技术领域本发明涉及一种隧道预制管片生产线的预制管片质量检测统计系统和方法，特别针对隧道预制管片埋深类型以及隧道预制管片形状类型的检测统计系统和方法。
背景技术：
随着社会的发展与进步，城市地下空间工程也得到了迅速发展，地铁、隧道等施工地点的隧道管片在不断的生产供应，隧道预制管片的质量关系着地铁、隧道等工程的质量以及后期的运营安全。在隧道预制管片生产过程中，对于生产的预制管片埋深类型、形状类型进行检测统计是整个生产流程中至关重要的两项工作。由于在隧道施工作业时，随着隧道深度的不同，所要铺设的隧道预制管片埋深类型也有很大差异，例如隧道越深，管片承受的压力也就越大，就需要采用钢筋梁比较粗的深埋管片进行施工。但是隧道管片的生产过程中，钢模类型是固定的，预制管片的埋深程度取决于管片钢筋梁中钢筋的粗细，当钢筋梁浇筑混凝土之后，就无法通过人眼观测到所生产的隧道预制管片埋深类型，因此需要人为的提前记录所生产的隧道管片类型，传统的方法只能依靠人眼去观测、记录，很容易造成观测记录的失误，一旦出现失误，将会造成严重的安全隐患。同时，当检测统计出隧道预制管片埋深类型之后，还要继续检测统计出所生产的隧道管片的形状类型，隧道管片的形状类型虽然可以通过钢模的形状人工识别出，但是对于工人而言，工作量极大，很难完全保证统计的可靠性。针对上述的技术背景，所以急需要寻找一种可靠的、能够检测统计钢模所生产的隧道预制管片埋深类型和形状的方法，随着现在生产技术的长足发展，计算机视觉技术得到了广泛的应用，计算机视觉技术与传感器技术的信息融合，使得解决这一安全性问题称为可能。
技术实现要素：
本发明的目的在于针对目前主要依靠人工统计隧道预制管片埋深类型和形状类型的不足，提供一种隧道预制管片生产线的预制管片质量检测统计系统和方法，通过计算机视觉技术和传感器技术的信息融合，避免了传统人工检测统计可能出现的安全隐患、统计失误，提高了隧道管片生产的效率。为实现上述目的，本发明采用如下技术方案：一种隧道预制管片生产线的预制管片质量检测统计系统，包括轨道1、预制管片埋深类型及预埋件检测装置和预制管片形状检测装置，所述预制管片埋深类型及预埋件检测装置包括第一门形框架2、光电开关3、LED补充光源12、相机13和相机减震设备14；所述预制管片形状检测装置包括：RFID标签5、第二门形框架6、RFID固定式读写器7、光电开关8、LED补充光源9、相机10、相机减震设备11，所述第一门形框架2和第二门形框架6分别安装在轨道1的前后区段上，光电开关3安装于第一门形框架2的内侧壁前端，相机减震设备14安装于第一门形框架2的顶部中间位置，相机13安装于相机减震设备14下部，LED补充光源12安装于第一门形框架2四个顶角处；光电开关8安装于第二门形框架6内侧壁前端，相机减震设备11安装于第二门形框架6顶部中间位置，相机10安装于相机减震设备11下部，LED补充光源9安装于第二门形框架6的四个顶角处，RFID固定式读写器7安装于第二门形框架6内侧壁。光电开关3安置位置保证当钢模4运行到第一门形框架2时，触发光电开关3动作，安装于第一门形框架2顶部的相机13检测到光电开关3动作信号，启动一次图像采集；所述相机减震设备14用来减轻车间震动对相机13带来的安全影响，并且具有上下运动的功能，用于调节相机13的视野范围；所述LED补充光源12为相机13的拍摄提供充足光源；所述光电开关8安置位置保证当钢模4运行到第二门形框架6时，触发光电开关8动作，安放在预制管片形状检测装置6顶部的相机10检测到光电开关8动作信号，启动一次图像采集；同时RFID固定式读写器7读取贴在钢模4上的RFID标签5信息；所述相机减震设备11用来减轻车间震动对相机10带来的安全影响，并且具有上下运动的功能，用于调节相机10的视野范围；所述LED补充光源为相机10的拍摄提供充足光源。钢模4外侧贴有RFID标签5，RFID标签5存储钢模4所生产的隧道预制管片形状信息，钢模4上下料地点设置在第一门形框架2和第二门形框架6的中间位置；当钢模4运载尚未浇筑混凝土的钢筋笼，经过第一门形框架2时，进行隧道预制管片钢筋笼的钢筋粗细的检测，确定预制管片的埋深类型；当钢模4浇筑混凝土成型后，经过第二门形框架6时，进行RFID标签5信息的读取和钢模4形状的检测分类；检测完钢模形状后，在第一门形框架2和第二门形框架6的中间位置进行卸料、上料。采用深度学习算法对预制管片埋深类型及预埋件进行识别和分类，识别和分类过程分为离线学习过程和在线识别过程，步骤如下：A离线学习过程：①标准图像采集及预处理：1)相机13采集钢模4内钢筋笼中的钢筋图像；2)经过图像预处理模块滤除背景噪声；3)将图像按长度方向进行5等分，取第3张归一化为128*128的标准图像；②建立深度学习网络：建立一个具有7层结构的卷积神经网络模型，包括一个输入层、三个卷积层、三个下采样层。第一卷积层卷积核大小设置为9*9，第一下采样层池化矩阵大小为4*4；第二卷积层核窗口大小为5*5，第二下采样层池化矩阵大小为2*2；第三卷积层核窗口大小为4*4，第三下采样层池化矩阵大小为2*2，数学模型建立过程如下：1)构建卷积层数学模型xjl=f(Σi∈Mjxil-1*wijl+bjl)]]>其中表示第l卷积层输入，表示上一层与卷积层之间的核窗口，f(·)表示激活函数，Mj表示输入特征map数量；2)构建下采样层数学模型xjl=f(αjlP(xjl-1)+bjl)]]>其中P(·)表示池化函数，α表示乘性偏置，b表示加性偏置；利用图像的局部相关性原理，对图像进行下采样；3)全连接层引入动量因子Δw(t)=-η∂ϵ(t)∂w(t)+αΔw(t-1)]]>利用t-1时刻的权值修正量Δw(t-1)对t时刻的权值修正量Δw(t)进行修正，其中η为学习率，α为动量因子(取值范围[0,1))，为全连接层输出的全部神经元的误差能量瞬时值的和相对于t时刻权值的偏导数；③训练网络:对标准图像进行类别标记，将标准图像和对应的类别标记，放入网络进行特征学习和训练，然后得到最终的卷积核参数和权值参数等；B在线识别过程：①标准图像采集及预处理：1)相机13采集钢模4内钢筋笼中的钢筋图像；2)经过图像预处理模块滤除背景噪声信息；3)将图像按长度方向进行5等分，取第3张归一化为128*128的测试图像；②将测试图像导入已经训练好的卷积神经网络中，进行特征提取和分类识别。采用深度学习算法对预制管片形状进行检测，检测过程分为A离线学习过程、B在线识别过程和C二次确认过程，步骤如下：A离线学习过程：①标准图像采集及预处理：1)相机10采集钢模4内隧道预制管片图像；2)经过图像预处理模块滤除背景噪声；3)将采集的图像归一化为96*96的标准图像；②建立深度学习网络：建立一个具有5层结构的卷积神经网络模型，包括一个输入层、两个卷积层、两个下采样层。第一卷积层卷积核大小设置为5*5，第一下采样层池化矩阵大小为4*4，第二卷积层核窗口大小为4*4，第二下采样层为池化矩阵大小为2*2，数学模型建立过程如下：1)构建卷积层数学模型xjl=f(Σi∈Mjxil-1*wijl+bjl)]]>其中表示第l卷积层输入，表示上一层与卷积层之间的核窗口，f(·)表示激活函数，Mj表示输入特征map数量；2)构建下采样层数学模型xjl=f(αjlP(xjl-1)+bjl)]]>其中P(·)表示池化函数，α表示乘性偏置，b表示加性偏置；利用图像的局部相关性原理，对图像进行下采样；3)全连接层引入动量因子Δw(t)=-η∂ϵ(t)∂w(t)+αΔw(t-1)]]>利用t-1时刻的权值修正量Δw(t-1)对t时刻的权值修正量Δw(t)进行修正，其中η为学习率，α为动量因子(取值范围[0,1))，为全连接层输出的全部神经元的误差能量瞬时值的和相对于t时刻权值的偏导数。③训练网络:对标准图像进行类别标记，将标准图像和对应的类别标记，放入网络进行特征学习和训练，然后得到最终的卷积核参数和权值参数等；B在线识别过程：①标准图像采集及预处理：1)相机10采集钢模4内隧道预制管片图像；2)经过图像预处理模块滤除背景噪声；3)将采集的图像归一化为96*96的标准图像；②将测试图像导入已经训练好的卷积神经网络中，进行特征提取和分类识别；C二次确认过程：RFID固定式读写器7读取RFID标签5信息，再次确认隧道预制管片形状。通过相机13对预制管片埋深类型及预埋件进行识别、相机10对预制管片形状进行识别，最终分类并统计出钢模4所生产的隧道预制管片准确信息，包括预制管片埋深类型及预埋件、预制管片形状类型，计算机将统计出的隧道预制管片生产信息进行存储、显示。本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：1.本发明采用深度学习技术，通过建立卷积神经网络模型，利用卷积神经网络对几何变换、形变、光照等影响具有不变性的优点，大大提高了检测的效率和准确性。2.本发明实现对隧道管片生产线中隧道管片质量统计环节的自动化统计，采用计算机视觉技术和RFID射频技术相结合的方式，提高了识别分类的准确性和可靠性；3.本发明采用光电开关控制相机的拍摄时间，并在指定位置进行图像采集工作，具有更加节约能源和减少不必要的图像采集的优点。附图说明图1为本发明的系统结构简图图2为本发明实的硬件辅助系统结构框图图3为本发明实的卷积神经网络模型结构示意图图4为本发明实的系统工作流程图具体实施方式本发明的具体优选实施例结合附图详述如下：实施例一：参见图1和图2，本隧道预制管片生产线的预制管片质量检测统计系统，包括轨道1、预制管片埋深类型及预埋件检测装置和预制管片形状检测装置，所述预制管片埋深类型及预埋件检测装置包括第一门形框架2、光电开关3、LED补充光源12、相机13和相机减震设备14；所述预制管片形状检测装置包括：RFID标签5、第二门形框架6、RFID固定式读写器7、光电开关8、LED补充光源9、相机10、相机减震设备11，其特征在于：所述第一门形框架2和第二门形框架6分别安装在轨道1的前后区段上，光电开关3安装于第一门形框架2的内侧壁前端，相机减震设备14安装于第一门形框架2的顶部中间位置，相机13安装于相机减震设备14下部，LED补充光源12安装于第一门形框架2四个顶角处；光电开关8安装于第二门形框架6内侧壁前端，相机减震设备11安装于第二门形框架6顶部中间位置，相机10安装于相机减震设备11下部，LED补充光源9安装于第二门形框架6的四个顶角处，RFID固定式读写器7安装于第二门形框架6内侧壁。