CN117173632A - 一种铝模板混凝土的表面气泡评价方法及系统 - Google Patents
一种铝模板混凝土的表面气泡评价方法及系统 Download PDFInfo
- Publication number
- CN117173632A CN117173632A CN202311156360.6A CN202311156360A CN117173632A CN 117173632 A CN117173632 A CN 117173632A CN 202311156360 A CN202311156360 A CN 202311156360A CN 117173632 A CN117173632 A CN 117173632A
- Authority
- CN
- China
- Prior art keywords
- bubble
- data
- concrete
- area
- bubbles
- 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
Links
- 239000004567 concrete Substances 0.000 title claims abstract description 146
- 238000011156 evaluation Methods 0.000 title claims abstract description 89
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 19
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims description 77
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000006872 improvement Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 8
- 238000002156 mixing Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 17
- 230000007547 defect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 238000013441 quality evaluation Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000003908 quality control method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical group [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种铝模板混凝土的表面气泡评价方法及系统,该方法包括:在混凝土脱模后,获取该混凝土的多个表面图片;基于图像识别技术,识别该表面图片中混凝土表面的气泡,得到气泡数据集合;该气泡数据集合包括该气泡的数量数据和分布数据;根据该气泡数据集合,计算该气泡在单位面积的混凝土上的气泡面积占比数值;基于预设的气泡面积占比阈值对该气泡面积占比数值进行分级,得到气泡评级结果。实施本申请提供的方法,能自动识别铝模板混凝土表面的气泡,并基于统一量化的评价标准,提高了气泡评价的准确性。
Description
技术领域
本申请涉及质量检测领域,尤其涉及一种铝模板混凝土的表面气泡评价方法及系统。
背景技术
在施工过程中,使用铝模板浇筑混凝土时,由于混凝土自身性质及施工方法的影响,会出现一定量的气泡,这些气泡在混凝土浇筑、振捣、养护过程中会有不同程度的运动和排出。脱模板时可能会遗留部分气泡而出现表面气泡缺陷。
在现有技术中,在脱模后混凝土表面气泡主要由专业的工作人员进行评价,他们通过对气泡的数量和大小进行人工检查,并依据经验进行分析,得到混凝土气泡方面的评价结果。
但这样的评价结果易受主观影响,不同评价人员的结果也难以保持一致,无法实现对表面气泡的准确的量化评价。
发明内容
本申请提供了一种铝模板混凝土的表面气泡评价方法及系统,用于自动识别铝模板混凝土表面的气泡,并基于统一量化的评价标准,提高了气泡评价的准确性。
第一方面,本申请提供了一种铝模板混凝土的表面气泡评价方法,该方法包括:在混凝土脱模后,获取该混凝土的多个表面图片;基于图像识别技术,识别该表面图片中混凝土表面的气泡,得到气泡数据集合;该气泡数据集合包括该气泡的数量数据和分布数据;根据该气泡数据集合,计算该气泡在单位面积的混凝土上的气泡面积占比数值;基于预设的气泡面积占比阈值对该气泡面积占比数值进行分级,得到气泡评级结果。
在上述实施例中,气泡评价系统通过图像识别技术自动化地生成表面气泡的数据集合,计算气泡面积占比参数,利用多级阈值详细准确地对气泡进行分级评级,实现了快速高效、定量及定性相结合的混凝土表面气泡质量检测与评价。
结合第一方面的一些实施例,在一些实施例中,该基于图像识别技术,识别该表面图片中混凝土表面的气泡,得到气泡数据集合,具体包括:基于OpenCV图像处理库中的高斯滤波函数,对输入的该表面图片进行滤波处理,减少该表面图片中的随机噪声,得到滤波平滑后的平滑图像;基于直方图均衡化算法,对该平滑图像进行对比度调整,强化气泡边界部分的像素强度对比,得到对比度增强后的增强图像;基于OpenCV库中的Canny边缘检测算法,对该增强图像进行处理,检测出气泡边界对应的图像边缘轮廓,得到包含气泡边缘轮廓的二值边缘图像;基于轮廓发现算法,对该二值边缘图像进行分析,提取各个连通域轮廓,并计算轮廓内部区域的面积,保留面积大于设置阈值的轮廓对应区域作为最终识别提取出的气泡;对该最终识别提取出的气泡进行位置计算,得到包括有数量数据、面积数据和分布数据的气泡数据集合。
在上述实施例中,气泡评价系统通过结合OpenCV图像处理库中的多种算法,实现了对混凝土表面气泡的智能化识别和数据集提取。因为包含了气泡的数量、大小、分布等多维度数据,所以确保了识别的准确性,整体达到了高效、精确、可靠地生成混凝土表面气泡数据集合以及关键信息的效果,为后续的气泡质量评价和分析奠定了坚实的数据支撑基础。
