似度相乘,作为每个邻域像素点与中心像素点的相似度。
5.根据权利要求1所述的一种混凝土试件智能养护方法,其特征在于,所述纹理特征值的获取方法包括:
在任一像素点为中心像素点的预设邻域内,将所有邻域像素点与中心像素点的相似度进行归一化后累加,作为所述中心像素点与对应所有邻域像素点的累加相似度;
将所述累加相似度的值与中心像素点处的湿度变化特征值相乘作为中心像素点的纹理特征值。
6.根据权利要求1所述的一种混凝土试件智能养护方法,其特征在于,所述聚类结果的获取方法包括:
基于手肘法获取所述实时表面灰度图像中所有像素点处的最终湿度值的最优K值,使用K-means聚类算法根据所述最优K值和所有像素点处的最终湿度值,对所有像素点进行聚类,获得所述聚类结果。
7.根据权利要求3所述的一种混凝土试件智能养护方法,其特征在于,所述每个聚类区域的目标加水量的获取方法包括:
获取历史时刻中每次加水时的整体加水量以及加水前后的环境湿度变化,根据整体加水量以及环境湿度变化获取环境湿度与加水量的函数关系式;
基于所述环境湿度与加水量的函数关系式,根据实时表面灰度图像的环境湿度获取当前时刻的初始加水量;
获取每个聚类区域中所有像素点处的最终湿度值的均值作为每个所述聚类区域的湿度均值;
将所有聚类区域的湿度均值累加作为湿度均值和,将每个聚类区域的湿度均值与所述湿度均值和的比值作为湿度均值比值,将所述湿度均值比值进行负相关映射后的值与初始加水量相乘,获得每个聚类区域的目标加水量。
8.根据权利要求1所述的一种混凝土试件智能养护方法,其特征在于,所述混凝土试件的表面灰度图像的获取方法包括:
获取混凝土试件的全景图像,对所述全景图像进行加权灰度化获得全景灰度图像;
基于大津阈值分割法获取所述全景灰度图像中的所述混凝土试件的表面灰度图像。
9.一种混凝土试件智能养护系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时可实现如权利要求1~8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311075293.5A CN116777919B (zh) | 2023-08-25 | 2023-08-25 | 一种混凝土试件智能养护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311075293.5A CN116777919B (zh) | 2023-08-25 | 2023-08-25 | 一种混凝土试件智能养护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777919A CN116777919A (zh) | 2023-09-19 |
CN116777919B true CN116777919B (zh) | 2023-11-07 |
Family
ID=87989932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311075293.5A Active CN116777919B (zh) | 2023-08-25 | 2023-08-25 | 一种混凝土试件智能养护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777919B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090052295A (ko) * | 2007-11-20 | 2009-05-25 | (주)대우건설 | 조습성능이 있는 콘크리트용 혼화제 |
WO2019072249A1 (zh) * | 2017-10-12 | 2019-04-18 | 精诚工坊电子集成技术(北京)有限公司 | 利用皮肤图像分析皮肤水分的方法及装置 |
CN111311695A (zh) * | 2020-02-12 | 2020-06-19 | 东南大学 | 一种基于卷积神经网络的清水混凝土表面色差分析方法 |
CN112396573A (zh) * | 2019-07-30 | 2021-02-23 | 纵横在线(广州)网络科技有限公司 | 基于图像识别的面部皮肤分析方法及系统 |
CN116309600A (zh) * | 2023-05-24 | 2023-06-23 | 山东金佳成工程材料有限公司 | 基于图像处理的环保纺织品质量检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140119639A1 (en) * | 2012-10-31 | 2014-05-01 | Microsoft Corporation | Water-body classification |
CN108387262B (zh) * | 2018-01-03 | 2020-05-01 | 江苏大学 | 一种基于悬挂式滑轨平台的温室信息自动监测方法 |
-
2023
- 2023-08-25 CN CN202311075293.5A patent/CN116777919B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090052295A (ko) * | 2007-11-20 | 2009-05-25 | (주)대우건설 | 조습성능이 있는 콘크리트용 혼화제 |
WO2019072249A1 (zh) * | 2017-10-12 | 2019-04-18 | 精诚工坊电子集成技术(北京)有限公司 | 利用皮肤图像分析皮肤水分的方法及装置 |
CN112396573A (zh) * | 2019-07-30 | 2021-02-23 | 纵横在线(广州)网络科技有限公司 | 基于图像识别的面部皮肤分析方法及系统 |
CN111311695A (zh) * | 2020-02-12 | 2020-06-19 | 东南大学 | 一种基于卷积神经网络的清水混凝土表面色差分析方法 |
CN116309600A (zh) * | 2023-05-24 | 2023-06-23 | 山东金佳成工程材料有限公司 | 基于图像处理的环保纺织品质量检测方法 |
Non-Patent Citations (1)
Title |
---|
考虑注意力机制的残差网络在混凝土养护中的应用研究;冯俊 等;第二十三届全国现代结构工程学术研讨会;1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777919A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN116259005B (zh) | 基于屋顶光伏消防的智能监控系统 | |
CN116542972B (zh) | 基于人工智能的墙板表面缺陷快速检测方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN114894804A (zh) | 一种精密标准件表面裂纹检测方法 | |
CN114529779A (zh) | 一种人防门锈蚀状态检测系统及方法 | |
CN111951292A (zh) | 物体表面反射属性提取方法、装置、设备及存储介质 | |
CN117788459B (zh) | 基于图像特征的链条磨损检测方法 | |
CN116777919B (zh) | 一种混凝土试件智能养护方法及系统 | |
CN117036348B (zh) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 | |
CN114092728A (zh) | 一种基于深度学习的指针式仪表智能识别方法及系统 | |
CN116563168A (zh) | 一种地质测绘数据实时采集存储方法及系统 | |
CN114691661B (zh) | 一种基于同化的云导风、温湿廓线预处理分析方法及系统 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
CN117275130B (zh) | 基于人脸识别的智慧门禁验证系统 | |
CN114283296B (zh) | 一种基于结构相似度的目标识别自评估方法 | |
CN117911408B (zh) | 一种道路路面施工质量检测方法及系统 | |
CN116934636B (zh) | 一种水质实时监测数据智能管理系统 | |
CN117854011B (zh) | 一种智能ai摄像头识别对比方法及系统 | |
CN117853487B (zh) | 一种基于图像处理技术的fpc连接器裂纹检测方法及系统 | |
CN116894841B (zh) | 一种变速箱合金壳体质量视觉检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |