CN117553713A - 一种预制混凝土构件结合面粗糙质量检测方法和装置 - Google Patents
一种预制混凝土构件结合面粗糙质量检测方法和装置 Download PDFInfo
- Publication number
- CN117553713A CN117553713A CN202410027994.XA CN202410027994A CN117553713A CN 117553713 A CN117553713 A CN 117553713A CN 202410027994 A CN202410027994 A CN 202410027994A CN 117553713 A CN117553713 A CN 117553713A
- Authority
- CN
- China
- Prior art keywords
- joint surface
- roughness
- deep learning
- quality
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 239000011178 precast concrete Substances 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 238000010276 construction Methods 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 60
- 230000007547 defect Effects 0.000 claims abstract description 57
- 239000004567 concrete Substances 0.000 claims abstract description 31
- 230000003746 surface roughness Effects 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 239000004576 sand Substances 0.000 description 12
- 239000000463 material Substances 0.000 description 7
- 238000007373 indentation Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 210000000988 bone and bone Anatomy 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000007528 sand casting Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000004570 mortar (masonry) Substances 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 241000867077 Macropes Species 0.000 description 1
- 241001478428 Syngnathus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005008 domestic process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/303—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces using photoelectric detection means
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提出了一种预制混凝土构件结合面粗糙质量检测方法和装置，该方法包括如下步骤：输入待检混凝土构件的项目信息；将检测装置正确放置在待检混凝土构件的结合面上后，分批次分测区进行检测，获得彩色图和深度图；基于彩色图，调用建立的施工工艺识别模型，识别结合面施工工艺；根据施工工艺，调用建立的质量缺陷识别模型，识别出质量缺陷数据；基于深度图，采用结合面粗糙度检测算法计算结合面的凹凸深度和粗糙度；根据凹凸深度和粗糙度，分别对不同施工工艺结合面的粗糙度进行修正，获得最终的粗糙度；判断抽样数量是否满足要求。本发明成本低、精度高、功能强，能够方便测量结合面的粗糙质量，操作简便且识别准确度高，实时生成数据。
Description
技术领域
本发明涉及混凝土构件检测技术领域，具体而言，涉及一种预制混凝土构件结合面粗糙质量检测方法和装置。
背景技术
在装配式混凝土结构中存在着大量结合面，常见于预制梁、预制柱、预制剪力墙、预制板等构件与后浇混凝土的连接部位。这些结合面往往处于结构受力较大或较复杂的部位，而其受剪或受拉性能往往弱于整浇混凝土，成为结构的薄弱界面。
为确保新旧混凝土结合良好，国内外一些规范对混凝土结合面提出了粗糙处理的要求，如中国标准《装配式混凝土结构技术规程》JGJ 1-2014要求“预制构件与后浇混凝土、灌浆料、坐浆材料的结合面应设置粗糙面、键槽”。
经调研分析，结合面的施工工艺以及粗糙度对结合面的受剪与受拉性能均有重要影响。此外，结合面质量缺陷也是影响结合面粗糙质量的一个重要因素。部分质量缺陷可能导致结合面粗糙度偏小；部分质量缺陷可能导致结合面粗糙度“偏大”；还有部分质量缺陷则可能造成污染，不利于新旧混凝土的结合。这些质量缺陷可能导致结合面受力性能的削弱，或引起结合面粗糙度的误判，故工程中须对其加以重视。
因此，研发一项高效可靠的混凝土结合面粗糙质量智能化检测方法并建立适用于工程的抽样检测方法，从而实现结合面粗糙质量的标准化评价，提高质量检测的信息化、智能化水平，充实智能建造技术体系，对于保障装配式混凝土结构施工质量具有重要作用。
发明内容
鉴于上述问题，本发明提供了一种预制混凝土构件结合面粗糙质量检测方法和装置，解决了国内的混凝土结合面粗糙质量检测方法仍然处于“人看+尺量”的阶段，智能化与信息化水平低的问题。
为解决上述技术问题，本发明采用的技术方案是：输入待检混凝土构件的项目信息，所述项目信息包括项目编号、结合面类型、检测人员和检验批容量；将检测装置正确放置在待检混凝土构件的结合面上后，分批次分测区进行数据采集，获得结合面的彩色图和深度图；基于所述彩色图，调用建立的施工工艺识别模型，识别出结合面的施工工艺；根据所述施工工艺，调用建立的质量缺陷识别模型，识别出结合面的质量缺陷数据；基于所述深度图，采用结合面粗糙度检测算法计算结合面的凹凸深度和粗糙度；根据所述凹凸深度和粗糙度，分别对不同施工工艺结合面的粗糙度进行修正，获得最终的粗糙度；判断抽样数量是否满足要求，若是，则输出评定结果，所述评定结果包括施工工艺、质量缺陷数据、凹凸深度和粗糙度，若否，则重新进行数据采集。
作为优选方案，所述施工工艺识别模型的建立方法，包括如下步骤：构建施工工艺深度学习数据集，所述数据集包括训练集和测试集；采用训练集对深度学习模型进行训练，并采用测试集对深度学习模型进行评估；根据所述深度学习模型在测试集上的误差，采用贝叶斯优化算法搜索超参数并重新训练所述深度学习模型；重复上一步骤k个轮次，从而得到在最佳超参数组合下训练出的深度学习模型；采用混淆矩阵评估深度学习模型的识别精确率与召回率。
作为优选方案，所述构建施工工艺深度学习数据集，包括：采集100mm×100mm的混凝土结合面的彩色图，获得原始数据，并根据图像命名规则标注施工工艺；从原始数据中随机抽取若干不同施工工艺的结合面图像，按照4：1的比例将数据划分为训练集与测试集。
作为优选方案，所述质量缺陷识别模型的建立方法，包括如下步骤：1)构建质量缺陷深度学习数据集，所述数据集包括训练集和测试集；2)采用训练集对深度学习模型进行训练，并采用测试集对深度学习模型进行评估；3)根据所述深度学习模型在测试集上的误差，采用贝叶斯优化算法搜索超参数并重新训练所述深度学习模型；4)重复步骤3）k个轮次，从而得到在最佳超参数组合下训练出的深度学习模型；采用混淆矩阵评估深度学习模型的识别精确率与召回率。
作为优选方案，所述深度学习模型包括ResNet18、SqueezeNet 、MobileNetV2以及ShuffleNet四种卷积神经网络，则识别模型的建立方法，还包括：对四种卷积神经网络分别进行训练，并比较最终得到的深度学习模型的识别精度与识别效率，从而得到最佳的识别模型。
作为优选方案，以实际类别为A的数据为正例，其他例为负例，则所有数据可以分为真正例TP、假正例FP、真反例TN、假反例FN四类：
精确率P，定义为：
；
召回率R，定义为：
；
对于整个模型，则有：
平均精确率：
；
平均召回率：
。
作为优选方案，根据所述深度图，采用所述结合面粗糙度检测算法计算结合面的凹凸深度和粗糙度，包括：将所述深度图变换为n×3的三维点云矩阵格式；采用PCA技术找到三维点云的整体法向，从而构建旋转矩阵，将所述三维点云旋转到XOY平面；利用所述三维点云数据阵列分布特点，通过连接相邻点，实现被测结合面的三维模型重建；基于粗糙度与凹凸深度的定义，对所述三维模型的体积与投影面积进行计算，获得粗糙度数据；通过对结构光相机所拍照的不同工艺进行修正后显示最终粗糙度。
作为优选方案，在结合面下凹面上的固定位置选取m个点，剔除n个最高点与l个最低点得到m-n-l个有效点；则凹凸深度定义为结合面上凹面m-n-l个点到基准面的平均距离；粗糙度定义为恰好覆盖结合面最高点所需的填充体积V与投影面积S的比值：
；
其中，V为结合面到其最高点所在水平面的体积；S为结合面在水平面的投影面积；Vi是以结合面数字化三维模型上一个三角面为底面，以该三角面在结合面最高点水平面的投影为顶面的不规则六面体的体积。
作为优选方案，还包括对剪力键型结合面的粗糙度Rt进行修正，具体为： 1）计算平均深度；2）计算高度在hi-t到hi+t之间的点云点数ni；其中，hi大于Hmid且小于最高值，并按照0.1mm的步长取值，t为数据误差阈值取为0.6mm，最大ni对应的hi就是基准面高度近似值，记为h0；3）基准面高度H0为h0-t到h0+t之间所有点的均值；4）剪力键型结合面粗糙度修正值为dR1=Hmax-H0，修正后的粗糙度为Rt-dR1。
本发明还公开了一种预制混凝土构件结合面粗糙质量检测装置，包括：刚性框架；遮光外壳，其覆盖在所述刚性框架外部，用于固定结构光相机的拍摄角度、检测范围和检测距离；结构光相机，其设于所述刚性框架顶端下部，用于采集结合面数据；开发板，其设于所述刚性框架上，且与所述结构光相机相连，用于处理采集数据，并运行如根据上述任一项所述的预制混凝土构件结合面粗糙质量检测方法；显示屏，其设于所述刚性框架上，用于展示检测结果并提供人机交互界面；电池组，其设于所述刚性框架上，用于提供电能；光源，其设于所述刚性框架顶端下部，用于提供稳定的光照环境。
与现有技术相比，本发明的有益效果包括：通过检测装置获得混凝土构件结合面的彩色图和深度图，根据彩色图并调用施工工艺识别模型，识别出结合面的施工工艺，根据施工工艺确定适用的粗糙度算法，再根据深度图计算凹凸深度和粗糙度，最后调用质量缺陷识别模型，获得检混凝土构件的质量缺陷检测结果。通过对结构光相机数据误差与结合面质量缺陷的分析，可以实现对不同结合面的修正方法。选用四种网络进行深度学习，并比较最终得到的视觉识别模型的识别精度与识别效率，有较佳的视觉识别模型。本发明提供了一种成本低、精度高、功能强，能够方便测量的结合面粗糙质量检测系统。通过算法，本系统实现了利用拍照手段检测结合面粗糙度，操作简便且识别准确度高，并实时生成数据。
附图说明
参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。在附图中，相同的附图标记用于指代相同的部件。其中：
图1为本发明实施例质量检测装置的结构示意图；
图2为本发明实施例质量检测方法的流程示意图；
图3为本发明实施例深度学习模型的训练流程图；
图4为本发明实施例剪力键型结合面粗糙度修正的示意图；
图5为本发明实施例露骨料型结合面粗糙度修正的示意图；
图6为本发明实施例彩色图与深度图的数据融合的示意图。
标号：1遮光外壳、2刚性框架、3红外相机、4彩色相机、5激光散斑投影仪、6光源。
具体实施方式
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
根据本发明的一实施方式结合图1示出。本发明公开了一种预制混凝土构件结合面粗糙质量检测装置，包括刚性框架2、遮光外壳1、结构光相机、开发板、显示屏、电池组和光源6。
遮光外壳1覆盖在刚性框架2外部，用于固定结构光相机的拍摄角度、检测范围和检测距离。
结构光相机设于刚性框架2顶端下部，用于采集结合面数据。具体的，上述结构光相机包括红外相机3、彩色相机4和激光散斑投影仪5，红外相机3用于采集激光散斑投影图（即红外图），并输出深度图，该深度图由结构光相机内置处理器自动处理。彩色相机4用于采集彩色图，激光散斑投影仪5于发射散斑投影。该结构光相机的焦距是固定的。
开发板设于刚性框架2上，且与结构光相机相连，用于处理采集数据，包括将深度图变换为点云、处理点云并计算粗糙度以及检测结果的评估等。开发板内运行有采样程序，具体流程包括采样信息的输入、曝光参数调整、数据采集、数据质量判断、数据存储、继续采样判断等。
显示屏设于刚性框架2上，该显示屏采用触摸屏，可展示检测结果并提供人机交互界面。通过USB接口与平板电脑相连，实现数据传输与结果存储。
电池组设于刚性框架2上，用于提供电能，采用12V聚合物锂电池组，DC接头线进行充放电。
光源6设于刚性框架2顶端下部，用于提供稳定的光照环境。
本发明实施例中，上述检测装置应符合下列规定：
1、结构光相机获取的结合面点云单点精度不宜小于1.2mm，点云中数据点间距不宜大于2.5mm。
2、结构光相机获取的彩色图分辨率不宜小于1280×960。
3、结构光相机的拍摄角度应控制在90°左右。
4、结构光相机的焦距与拍摄距离应固定，以确保该相机拍摄范围固定。
5、检测设备检测范围不宜小于100mm×100mm。
6、检测设备应通过隔绝环境光与内置光源提供稳定的光照环境，确保结构光相机采集的数据质量可靠。
参见图2，本发明还公开了一种预制混凝土构件结合面粗糙质量检测方法，包括如下步骤：
S101，输入待检混凝土构件的项目信息，该项目信息包括项目编号、结合面类型、检测人员和检验批容量。
S102，将上述检测装置正确放置在待检混凝土构件的结合面上后，分批次分测区进行检测，获得结合面的彩色图和深度图。即分别利用检测装置上的红外相机3和彩色相机4采集深度图和彩色图。
S103，基于所述彩色图，调用建立的施工工艺识别模型，识别出结合面的施工工艺。
S104，根据所述施工工艺，调用建立的质量缺陷识别模型，识别出结合面的质量缺陷数据。
S105，基于所述深度图，采用结合面粗糙度检测算法计算结合面的凹凸深度和粗糙度。
S106，根据所述凹凸深度和粗糙度，分别对不同施工工艺结合面的粗糙度进行修正，获得最终的粗糙度。
S107，判断抽样数量是否满足要求，若是，则输出评定结果，所述评定结果包括施工工艺、质量缺陷数据、凹凸深度和粗糙度，若否，则重新进行数据采集。
目前，国内实际应用的结合面施工工艺包括花纹钢板、小键槽、钢筋压痕、凹坑压痕、泡泡膜、PE膜、露骨料、拉毛以及凿毛等9种。
施工工艺识别模型对露骨料结合面的识别主要是通过对结合面上裸露粗骨料的关注实现的；对于拉毛结合面的识别主要是通过对结合面上凹槽的关注实现的；对于PE膜结合面的识别主要是通过对结合面上若干凹坑以及凹坑之间平坦区域的关注实现的；对于泡泡膜结合面的识别主要是通过对结合面上若干凹坑的关注实现的；对于小键槽结合面的识别主要是通过对结合面上小键槽的关注实现的；对于花纹钢板结合面的识别主要是通过对结合面上扁豆型凹坑的关注实现的；对于凿毛结合面的识别不是通过对裸露骨料的关注实现的，而主要是通过对结合面上以砂浆为主的凹坑的关注实现的。
在步骤S103中，上述施工工艺识别模型的建立方法，包括如下步骤：
1）构建施工工艺深度学习数据集，该数据集包括训练集和测试集。
其中，构建施工工艺深度学习数据集，包括：采集100mm×100mm的混凝土结合面的彩色图，获得原始数据，并根据图像命名规则标注施工工艺。
例如：图像编号为010101222110111750001，则图像编号的第1-2位代表构件厂，如01表示南通龙信，02表示合肥海龙；第3-4位代表结合面位置，如01表示预制板叠合面，02表示预制梁叠合面；第5-6位代表施工工艺，如01表示拉毛，02表示露骨料；第7位代表采样设备，如1表示1号机，2表示2号机；第8-17位代表采样时间的年月日时分；第18-21位代表顺序编号。
从原始数据中随机抽取若干不同施工工艺的结合面图像，按照4：1的比例将数据划分为训练集与测试集。综合考虑抽样成本与抽样误差后，确定一个构件最小抽样数量为50，不满50全部测量测出数据。