结合第一方面的一些实施例,在一些实施例中,该根据该气泡数据集合,计算该气泡在单位面积的混凝土上的气泡面积占比数值,具体包括:提取该气泡数据集合中的该数量数据和该面积数据,进行累加,得到气泡总面积;计算该气泡总面积与混凝土面积的比值,得到该气泡在单位面积的混凝土上的气泡面积占比数值。
在上述实施例中,气泡评价系统通过直接利用智能识别生成的丰富气泡数据集,通过简单的累加和比值计算,可以快速、高效且准确地获得混凝土表面单位面积气泡面积占比这个关键参数。简化了计算过程,充分利用了信息化气泡数据集,为后续气泡质量的定量评价奠定了数据基础。
结合第一方面的一些实施例,在一些实施例中,该基于预设的气泡面积占比阈值对该气泡面积占比数值进行分级,得到气泡评级结果,具体包括:设置第一气泡面积占比阈值、第二气泡面积占比阈值、第三气泡面积占比阈值;设置评级结果为优、良、中、差;在该气泡面积占比数值低于该第一气泡面积占比阈值时,得到气泡评级结果为优。
在上述实施例中,气泡评价系统通过设定多个阈值区间并对应具体的评级结果,实现了基于气泡面积占比数据的分级与定性描述,使得气泡质量评价具有定量的客观数值和直观的评判定级结果。这样充分利用了预设阈值的标准化效应,将定量分析与定性评价有机结合,使得气泡质量评估更加细致和具体。
结合第一方面的一些实施例,在一些实施例中,在该气泡面积占比数值低于该第一气泡面积占比阈值时,得到气泡评级结果为优的步骤之后,该方法还包括:在该气泡面积占比数值高于该第一气泡面积占比阈值,且低于该第二气泡面积占比阈值时,得到该气泡评级结果为良;在该气泡面积占比数值高于该第二气泡面积占比阈值,且低于该第三气泡面积占比阈值时,得到该气泡评级结果为中;在该气泡面积占比数值高于该第三气泡面积占比阈值时,得到该气泡评级结果为差。
在上述实施例中,气泡评价系统设定了多个阈值区间,并对应不同的评级结果,实现了气泡面积占比到气泡质量评级的多级映射。阈值划分与分级对应,使得气泡质量评价不仅可以定量反映占比大小,还可以定性地直观描述气泡状况的好坏程度,实现了定量分析与定性评价的有机结合。这样既提高了评级的细致程度和可靠性,又使评级标准更加明确一致,为后续的质量控制与管理决策提供了强有力的数据支持。
结合第一方面的一些实施例,在一些实施例中,在该气泡面积占比数值高于该第三气泡面积占比阈值时,得到该气泡评级结果为差的步骤之后,该方法还包括:在该气泡评级结果为良、中、差时,查询存储的施工数据,并将该施工数据和对应的该气泡数据集合输入气泡分析大模型,得到施工改进数据;该施工数据包括混凝土配合比数据、混凝土拌合数据。
在上述实施例中,气泡评价系统在得到气泡质量评级结果后,进一步结合存储的施工数据与气泡数据集,通过将其输入气泡分析模型,得到针对性的施工改进方案。这样实现了从气泡质量评价到提出改进措施的闭环,达到了根据数据分析针对性地指导生产过程的效果,使评级结果直接转化为质量改进的实际行动方案,实现气泡缺陷的闭环防控,整体提升了混凝土表面质量的监控水平与管理效率。
结合第一方面的一些实施例,在一些实施例中,该查询存储的施工数据,并将该施工数据和对应的该气泡数据集合输入气泡分析大模型,得到施工改进数据,具体包括:基于数据库查询技术,对存储在数据库中的混凝土施工数据进行提取查询,得到包括混凝土配合比设计、拌合参数、浇筑养护参数、环境参数、工人操作的初始施工数据;基于数据提取技术,对该气泡数据集合中的气泡数量、大小、分布数据进行读取,得到初始气泡数据;基于数据融合技术,将该初始施工数据和该初始气泡数据进行整合与关联,得到初始数据集合;构建卷积神经网络模型,输入预设的训练数据集合,进行模型训练与优化迭代,得到气泡分析大模型;将该初始数据集合输入到该气泡分析大模型中,得到施工改进数据;该施工改进数据包括一个或多个初始施工数据的数据调整方案。
在上述实施例中,气泡评价系统通过数据库查询与数据提取技术获取初始施工数据与气泡数据,形成初始数据集合,并基于预构建的卷积神经网络气泡分析模型,实现了混凝土初始施工参数与实际气泡质量数据的深度学习与挖掘,输出针对性的施工改进方案。这样实现了数据驱动的闭环式施工质量优化,使施工参数的调整与优化不再靠经验,而是根据气泡质量数据的深度分析直接输出优化方案,大幅提升了混凝土表面气泡质量的预测调控能力和决策效率。
第二方面,本申请实施例提供了一种气泡评价系统,该气泡评价系统包括:拍摄模块,用于在混凝土脱模后,获取所述混凝土的多个表面图片;识别模块,用于基于图像识别技术,识别所述表面图片中混凝土表面的气泡,得到气泡数据集合;所述气泡数据集合包括所述气泡的数量数据和分布数据;计算模块,用于根据所述气泡数据集合,计算所述气泡在单位面积的混凝土上的气泡面积占比数值;评级模块,用于基于预设的气泡面积占比阈值对所述气泡面积占比数值进行分级,得到气泡评级结果。
第三方面,本申请实施例提供了一种气泡评价系统,该气泡评价系统包括:一个或多个处理器和存储器;该存储器与该一个或多个处理器耦合,该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令,该一个或多个处理器调用该计算机指令以使得该气泡评价系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
第四方面,本申请实施例提供一种包含指令的计算机程序产品,当上述计算机程序产品在气泡评价系统上运行时,使得上述气泡评价系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
第五方面,本申请实施例提供一种计算机可读存储介质,包括指令,当上述指令在气泡评价系统上运行时,使得上述气泡评价系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
可以理解地,上述第二方面、第三方面提供的气泡评价系统,第四方面提供的计算机程序产品和第五方面提供的计算机存储介质均用于执行本申请实施例所提供的方法。因此,其所能达到的有益效果可参考对应方法中的有益效果,此处不再赘述。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、由于采用了OpenCV等图像识别技术,气泡评价系统能自动高效获取气泡数据集合,所以实现了气泡检测与分析的智能化,有效解决了传统方法依赖人工、效率低下的问题,进而大大提高了气泡评价的速度与精准度。
2、由于采用了多级阈值进行分级评价的方法,气泡评价系统实现了气泡面积占比到质量评级的映射,所以实现了定量分析与定性评价的有机结合,有效解决了单一定量分析的不足,使评级结果更加明确直观。
3、由于采用了大模型与深度学习技术,气泡评价系统实现了气泡质量数据与施工参数的模型关联,所以实现了质量预测与过程优化的闭环化,有效解决了质量改进措施缺乏可靠依据的问题,提高了施工效果的可塑性。
附图说明
图1是本申请实施例中铝模板混凝土的表面气泡评价方法的一个流程示意图;
图2是本申请实施例中铝模板混凝土的表面气泡评价方法的另一个流程示意图;
图3是本申请实施例中气泡评价系统的一种功能模块结构示意图;
图4是本申请实施例中气泡评价系统的一种实体装置结构示意图。
具体实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,本申请中使用的术语“和/或”是指包含一个或多个所列出项目的任何或所有可能组合。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
为便于理解,下面介绍本申请实施例的应用场景。
在某建筑工地中,工人使用铝模板浇筑楼板混凝土。由于这批混凝土的拌合时间过长,导致混凝土内部产生了较多气泡。浇筑过程中,工人的振捣力度不足,无法使混凝土内部的气泡充分排出。
随后的养护期间,混凝土表层过早凝固,阻隔了内部气泡向表面排出的通道。待混凝土养护期结束后,脱下铝模板检查,发现混凝土表层存在较多气泡缺陷,影响了混凝土构件的表面质量。表面气泡等参数的质量不合格,严重影响了后期的工程交付。
在现有技术中,可以通过人工观察与统计的方式,来实现对混凝土表面气泡状况的评估分析。
下面介绍使用现有技术的场景。
在一个高层建筑的施工工地,工人使用铝模板浇筑了一个筒结构的混凝土。浇筑完成后拆除模板检查时,现场工程师通过目视观察发现混凝土外表面存在一些气泡缺陷。
为评定气泡缺陷的严重程度,工程师首先利用尺子大致划分混凝土表面为几个区域,然后对每个区域里的气泡数量、大小进行手工统计,记录在纸质表格上。根据以往经验,如果气泡较多且大,就判定为气泡缺陷严重。依此类推,可以得到每个区域气泡缺陷的评级结果。整个检测与评估过程主要依赖工程师的目测观察和手工记录。
上述场景可以看出,现有技术效率低下,完全依赖人工观察与记录,无法实现对气泡的高效的自动化检测,且其结果主观性大,容易受检测人员的主观差异影响,重复性和一致性较差。
而采用本申请实施例中的铝模板混凝土的表面气泡评价方法,通过自动高效获取气泡数据集合,实现对混凝土表面气泡的自动智能化检测与评估,不仅可以有效解决现有技术效率低下的问题,还可以显著提升检测精度与客观性。
下面介绍使用本实施例中的一个场景。
在一个地下综合管廊的施工现场,工人使用铝模板浇筑了管廊的顶板混凝土结构。浇筑养护完成后拆除模板,现场质检人员利用移动设备对混凝土顶板进行了高清图像采集。
这些图片会传输到气泡评价系统中,气泡评价系统会调用深度学习模型,自动对图片进行气泡识别,生成气泡数量、大小、分布等数据。系统可基于这些数据快速计算出气泡面积占比,并根据预设阈值自动进行质量评级。质检人员可以在系统中直观检查评级结果,并据此对该工程的施工质量做统计。
可见,采用本申请实施例中的铝模板混凝土的表面气泡评价方法,在实现混凝土表面气泡的智能高效检测与分析的同时,还可以有效解决现有技术检测结果主观性较高的问题,进而实现了评价结果的客观性与可靠性。
为便于理解,下面结合上述场景,对本实施提供的方法进行流程叙述。请参阅图1,为本申请实施例中铝模板混凝土的表面气泡评价方法的一个流程示意图。
S101、在混凝土脱模后,获取该混凝土的多个表面图片。
在混凝土脱模后,气泡评价系统为了能够全面检测整个混凝土表面并提供足够样本用于分析,需要获取混凝土表面的多张图片。
具体的,可以通过调整摄像位置与角度对混凝土表面进行多角度拍摄,采集不同方位的样本图片,并确保所获取的样本图片清晰度高、光照充足、无遮挡,能清楚显示出混凝土表面形态及气泡情况,以满足后续基于图像内容分析的技术要求。
S102、基于图像识别技术,识别该表面图片中混凝土表面的气泡,得到气泡数据集合。
采用图像识别技术,气泡评价系统对获取的混凝土表面图片进行图像识别和提取处理,可以有效识别出图片中混凝土表面存在的各个气泡。
具体的,气泡评价系统通过使用OpenCV图像处理库中的若干算法进行图像处理,包括高斯滤波去噪、直方图均衡化进行对比度增强、Canny边缘检测提取气泡边缘轮廓、基于轮廓提取方法获取气泡区域等一系列图像处理技术手段,对输入的混凝土表面图片进行处理,最终可以准确识别出图片中混凝土表面的所有气泡。
通过计算每个气泡的数量、面积、位置分布等信息,最终可以生成一个包含丰富的气泡数据的气泡数据集合,为后续的分析计算提供数据支持。
OpenCV图像处理库是一套开源的计算机视觉库,它提供了非常丰富的图像处理、计算机视觉以及机器学习算法,可以对图像进行高效的识别和提取,辅助用户进行图像处理。Canny边缘检测是一种常用的边缘检测算法,它通过计算图像中的梯度幅值来检测边缘。
S103、根据该气泡数据集合,计算该气泡在单位面积的混凝土上的气泡面积占比数值。
根据气泡数据集合,气泡评价系统可以计算出每个气泡的具体面积大小,然后统计全部气泡面积之和,再结合混凝土样本的总面积,就可以算出气泡在混凝土表面单位面积上所占的面积比例,即气泡面积占比数值。该数值反映了气泡对混凝土表面质量的影响程度,是进行气泡质量评级的重要依据。
S104、基于预设的气泡面积占比阈值对该气泡面积占比数值进行分级,得到气泡评级结果。
根据标准规范和质量评定要求,气泡评价系统会预先设置混凝土表面气泡的面积占比阈值,这些阈值可以分为多级,比如一级阈值、二级阈值等,每一级阈值都对应一个质量等级,比如优、良、合格等,在得到实际的气泡面积占比数值后,可以根据阈值级别将该气泡面积占比数值划分到不同的质量等级中。
如果气泡面积占比数值低于一级阈值,则判定气泡质量为优,如果实际数值在一级与二级阈值之间则判定为良,依此类推,通过预设阈值的分级对应,可以实现气泡面积占比数值的质量评判,即得到气泡的评级结果,为后续质量控制提供依据。
上面实施例中,介绍了一种混凝土表面气泡检测与评价的技术方案。在实际应用中,需要对混凝土表面气泡的进行更准确的准确检测与评级,同时需要对气泡评级较差的施工方案做改进和优化处理。