为提高深度学习模型提取图像特征的能力， 采用灰度化、 旋转、 翻转、 亮度调整、对比度调整以及增加高斯噪声等数据增强方法进一步增广训练集数据。
2）采用训练集对深度学习模型进行训练，并采用测试集对深度学习模型进行评估。深度学习模型的训练流程图如图3所示。
3）根据深度学习模型在测试集上的误差，采用贝叶斯优化算法搜索超参数并重新训练深度学习模型。
具体的，贝叶斯优化轮次为30，即每个深度学习模型均进行30次的训练与评估，并将测试集误差作为优化目标输入贝叶斯模型。深度学习模型的超参数包括：优化器、初始学习率、学习率下降周期、学习率下降系数、动量、训练轮次、最小批大小以及L2正则化率。其中，优化器取为sgdm；训练轮次取为6；最小批大小取为32的倍数；其余超参数以及最小批大小的倍数由贝叶斯模型给出。
各个超参数的取值范围如表1所示。其中，“实数”表示该超参数可取为取值范围内的任意实数；“整型”则表示超参数只可取为取值范围内的任意整数。
表1：
4）重复步骤3）k个轮次，从而得到在最佳超参数组合下训练出的深度学习模型。
5）采用混淆矩阵评估深度学习模型的识别精确率与召回率。
应理解，真正例（TP）：指的是被预测为“正”的正例；假正例（FP）：指的是被预测为“正”的负例；真反例（TN）：指的是被预测为“负”的负例；假反例（FN）：指的是被预测为“负”的正例；精确率P（precision）：表示某一类别预测结果的正确率；召回率R（recall）：表示某一类别被识别出来的概率。
例如，以实际类别为A的数据为正例，其他例为负例，则所有数据可以分为真正例TP、假正例FP、真反例TN、假反例FN四类：
精确率P，定义为：
；
召回率R，定义为：
；
对于整个模型，则有：
平均精确率：
；
平均召回率：
。
优选的，上述深度学习模型包括ResNet18、SqueezeNet 、MobileNetV2以及ShuffleNet四种卷积神经网络，则施工工艺识别模型的建立方法，还包括：按照上述施工工艺识别模型的建立方法，对四种卷积神经网络分别进行训练，并比较最终得到的深度学习模型的识别精度与识别效率，从而得到最佳的施工工艺识别模型。
通过对比不同深度学习模型的识别性能可知，ResNet18与ShuffleNet的识别精度较高，而后者的速度明显更高。综合来看，ShuffleNet的识别性能最佳，该模型的平均精确率macroP为94.41%、平均召回率为95.90%，故采用ShuffleNet训练最终的混凝土结合面施工工艺识别模型。
综上，本发明中所建立的深度学习模型能够准确关注不同施工工艺结合面的特征，从而给出正确的施工工艺识别结果。
由于一些质量缺陷无法通过粗糙度评价，如：（1）凿毛结合面的骨料松动缺陷；（2）露骨料结合面的个别凸起缺陷；（3）印花（花纹钢板、钢筋压痕、凹坑压痕以及小键槽）与贴膜（PE膜与泡泡膜）结合面的外形缺陷；（4）印花与贴膜结合面的规格缺陷；（5）拉毛结合面的骨料翻起与砂浆翻起缺陷。因此，建立了一种针对结合面质量缺陷的识别模型。
在步骤S104中，上述质量缺陷识别模型的建立方法，包括如下步骤：
1）构建质量缺陷深度学习数据集，所述数据集包括训练集和测试集。
由于每种施工工艺所产生的结合面质量缺陷不同，所以需要分别采集每种施工工艺结合面的图像数据，并进行缺陷标注以构建多种施工工艺的数据集，每种施工工艺对应的数据集需要分别进行训练。例如：
A.泡泡膜结合面的外形缺陷可分为：存在少量塌陷或剥落的泡泡膜结合面，记为D_PPM_01；塌陷或剥落个数占总凹坑个数10%以上的泡泡膜结合面，记为D_PPM_02。
B.露骨料结合面的个别凸起缺陷分为：存在若干格外突出大粒径粗骨料的一般缺陷，记为D_LGL_01；仅存在单个格外突出大粒径粗骨料的严重缺陷，记为D_LGL_02。
C.将拉毛结合面砂浆翻起与骨料翻起这两种质量缺陷合并为的局部凸起质量缺陷，并分为：存在少量局部凸起的一般缺陷，记为D_LM_01；局部凸起在水平面投影面积达到结合面总投影面积10%的严重缺陷，记为D_LM_02。
2）采用训练集对深度学习模型进行训练，并采用测试集对深度学习模型进行评估。
3）根据所述深度学习模型在测试集上的误差，采用贝叶斯优化算法搜索超参数并重新训练所述深度学习模型。
4）重复步骤3）k个轮次，从而得到在最佳超参数组合下训练出的深度学习模型。
5）采用混淆矩阵评估深度学习模型的识别精确率与召回率。
同样的，根据上述步骤分别训练基于ShuffleNet、SqueezeNet、MobileNetV2以及ResNet18等四种卷积神经网络（CNN）的视觉识别模型，并比较各模型识别精度与识别速度。
质量缺陷识别模型的大致训练过程为：分别采用ResNet18、SqueezeNet、MobileNetV2以及ShuffleNet作为深度学习模型进行训练，并采用基于贝叶斯优化的超参数自动搜索算法进行超参数调优，获取上述4个深度学习模型的最佳超参数组合。贝叶斯优化轮次为30，即每个深度学习模型均进行30次的训练与评估，并将测试集误差作为优化目标输入贝叶斯模型。深度学习模型的超参数包括：优化器、初始学习率、学习率下降周期、学习率下降系数、动量、训练轮次、最小批大小以及L2正则化率。其中，优化器取为sgdm；训练轮次取为6；最小批大小取为32的倍数；其余超参数以及最小批大小的倍数由贝叶斯模型给出。
结果表明：ShuffleNet在结合面施工工艺与质量缺陷的识别上有较优性能。基于ShuffleNet的施工工艺、泡泡膜质量缺陷、拉毛质量缺陷以及露骨料质量缺陷视觉识别模型的平均精确率分别达到99.82%、93.70%、94.41%以及94.87%。
在步骤S105中，根据深度图，采用结合面粗糙度检测算法计算结合面的凹凸深度和粗糙度。具体的，包括如下步骤：
（1）将深度图变换为n×3的三维点云矩阵格式。
（2）采用PCA技术找到三维点云的整体法向，从而构建旋转矩阵，将三维点云旋转到XOY平面。
（3）利用三维点云数据阵列分布特点，通过连接相邻点，实现被测结合面的三维模型重建。
（4）基于粗糙度与凹凸深度的定义，对三维模型的体积与投影面积进行计算，获得粗糙度数据。
（5）通过对结构光相机所拍照的不同工艺进行修正后显示最终粗糙度。
例如：在结合面下凹面上的固定位置选取m个点，剔除n个最高点与l个最低点得到m-n-l个有效点，则凹凸深度定义为结合面上凹面m-n-l个点到基准面的平均距离。
粗糙度定义为恰好覆盖结合面最高点所需的填充体积V与投影面积S的比值：则
；
其中，V为结合面到其最高点所在水平面的体积；S为结合面在水平面的投影面积；Vi是以结合面数字化三维模型上一个三角面为底面，以该三角面在结合面最高点水平面的投影为顶面的不规则六面体的体积。可将该不规则六面体分解为三个四角锥，则该不规则六面体的体积等于这三个四角锥体积之和。
根据不同施工工艺结合面的几何特征可分为两大类：剪力键型结合面与露骨料型结合面。前者包括拉毛、花纹钢板、小键槽、钢筋压痕、凹坑压痕、PE膜以及泡泡膜等结合面；后者包括：露骨料与凿毛结合面。下面分别分析结合面质量缺陷对这两类结合面的影响，并建立相应的粗糙度修正方法，从而计算出最终的粗糙度。
如图4所示，对剪力键型结合面的粗糙度Rt进行修正，具体包括如下步骤：
（a）计算平均深度。
（b）计算高度在hi-t到hi+t之间的点云点数ni；其中，hi大于Hmid且小于最高值，并按照0.1mm的步长取值，t为数据误差阈值取为0.6mm，最大ni对应的hi就是基准面高度近似值，记为h0。
（c）基准面高度H0为h0-t到h0+t之间所有点的均值。
（d）剪力键型结合面粗糙度修正值为dR1=Hmax-H0，修正后的粗糙度为Rt-dR1。该修正方法消除了结构光相机数据误差与结合面质量缺陷对剪力键型结合面粗糙度计算的不利影响。
如图5所示，对露骨料结合面的粗糙度Rt进行修正，具体包括如下步骤：
a.结构光相机数据误差分布近似于正态分布，标准差σ为0.23mm。
b.由于露骨料型结合面的最高点误差与结构光相机数据误差分布同分布，故不妨直接将测得的最高点减去1.645σ，从而得到具有95%保证率的露骨料型结合面粗糙度修正值dR2，即dR2=1.645σ=0.38mm。
c.将露骨料型结合面粗糙度Rt与凹凸深度D减去粗糙度修正值dR2，即可消除了结构光相机数据误差对露骨料型结合面粗糙度计算的不利影响。
本发明制订了粗糙度评定等级与凹凸深度评定等级，如表2所示，根据粗糙度或凹凸深度/>可以判断出结合面是否达标。
表2：
最后，在完成该检验批全部测区的检测后，输出该批结合面粗糙度粗糙等级、凹凸深度是否合格以及是否存在质量缺陷的评定结果。
进一步的，本发明还包括利用灌砂法对结合面粗糙度检测算法的可靠性进行检验，灌砂法（以拉毛结合面为例）的操作流程包括如下步骤：
a.清扫结合面：使用刷子清扫结合面；
b.划定检测范围：采用石笔或粉笔划定100mm×100mm的检测范围，面积记为S；
c.量取细砂：使用量筒量取体积为V1的砂子；
d.铺砂并推平：将细砂倾倒在检测范围的结合面上，推平细砂使之恰好覆盖最高点，记录砂子剩余体积V2；
e.计算粗糙度：Rt=（V1-V2）/S；
f.回收细砂：用吸尘器回收细砂。
其中，细砂是通过筛分得到的，粒径范围为0.315~0.600mm。此外，考虑到，灌砂法容易引入人工误差，故对每个标定结合面实施三次灌砂法并取检测结果的平均值作为标定值。
完成灌砂法标定后，采用本文集成的结合面粗糙质量检测设备采集标定结合面的深度图与彩色图。图像采集时须确保所划定的检测范围被包含在设备的拍摄范围内。
结合面粗糙质量检测设备获取的结合面标定数据包括一张彩色图与一张深度图，其中，彩色图中包含通过石笔或粉笔划定的标定结合面检测范围。为确保灌砂法检测的结合面范围与本文方法检测的结合面范围是一致的，须准确地从深度图中提取对应的结合面数据。具体方法为：
（1）根据彩色图中粉笔的划痕确定结合面检测范围在彩色图中的坐标参数以及/>；
（2）根据彩色图中的坐标以及/>计算深度图对应坐标参数以及/>，并提取标定结合面检测范围对应的深度数据；
（3）将深度数据变换为三维点云。
其中，上述步骤（2）可通过彩色图与深度图的数据融合实现。若将红外相机坐标系视为世界坐标系，则数据融合就是将红外相机坐标系中的点云转换到彩色相机像素坐标系，以找到对应的彩色像素点。数据融合的流程为：
a.获取深度图与彩色图并做畸变校正。
b.根据红外相机内参计算出深度图对应的点云。
c.将点云转换到彩色相机像素坐标系中，即映射为彩色相机像素坐标系下的2D图片。
d.该2D图片各像素点坐标就是点云中各数据点所对应彩色图像素点的坐标。
如此便可得到深度图中每个像素点对应的彩色图像素点。点云与彩色图融合的公式如下式所示：
式中，(x,y,z)为点云在深度相机坐标系上的坐标；为深度相机坐标系到彩色相机坐标系的旋转矩阵； />为深度相机坐标系到彩色相机坐标系的平移矩阵；/>、/>、/>、/>、/>为彩色相机内参；/>为彩色相机像素坐标。
如图6所示，融合了彩色数据后的拉毛结合面点云与露骨料结合面点云颜色特征与实际情况一致。这说明所述数据融合方法能够准确地将结构光相机采集的深度图与彩色图对应起来。
本发明中检测装置的用户界面采用MatlabAPPDesigner制作。下面对关键流程做简要介绍。
（1）项目信息输入。开始检验一批混凝土构件的结合面粗糙质量前，须先输入项目相关信息，包括：项目编号、结合面类型、检测人员以及检验批容量等信息。根据实际情况，在混凝土结合面粗糙质量用户界面中输入项目编号、结合面类型、检测人员以及检验批容量等信息，则用户界面会自动展示所需的最小抽样数量。
（2）粗糙质量的检测与识别。将检测设备正确放置与结合面上后，点击“开始检测”按钮，即可开始对该测区进行检测：首先，调用建立的结合面施工工艺识别模型识别结合面施工工艺，从而确定适用的粗糙度算法。之后，调用结合面粗糙检测算法计算结合面凹凸深度与粗糙度，并调用建立的质量缺陷识别模型判断是否存在质量缺陷。将检测设备置于结合面上的一个测区处，并点击用户界面的“开始检测”按钮，即可完成该测区粗糙质量检测与识别。用户界面上会自动展示该测区的彩色图、深度图、粗糙度、凹凸深度以及质量缺陷情况。需要说明的是，测区的应随机抽取，且满足分布均匀、具有代表性以及不重叠的要求。
（3）结果评定。完成该检验批全部测区的检测后，点击“结果评定”按钮，用户界面便会展示该检验批结合面粗糙质量的评定结果，即展示该批结合面粗糙度粗糙等级、凹凸深度是否合格以及是否存在质量缺陷。
综上所述，本发明的有益效果包括：通过检测装置获得混凝土构件结合面的彩色图和深度图，根据彩色图并调用施工工艺识别模型，识别出结合面的施工工艺，根据深度图计算凹凸深度和粗糙度，最后调用质量缺陷识别模型，获得检混凝土构件的质量缺陷检测结果。通过对结构光相机数据误差与结合面质量缺陷的分析，可以实现对不同结合面的修正方法。选用四种网络进行深度学习，并比较最终得到的视觉识别模型的识别精度与识别效率，有较佳的视觉识别模型。本发明提供了一种成本低、精度高、功能强，能够方便测量的结合面粗糙质量检测系统。通过算法，本系统实现了利用拍照手段检测结合面粗糙度，并实时生成数据。
应理解，所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括 ：U 盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。
Claims (10)
1.一种预制混凝土构件结合面粗糙质量检测方法，其特征在于，包括如下步骤：
输入待检混凝土构件的项目信息，所述项目信息包括项目编号、结合面类型、检测人员和检验批容量；
将检测装置正确放置在待检混凝土构件的结合面上后，分批次分测区进行数据采集，获得结合面的彩色图和深度图；
基于所述彩色图，调用建立的施工工艺识别模型，识别出结合面的施工工艺；
根据所述施工工艺，调用建立的质量缺陷识别模型，识别出结合面的质量缺陷数据；
基于所述深度图，采用结合面粗糙度检测算法计算结合面的凹凸深度和粗糙度；
根据所述凹凸深度和粗糙度，分别对不同施工工艺结合面的粗糙度进行修正，获得最终的粗糙度；
判断抽样数量是否满足要求，若是，则输出评定结果，所述评定结果包括施工工艺、质量缺陷数据、凹凸深度和粗糙度，若否，则重新进行数据采集。
2.根据权利要求1所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述施工工艺识别模型的建立方法，包括如下步骤：
1）构建施工工艺深度学习数据集，所述数据集包括训练集和测试集；
2）采用训练集对深度学习模型进行训练，并采用测试集对深度学习模型进行评估；
3）根据所述深度学习模型在测试集上的误差，采用贝叶斯优化算法搜索超参数并重新训练所述深度学习模型；
4）重复步骤3）k个轮次，从而得到在最佳超参数组合下训练出的深度学习模型；
5）采用混淆矩阵评估深度学习模型的识别精确率与召回率。
3.根据权利要求2所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述构建施工工艺深度学习数据集，包括：
采集100mm×100mm的混凝土结合面的彩色图，获得原始数据，并根据图像命名规则标注施工工艺；
从原始数据中随机抽取若干不同施工工艺的结合面图像，按照4：1的比例将数据划分为训练集与测试集。
4.根据权利要求1所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述质量缺陷识别模型的建立方法，包括如下步骤：
1）构建质量缺陷深度学习数据集，所述数据集包括训练集和测试集；
2）采用训练集对深度学习模型进行训练，并采用测试集对深度学习模型进行评估；
3）根据所述深度学习模型在测试集上的误差，采用贝叶斯优化算法搜索超参数并重新训练所述深度学习模型；
4）重复步骤3）k个轮次，从而得到在最佳超参数组合下训练出的深度学习模型；
5）采用混淆矩阵评估深度学习模型的识别精确率与召回率。
5.根据权利要求4所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述深度学习模型包括ResNet18、SqueezeNet 、MobileNetV2以及ShuffleNet四种卷积神经网络，则识别模型的建立方法，还包括：对四种卷积神经网络分别进行训练，并比较最终得到的深度学习模型的识别精度与识别效率，从而得到最佳的识别模型。
6.根据权利要求4所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，以实际类别为A的数据为正例，其他例为负例，则所有数据可以分为真正例TP、假正例FP、真反例TN、假反例FN四类：
精确率P，定义为：
；
召回率R，定义为：
；
对于整个模型，则有：
平均精确率：
；
平均召回率：
。
7.根据权利要求1所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述结合面粗糙度检测算法，包括如下步骤：
将所述深度图变换为n×3的三维点云矩阵格式；
采用PCA技术找到三维点云的整体法向，从而构建旋转矩阵，将所述三维点云旋转到XOY平面；
利用所述三维点云数据阵列分布特点，通过连接相邻点，重建被测结合面的三维模型；
基于粗糙度与凹凸深度的定义，对所述三维模型的体积与投影面积进行计算，获得粗糙度数据；
通过对结构光相机所拍照的不同工艺进行修正后显示最终粗糙度。
8.根据权利要求7所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，在结合面下凹面上的固定位置选取m个点，剔除n个最高点与l个最低点得到m-n-l个有效点；则
凹凸深度定义为结合面上凹面m-n-l个点到基准面的平均距离；
粗糙度定义为恰好覆盖结合面最高点所需的填充体积V与投影面积S的比值：
；
其中，V为结合面到其最高点所在水平面的体积；S为结合面在水平面的投影面积；Vi是以结合面数字化三维模型上一个三角面为底面，以该三角面在结合面最高点水平面的投影为顶面的不规则六面体的体积。
9.根据权利要求8所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，还包括对剪力键型结合面的粗糙度Rt进行修正，具体为：
1）计算平均深度；
2）计算高度在hi-t到hi+t之间的点云点数ni；其中，hi大于Hmid且小于最高值，并按照0.1mm的步长取值，t为数据误差阈值取为0.6mm，最大ni对应的hi就是基准面高度近似值，记为h0；
3）基准面高度H0为h0-t到h0+t之间所有点的均值；
4）剪力键型结合面粗糙度修正值为dR1=Hmax-H0，修正后的粗糙度为Rt-dR1。
10.一种预制混凝土构件结合面粗糙质量检测装置，其特征在于，包括：
刚性框架；
遮光外壳，其覆盖在所述刚性框架外部，用于固定结构光相机的拍摄角度、检测范围和检测距离；
结构光相机，其设于所述刚性框架顶端下部，用于采集结合面数据；
开发板，其设于所述刚性框架上，且与所述结构光相机相连，用于处理采集数据，并运行如根据权利要求1-9任一项所述的预制混凝土构件结合面粗糙质量检测方法；
显示屏，其设于所述刚性框架上，用于展示检测结果并提供人机交互界面；
电池组，其设于所述刚性框架上，用于提供电能；
光源，其设于所述刚性框架顶端下部，用于提供稳定的光照环境。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410027994.XA CN117553713B (zh) | 2024-01-09 | 2024-01-09 | 一种预制混凝土构件结合面粗糙质量检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410027994.XA CN117553713B (zh) | 2024-01-09 | 2024-01-09 | 一种预制混凝土构件结合面粗糙质量检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117553713A true CN117553713A (zh) | 2024-02-13 |
| CN117553713B CN117553713B (zh) | 2024-03-29 |
Family
ID=89820797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410027994.XA Active CN117553713B (zh) | 2024-01-09 | 2024-01-09 | 一种预制混凝土构件结合面粗糙质量检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117553713B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116481460A (zh) * | 2023-05-26 | 2023-07-25 | 中国矿业大学 | 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109612412A (zh) * | 2018-11-28 | 2019-04-12 | 同济大学 | 一种预制混凝土构件结合面粗糙度计算方法及评价系统 |
| CN110398407A (zh) * | 2019-07-30 | 2019-11-01 | 龙信建设集团有限公司 | 一种基于标准试块的混凝土构件结合面粗糙度检测方法 |
| CN114858071A (zh) * | 2022-05-07 | 2022-08-05 | 浙江翰达工程检测有限公司 | 一种预制混凝土构件叠合面粗糙度的测量装置及方法 |
| US11468552B1 (en) * | 2021-07-12 | 2022-10-11 | The Florida International University Board Of Trustees | Systems and methods for quantifying concrete surface roughness |
| CN115290010A (zh) * | 2022-04-13 | 2022-11-04 | 同济大学 | 一种混凝土结合面粗糙度检测方法和装备 |
-
2024
- 2024-01-09 CN CN202410027994.XA patent/CN117553713B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109612412A (zh) * | 2018-11-28 | 2019-04-12 | 同济大学 | 一种预制混凝土构件结合面粗糙度计算方法及评价系统 |