下面对本实施例的场景进行补充。
在一个地下停车场的顶板混凝土浇筑施工中,工人使用塑钢模板完成了顶板的浇筑。浇筑养护结束后拆除模板,现场工程师利用数码相机对混凝土顶板进行了多角度拍照。
这些图片作为初始数据会被上传到气泡评价系统,气泡评价系统会首先利用OpenCV中的高斯滤波算法对图片进行滤波处理,然后经过直方图均衡化得到对比度增强的图片。接着系统使用Canny边缘检测与轮廓提取算法识别图片中的每个气泡轮廓,计算得到气泡数量、面积等详细数据。
基于这些数据集,气泡评价系统可以计算出气泡面积占比,并根据设定的三级阈值将占比结果自动匹配到优、良、中、差的质量评级中。如果评级结果较差,系统还可以在工程数据库进行查询相关施工数据,利用气泡分析模型找出对应施工数据的调整方案。
在结合上述场景后,下面对本实施提供的方法进行进一步的更具体的流程叙述。请参阅图2,为本申请实施例中铝模板混凝土的表面气泡评价方法的另一个流程示意图。
S201、在混凝土脱模后,获取该混凝土的多个表面图片。
参考步骤S101,在混凝土脱模后,气泡评价系统为了能够全面检测整个混凝土表面并提供足够样本用于分析,需要获取混凝土表面的多张图片。
S202、基于OpenCV图像处理库中的高斯滤波函数,对输入的该表面图片进行滤波处理,减少该表面图片中的随机噪声,得到滤波平滑后的平滑图像。
气泡评价系统会先利用OpenCV图像处理库中提供的高斯滤波功能,可以对输入的混凝土表面图片进行平滑处理,得到平滑图像。
高斯滤波是一种线性平滑滤波,通过计算像素点周围窗口内邻域像素的加权平均值来代替中心像素点的值。窗口内加权平均值的系数符合高斯分布,可以有效抑制图片中由于拍摄设备或环境影响产生的高频噪声,去除图片中的随机噪声点与噪声颗粒,使图片质量得以改善。
窄高斯核函数可以保留图片细节,宽高斯核函数有更好的去噪效果。气泡评价系统通过不断的进行参数优化,设置不同的高斯滤波后,可以获得平滑效果更好的混凝土表面图片,为后续的图像处理与分析提供了质量更高的平滑图像。
S203、基于直方图均衡化算法,对该平滑图像进行对比度调整,强化气泡边界部分的像素强度对比,得到对比度增强后的增强图像。
直方图均衡化是一种图像增强处理方法,它可以扩展图像的灰度范围,通过改变图像像素的灰度分布,来增强图像的对比度。具体的,通过计算图像的灰度直方图,获得每个灰度级别的像素数量分布,然后根据分布累积概率函数进行像素值重映射,将原始像素值映射到新的灰度范围,这样可以增加高灰度值与低灰度值之间的对比度。
气泡评价系统对混凝土的平滑图像使用直方图均衡化,可以突出显示气泡边界与背景混凝土之间的对比度,增强气泡的边缘轮廓,有利于后续精确提取气泡的形状与轮廓,从而可以获得对比度增强效果更好的混凝土表面的增强图像。
S204、基于OpenCV库中的Canny边缘检测算法,对该增强图像进行处理,检测出气泡边界对应的图像边缘轮廓,得到包含气泡边缘轮廓的二值边缘图像。
Canny边缘检测算法是OpenCV图像处理库中常用的边缘检测方法之一,它通过计算图像梯度幅值的最大值来检测边缘,可以有效提取目标边缘轮廓。具体的,首先使用高斯滤波平滑图像,然后计算图像梯度和方向,进行非极大值抑制以消除假边缘响应,最后利用双阈值算法检测和连接边缘,这样可以取得很好的检测效果。
气泡评价系统将Canny边缘检测应用于混凝土表面增强图像,可以检测出气泡区域边界对应的像素强度变化轮廓,输出一个包含气泡边缘轮廓信息的二值边缘图像,为后续气泡区域是准确分割和提取提供支持。
S205、基于轮廓发现算法,对该二值边缘图像进行分析,提取各个连通域轮廓,并计算轮廓内部区域的面积,保留面积大于设置阈值的轮廓对应区域作为最终识别提取出的气泡。
气泡评价系统针对Canny边缘检测得到的二值边缘图像,可以使用OpenCV中提供的轮廓发现算法来提取图像中的轮廓信息。该算法通过查找二值边缘图像中不同灰度值之间的边界,可以提取出所有闭合区域轮廓,同时能计算每个轮廓区域的面积。
气泡评价系统根据需要可以设置一个面积大小阈值,过滤掉面积过小的非气泡噪声区域,只保留面积大于设置阈值的有效气泡轮廓的对应区域。这样可以有效排除边缘检测时引入的噪声与假轮廓区域,确保提取到的气泡轮廓面积信息准确可靠,为后续精确计算每个气泡的大小参数提供支持,从而可以有效识别提取混凝土表面图片中的有效气泡。
S206、对该最终识别提取出的气泡进行位置计算,得到包括有数量数据、面积数据和分布数据的气泡数据集合。
在成功识别提取出混凝土表面图片中的每个有效气泡后,气泡评价系统会进一步对这些气泡进行定量分析。
首先气泡评价系统会计算每个气泡区域的像素数量,同时通过拍照比例换算可以得到气泡的实际面积大小,然后统计出图片中气泡的总数量,同时记录每个气泡区域的坐标位置,这样可以得出气泡的数量数据、面积数据和平面分布数据,这些丰富的气泡信息构成一个详尽的气泡数据集合。
该气泡数据集合既包含了每个气泡实例的具体参数,也反映了整体气泡在混凝土表面的存在状况,可为后续气泡规律分析及质量评级提供非常有价值的数据支持。
S207、根据该气泡数据集合,计算该气泡在单位面积的混凝土上的气泡面积占比数值。
参考步骤S103,根据气泡数据集合,气泡评价系统可以统计全部气泡面积之和,再结合混凝土样本的总面积,就可以算出气泡在混凝土表面单位面积上所占的面积比例,即气泡面积占比数值。
具体的,根据图像识别生成的气泡数据集合,气泡评价系统可以提取数据集中每个气泡的面积数据,并进行累加求和,计算出图片中气泡的总面积。同时可以测量或计算得到对应混凝土样本的总面积。之后就可以利用气泡总面积除以混凝土总面积,得到气泡面积占混凝土面积的比例,即气泡在单位混凝土表面面积上的面积占比数值。
S208、设置第一气泡面积占比阈值、第二气泡面积占比阈值、第三气泡面积占比阈值;设置评级结果为优、良、中、差。
根据气泡质量控制标准,气泡评价系统会确定用于评判气泡面积占比水平的多级阈值,这里可以设置三个阈值级别,分别定为第一气泡面积占比阈值、第二气泡面积占比阈值、第三气泡面积占比阈值。
同时,为了获得直观的气泡质量结果判定,气泡评价系统可以预先设置与这些阈值对应的质量评级标准,例如面积占比低于第一阈值的判定为质量优,在第一阈值和第二阈值之间的判定为质量良,在第二阈值和第三阈值之间的判定为质量中,超过第三阈值的判定为质量差。
根据不同的气泡控制要求,这些阈值可以设定为不同的数值。通过预先设置多级阈值与质量级别的对应,可以使实际气泡面积占比得到量化的质量判定结果,为气泡控制提供依据。
S209、在该气泡面积占比数值低于该第一气泡面积占比阈值时,得到气泡评级结果为优。
当计算得到的气泡实际面积占比数值低于预先设置的第一阈值标准时,气泡评价系统可以直接判定该混凝土样品的气泡质量等级为优。
这是因为第一阈值代表了气泡质量控制方面能够接受的最低要求水平,气泡占比越低对混凝土质量影响越小。所以气泡面积占比低于第一阈值,说明混凝土表面气泡处于很好的控制状态,质量达到优级要求。通过与首要阈值的对比,可以直接得出气泡质量评估结果,为后续质量控制提供依据。
在一些实施例中,气泡评价系统对于其他阈值的评级对比有:在该气泡面积占比数值高于该第一气泡面积占比阈值,且低于该第二气泡面积占比阈值时,得到该气泡评级结果为良;在该气泡面积占比数值高于该第二气泡面积占比阈值,且低于该第三气泡面积占比阈值时,得到该气泡评级结果为中;在该气泡面积占比数值高于该第三气泡面积占比阈值时,得到该气泡评级结果为差。
S210、在该气泡评级结果为良、中、差时,查询存储的施工数据,并将该施工数据和对应的该气泡数据集合输入气泡分析大模型,得到施工改进数据。
当气泡质量评级结果不属于优级,即被评为良、中、差的情况时,气泡评价系统会进行进一步分析,以提出后续的施工改进措施。
这时气泡评价系统会查询存储的该混凝土浇筑过程的相关施工数据,包括混凝土配比、搅拌时间、振捣方式等参数。然后将这些施工数据与图像识别生成对应的气泡数据集作为输入,一起输入预先训练好的气泡分析模型中,该模型可以分析气泡缺陷与施工参数之间的内在关系,经过模型计算可以输出针对该混凝土样品的施工调整建议,即施工改进数据,为保证混凝土质量提供依据。气泡分析大模型是指采用深度学习方法,能够分析混凝土表面气泡与混凝土施工参数之间关系的预训练模型。
在一些实施例中,气泡评价系统会基于数据库查询技术,对存储在数据库中的混凝土施工数据进行提取查询,得到包括混凝土配合比设计、拌合参数、浇筑养护参数、环境参数、工人操作在内的已记录的初始施工数据;进一步的,基于数据提取技术,气泡评价系统会对该气泡数据集合中的气泡数量、大小、分布数据进行读取,得到初始气泡数据;再基于数据融合技术,气泡评价系统会将该初始施工数据和该初始气泡数据进行整合与关联,得到初始数据集合;通过构建卷积神经网络模型,输入预设的训练数据集合,进行模型训练与优化迭代,气泡评价系统可以得到气泡分析大模型;最后通过将该初始数据集合输入到该气泡分析大模型中,气泡评价系统能得到施工改进数据;该施工改进数据包括一个或多个初始施工数据的数据调整方案。
在本申请实施例中,由于混凝土表面存在气泡缺陷,需要改进。所以采用了图像识别与深度学习相结合的技术方案,有效识别了混凝土表面气泡并进行了质量评级,同时通过大模型有效分析气泡根源,针对性地优化调整施工工艺,从而有效解决混凝土表面气泡的问题,实现混凝土施工质量的改进与控制。
下面从模块的角度介绍本申请实施例中的气泡评价系统。请参阅图3,为本申请实施例中气泡评价系统的一种功能模块结构示意图。
该气泡评价系统包括:
拍摄模块301,用于在混凝土脱模后,获取该混凝土的多个表面图片;
识别模块302,用于基于图像识别技术,识别该表面图片中混凝土表面的气泡,得到气泡数据集合;该气泡数据集合包括该气泡的数量数据和分布数据;
计算模块303,用于根据该气泡数据集合,计算该气泡在单位面积的混凝土上的气泡面积占比数值;
评级模块304,用于基于预设的气泡面积占比阈值对该气泡面积占比数值进行分级,得到气泡评级结果。
在一些实施例中,该识别模块302具体包括:
平滑单元3021,用于基于OpenCV图像处理库中的高斯滤波函数,对输入的该表面图片进行滤波处理,减少该表面图片中的随机噪声,得到滤波平滑后的平滑图像;
增强单元3022,用于基于直方图均衡化算法,对该平滑图像进行对比度调整,强化气泡边界部分的像素强度对比,得到对比度增强后的增强图像;
检测单元3023,用于基于OpenCV库中的Canny边缘检测算法,对该增强图像进行处理,检测出气泡边界对应的图像边缘轮廓,得到包含气泡边缘轮廓的二值边缘图像;
提取单元3024,用于基于轮廓发现算法,对该二值边缘图像进行分析,提取各个连通域轮廓,并计算轮廓内部区域的面积,保留面积大于设置阈值的轮廓对应区域作为最终识别提取出的气泡;
记录单元3025,用于对该最终识别提取出的气泡进行位置计算,得到包括有数量数据、面积数据和分布数据的气泡数据集合。
在一些实施例中,该气计算模块303具体包括:
求和单元3031,用于提取该气泡数据集合中的该数量数据和该面积数据,进行累加,得到气泡总面积;
比值单元3032,用于计算该气泡总面积与混凝土面积的比值,得到该气泡在单位面积的混凝土上的气泡面积占比数值。
在一些实施例中,该评级模块304具体包括:
阈值设置单元3041,用于设置第一气泡面积占比阈值、第二气泡面积占比阈值、第三气泡面积占比阈值;
级别设置单元3042,用于设置评级结果为优、良、中、差;
第一评级单元3043,用于在该气泡面积占比数值低于该第一气泡面积占比阈值时,得到气泡评级结果为优。
在一些实施例中,该评级模块304还包括:
第二评级单元3044,在该气泡面积占比数值高于该第一气泡面积占比阈值,且低于该第二气泡面积占比阈值时,得到该气泡评级结果为良;
第三评级单元3045,在该气泡面积占比数值高于该第二气泡面积占比阈值,且低于该第三气泡面积占比阈值时,得到该气泡评级结果为中;
第四评级单元3046,在该气泡面积占比数值高于该第三气泡面积占比阈值时,得到该气泡评级结果为差。
在一些实施例中,该评级模块304还包括:
施工改进单元3047,用于在该气泡评级结果为良、中、差时,查询存储的施工数据,并将该施工数据和对应的该气泡数据集合输入气泡分析大模型,得到施工改进数据;该施工数据包括混凝土配合比数据、混凝土拌合数据。
在一些实施例中,该施工改进单元3047具体包括:
施工数据子单元30471,用于基于数据库查询技术,对存储在数据库中的混凝土施工数据进行提取查询,得到包括混凝土配合比设计、拌合参数、浇筑养护参数、环境参数、工人操作的初始施工数据;
气泡数据子单元30472,用于基于数据提取技术,对该气泡数据集合中的气泡数量、大小、分布数据进行读取,得到初始气泡数据;