| CN110398407A (zh) * | 2019-07-30 | 2019-11-01 | 龙信建设集团有限公司 | 一种基于标准试块的混凝土构件结合面粗糙度检测方法 |
| US11468552B1 (en) * | 2021-07-12 | 2022-10-11 | The Florida International University Board Of Trustees | Systems and methods for quantifying concrete surface roughness |
| CN115290010A (zh) * | 2022-04-13 | 2022-11-04 | 同济大学 | 一种混凝土结合面粗糙度检测方法和装备 |
| CN114858071A (zh) * | 2022-05-07 | 2022-08-05 | 浙江翰达工程检测有限公司 | 一种预制混凝土构件叠合面粗糙度的测量装置及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116481460A (zh) * | 2023-05-26 | 2023-07-25 | 中国矿业大学 | 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法 |
| CN116481460B (zh) * | 2023-05-26 | 2024-05-07 | 中国矿业大学 | 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117553713B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117553713B (zh) | 一种预制混凝土构件结合面粗糙质量检测方法和装置 | |
| CN115908424B (zh) | 基于三维激光扫描的建筑物健康检测方法、系统及介质 | |
| CN101957178A (zh) | 一种隧道衬砌裂缝测量方法及其测量装置 | |
| CN110533768B (zh) | 一种仿真交通场景生成方法及系统 | |
| Lepot et al. | A technology for sewer pipe inspection (Part 2): Experimental assessment of a new laser profiler for sewer defect detection and quantification | |
| CN203069149U (zh) | 基于图像处理技术的钢筋间距与大小快速识别系统 | |
| CN116229007B (zh) | 利用bim建模的四维数字图像构建方法、装置、设备及介质 | |
| CN113487490A (zh) | 一种立体视觉成像检测管道内部缺陷的方法及装置 | |
| CN113052804A (zh) | 一种混凝土构件外观质量量化评估处理方法和装置 | |
| CN112695598A (zh) | 一种基于大数据和云计算的道路养护分析管理云平台 | |
| CN108305263B (zh) | 一种爆破后岩石块度的图像统计方法 | |
| CN114399692A (zh) | 基于深度学习的违建识别监控检测方法及系统 | |
| Anusree et al. | Characterization of sand particle morphology: state-of-the-art | |
| CN116363302B (zh) | 一种基于多视角几何的管道三维重建和坑洞量化方法 | |
| CN117036326A (zh) | 一种基于多模态融合的缺陷检测方法 | |
| Liao et al. | Investigation of tipping-bucket rain gauges using digital photographic technology | |
| CN116342505A (zh) | 一种好氧颗粒污泥颗粒化程度的检测方法及检测系统 | |
| Chen et al. | Plane segmentation for a building roof combining deep learning and the RANSAC method from a 3D point cloud | |
| CN113029103B (zh) | 一种风机塔筒基础环的倾斜测量方法、系统和存储介质 | |
| CN114998397B (zh) | 一种多视角卫星影像立体像对优化选择方法 | |
| CN115984687A (zh) | 河工动床模型试验水边界测量方法、装置、设备及介质 | |
| CN115331136A (zh) | 一种桥梁施工用监控方法 | |
| CN205879127U (zh) | 一种钢结构局部几何变形的测量系统 | |
| CN112213244A (zh) | 基于机器学习的机动车尾气林格曼黑度测量装置及方法 | |
| Gao et al. | An improved fog concentration detection method for waterway based on FADE |
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 |