数据整合子单元30473,用于基于数据融合技术,将该初始施工数据和该初始气泡数据进行整合与关联,得到初始数据集合;
模型训练子单元30474,用于构建卷积神经网络模型,输入预设的训练数据集合,进行模型训练与优化迭代,得到气泡分析大模型;
方案确定子单元30475,用于将该初始数据集合输入到该气泡分析大模型中,得到施工改进数据;该施工改进数据包括一个或多个初始施工数据的数据调整方案。
上面从模块化功能实体的角度对本申请实施例中的气泡评价系统进行描述,下面从硬件处理的角度对本发明申请实施例中的气泡评价系统进行描述,请参阅图4,为本申请实施例中气泡评价系统的一种实体装置结构示意图。
需要说明的是,图4示出的气泡评价系统的结构仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,气泡评价系统包括中央处理单元(Central Processing Unit,CPU)401,其可以根据存储在只读存储器(Read-Only Memory,ROM)402中的程序或者从存储部分408加载到随机访问存储器(Random Access Memory,RAM)403中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input/Output,I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括数字相机、红外检测装置、鼠标键盘、按键开关等的输入部分406;包括液晶显示器(Liquid Crystal Display,LCD)以及音频输出端、指示灯等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,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410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408。
特别地,根据本发明的实施例,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,本发明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计算机程序。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本发明中限定的各种功能。
需要说明的是,本发明实施例所示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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储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(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储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系统、装置或者器件使用或者与其结合使用。而在本发明中,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计算机程序。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。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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。其中,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,上述模块、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,框图或流程图中的每个方框、以及框图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系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
具体的,本实施例的气泡评价系统包括处理器和存储器,存储器上存储有计算机程序,计算机程序被处理器执行时,实现上述实施例提供的铝模板混凝土的表面气泡评价方法。
作为另一方面,本发明还提供了一种计算机可读的存储介质,该存储介质可以是上述实施例中描述的气泡评价系统中所包含的;也可以是单独存在,而未装配入该气泡评价系统中。上述存储介质承载有一个或者多个计算机程序,当上述一个或者多个计算机程序被一个该气泡评价系统的处理器执行时,使得该气泡评价系统实现上述实施例中提供的方法。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
上述实施例中所用,根据上下文,术语“当…时”可以被解释为意思是“如果…”或“在…后”或“响应于确定…”或“响应于检测到…”。类似地,根据上下文,短语“在确定…时”或“如果检测到(所陈述的条件或事件)”可以被解释为意思是“如果确定…”或“响应于确定…”或“在检测到(所陈述的条件或事件)时”或“响应于检测到(所陈述的条件或事件)”。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站的站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站的站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种铝模板混凝土的表面气泡评价方法,应用于气泡评价系统,其特征在于,所述方法包括:
在混凝土脱模后,获取所述混凝土的多个表面图片;
基于图像识别技术,识别所述表面图片中混凝土表面的气泡,得到气泡数据集合;所述气泡数据集合包括所述气泡的数量数据和分布数据;
根据所述气泡数据集合,计算所述气泡在单位面积的混凝土上的气泡面积占比数值;
基于预设的气泡面积占比阈值对所述气泡面积占比数值进行分级,得到气泡评级结果。
2.根据权利要求1所述的方法,其特征在于,所述基于图像识别技术,识别所述表面图片中混凝土表面的气泡,得到气泡数据集合,具体包括:
基于OpenCV图像处理库中的高斯滤波函数,对输入的所述表面图片进行滤波处理,减少所述表面图片中的随机噪声,得到滤波平滑后的平滑图像;
基于直方图均衡化算法,对所述平滑图像进行对比度调整,强化气泡边界部分的像素强度对比,得到对比度增强后的增强图像;
基于OpenCV库中的Canny边缘检测算法,对所述增强图像进行处理,检测出气泡边界对应的图像边缘轮廓,得到包含气泡边缘轮廓的二值边缘图像;
基于轮廓发现算法,对所述二值边缘图像进行分析,提取各个连通域轮廓,并计算轮廓内部区域的面积,保留面积大于设置阈值的轮廓对应区域作为最终识别提取出的气泡;
对所述最终识别提取出的气泡进行位置计算,得到包括有数量数据、面积数据和分布数据的气泡数据集合。
3.根据权利要求2所述的方法,其特征在于,所述根据所述气泡数据集合,计算所述气泡在单位面积的混凝土上的气泡面积占比数值,具体包括:
提取所述气泡数据集合中的所述数量数据和所述面积数据,进行累加,得到气泡总面积;
计算所述气泡总面积与混凝土面积的比值,得到所述气泡在单位面积的混凝土上的气泡面积占比数值。
4.根据权利要求1所述的方法,其特征在于,所述基于预设的气泡面积占比阈值对所述气泡面积占比数值进行分级,得到气泡评级结果,具体包括:
设置第一气泡面积占比阈值、第二气泡面积占比阈值、第三气泡面积占比阈值;
设置评级结果为优、良、中、差;
在所述气泡面积占比数值低于所述第一气泡面积占比阈值时,得到气泡评级结果为优。
5.根据权利要求4所述的方法,其特征在于,在所述气泡面积占比数值低于所述第一气泡面积占比阈值时,得到气泡评级结果为优的步骤之后,所述方法还包括:
在所述气泡面积占比数值高于所述第一气泡面积占比阈值,且低于所述第二气泡面积占比阈值时,得到所述气泡评级结果为良;
在所述气泡面积占比数值高于所述第二气泡面积占比阈值,且低于所述第三气泡面积占比阈值时,得到所述气泡评级结果为中;
在所述气泡面积占比数值高于所述第三气泡面积占比阈值时,得到所述气泡评级结果为差。
6.根据权利要求5所述的方法,其特征在于,在所述气泡面积占比数值高于所述第三气泡面积占比阈值时,得到所述气泡评级结果为差的步骤之后,所述方法还包括:
在所述气泡评级结果为良、中、差时,查询存储的施工数据,并将所述施工数据和对应的所述气泡数据集合输入气泡分析大模型,得到施工改进数据;所述施工数据包括混凝土配合比数据、混凝土拌合数据。
7.根据权利要求6所述的方法,其特征在于,所述查询存储的施工数据,并将所述施工数据和对应的所述气泡数据集合输入气泡分析大模型,得到施工改进数据,具体包括:
基于数据库查询技术,对存储在数据库中的混凝土施工数据进行提取查询,得到包括混凝土配合比设计、拌合参数、浇筑养护参数、环境参数、工人操作的初始施工数据;
基于数据提取技术,对所述气泡数据集合中的气泡数量、大小、分布数据进行读取,得到初始气泡数据;
基于数据融合技术,将所述初始施工数据和所述初始气泡数据进行整合与关联,得到初始数据集合;
构建卷积神经网络模型,输入预设的训练数据集合,进行模型训练与优化迭代,得到气泡分析大模型;
将所述初始数据集合输入到所述气泡分析大模型中,得到施工改进数据;所述施工改进数据包括一个或多个初始施工数据的数据调整方案。
8.一种气泡评价系统,其特征在于,包括:
拍摄模块,用于在混凝土脱模后,获取所述混凝土的多个表面图片;
识别模块,用于基于图像识别技术,识别所述表面图片中混凝土表面的气泡,得到气泡数据集合;所述气泡数据集合包括所述气泡的数量数据和分布数据;
计算模块,用于根据所述气泡数据集合,计算所述气泡在单位面积的混凝土上的气泡面积占比数值;
评级模块,用于基于预设的气泡面积占比阈值对所述气泡面积占比数值进行分级,得到气泡评级结果。
9.一种气泡评价系统,其特征在于,包括:一个或多个处理器和存储器;
所述存储器与所述一个或多个处理器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,所述一个或多个处理器调用所述计算机指令以使得所述气泡评价系统执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在气泡评价系统上运行时,使得所述气泡评价系统执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311156360.6A CN117173632A (zh) | 2023-09-08 | 2023-09-08 | 一种铝模板混凝土的表面气泡评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311156360.6A CN117173632A (zh) | 2023-09-08 | 2023-09-08 | 一种铝模板混凝土的表面气泡评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117173632A true CN117173632A (zh) | 2023-12-05 |
Family
ID=88946750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311156360.6A Pending CN117173632A (zh) | 2023-09-08 | 2023-09-08 | 一种铝模板混凝土的表面气泡评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173632A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409006A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 气泡轮廓检测方法、膜层修复方法、电子设备及存储介质 |
CN117409069A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 膜层气泡面积的识别方法、装置、设备及介质 |
CN117409007A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 一种电池加热膜贴合度的确定方法、装置、设备及介质 |
CN117890214A (zh) * | 2024-03-14 | 2024-04-16 | 西安汉华建筑实业有限公司 | 一种基于机器视觉的铝模板质检检测方法 |
-
2023
- 2023-09-08 CN CN202311156360.6A patent/CN117173632A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409006A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 气泡轮廓检测方法、膜层修复方法、电子设备及存储介质 |
CN117409069A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 膜层气泡面积的识别方法、装置、设备及介质 |
CN117409007A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 一种电池加热膜贴合度的确定方法、装置、设备及介质 |
CN117409006B (zh) * | 2023-12-15 | 2024-04-05 | 深圳市什方智造科技有限公司 | 气泡轮廓检测方法、膜层修复方法、电子设备及存储介质 |
CN117409007B (zh) * | 2023-12-15 | 2024-04-12 | 深圳市什方智造科技有限公司 | 一种电池加热膜贴合度的确定方法、装置、设备及介质 |
CN117409069B (zh) * | 2023-12-15 | 2024-05-14 | 深圳市什方智造科技有限公司 | 膜层气泡面积的识别方法、装置、设备及介质 |
CN117890214A (zh) * | 2024-03-14 | 2024-04-16 | 西安汉华建筑实业有限公司 | 一种基于机器视觉的铝模板质检检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173632A (zh) | 一种铝模板混凝土的表面气泡评价方法及系统 | |
Min et al. | Real time detection system for rail surface defects based on machine vision | |
Lins et al. | Automatic crack detection and measurement based on image analysis | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
Wang et al. | Towards an automated condition assessment framework of underground sewer pipes based on closed-circuit television (CCTV) images | |
CN112036755A (zh) | 一种建筑工程质量检测的监管方法及系统 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN111489352A (zh) | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 | |
CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
Wei et al. | Automated bughole detection and quality performance assessment of concrete using image processing and deep convolutional neural networks | |
CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
Tayo et al. | Portable crack width calculation of concrete road pavement using machine vision | |
Barkavi et al. | Processing digital image for measurement of crack dimensions in concrete | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
Adhikari et al. | Automated prediction of condition state rating in bridge inspection | |
Dong et al. | Pixel-level intelligent segmentation and measurement method for pavement multiple damages based on mobile deep learning | |
O'Byrne et al. | Texture analysis based detection and classification of surface features on ageing infrastructure elements | |
CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
CN115512098A (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN113435464B (zh) | 异常数据检测方法、装置、电子设备及计算机存储介质 | |
CN114937167A (zh) | 一种复杂背景下桥梁路面裂缝图像裂缝检测方法 | |
CN117132896B (zh) | 一种建筑物开裂的检测与识别方法 | |
CN115346162B (zh) | 基于室内监控的地下建筑墙体渗水实时监测方法 | |
CN113177926B (zh) | 一种图像检测方法和装置 |
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 |