实施例二：本实施例与实施例一基本相同，特征之处如下：光电开关3安置位置保证当钢模4运行到第一门形框架2时，触发光电开关3动作，安装于第一门形框架2顶部的相机13检测到光电开关3动作信号，启动一次图像采集；所述相机减震设备14用来减轻车间震动对相机13带来的安全影响，并且具有上下运动的功能，用于调节相机13的视野范围；所述LED补充光源12为相机13的拍摄提供充足光源；所述光电开关8安置位置保证当钢模4运行到第二门形框架6时，触发光电开关8动作，安放在预制管片形状检测装置6顶部的相机10检测到光电开关8动作信号，启动一次图像采集；同时RFID固定式读写器7读取贴在钢模4上的RFID标签5信息；所述相机减震设备11用来减轻车间震动对相机10带来的安全影响，并且具有上下运动的功能，用于调节相机10的视野范围；所述LED补充光源为相机10的拍摄提供充足光源。钢模4外侧贴有RFID标签5，RFID标签5存储钢模4所生产的隧道预制管片形状信息，钢模4上下料地点设置在第一门形框架2和第二门形框架6的中间位置；当钢模4运载尚未浇筑混凝土的钢筋笼，经过第一门形框架2时，进行隧道预制管片钢筋笼的钢筋粗细的检测，确定预制管片的埋深类型；当钢模4浇筑混凝土成型后，经过第二门形框架6时，进行RFID标签5信息的读取和钢模4形状的检测分类；检测完钢模形状后，在第一门形框架2和第二门形框架6的中间位置进行卸料、上料。实施例三：本隧道预制管片生产线的预制管片质量检测统计系统和方法，采用上述系统进行操作，采用深度学习算法对预制管片埋深类型及预埋件进行识别和分类，识别和分类过程分为离线学习过程和在线识别过程，步骤如下：A离线学习过程：①标准图像采集及预处理：1)相机13采集钢模4内钢筋笼中的钢筋图像；2)经过图像预处理模块滤除背景噪声；3)将图像按长度方向进行5等分，取第3张归一化为128*128的标准图像；②建立深度学习网络：建立一个具有7层结构的卷积神经网络模型，包括一个输入层、三个卷积层、三个下采样层。第一卷积层卷积核大小设置为9*9，第一下采样层池化矩阵大小为4*4；第二卷积层核窗口大小为5*5，第二下采样层池化矩阵大小为2*2；第三卷积层核窗口大小为4*4，第三下采样层池化矩阵大小为2*2，数学模型建立过程如下：a构建卷积层数学模型xjl=f(Σi∈Mjxil-1*wijl+bjl)]]>其中表示第l卷积层输入，表示上一层与卷积层之间的核窗口，f(·)表示激活函数，Mj表示输入特征map数量；b构建下采样层数学模型xjl=f(αjlP(xjl-1)+bjl)]]>其中P(·)表示池化函数，α表示乘性偏置，b表示加性偏置。利用图像的局部相关性原理，对图像进行下采样；c全连接层引入动量系数Δw(t)=-η∂ϵ(t)∂w(t)+αΔw(t-1)]]>利用t-1时刻的权值修正量Δw(t-1)对t时刻的权值修正量Δw(t)进行修正，其中η为学习率，α为动量因子(取值范围[0,1))，为全连接层输出的全部神经元的误差能量瞬时值的和相对于t时刻权值的偏导数；③训练网络:对标准图像进行类别标记，将标准图像和对应的类别标记，放入网络进行特征学习和训练，然后得到最终的卷积核参数和权值参数等；B在线识别过程：①标准图像采集及预处理：1)相机13采集钢模4内钢筋笼中的钢筋图像；2)经过图像预处理模块滤除背景噪声信息；3)将图像按长度方向进行5等分，取第3张归一化为128*128的测试图像；②将测试图像导入已经训练好的卷积神经网络中，进行特征提取和分类识别：相机10采集钢模4内的隧道管片图像，采用深度学习算法对预制管片形状进行识别，识别过程分为A离线学习过程、B在线识别过程和C二次确认过程，步骤如下：A离线学习过程：①标准图像采集及预处理：1)相机10采集钢模4内隧道预制管片图像；2)经过图像预处理模块滤除背景噪声；3)将采集的图像归一化为96*96的标准图像；②建立深度学习网络：建立一个具有5层结构的卷积神经网络模型，包括一个输入层、两个卷积层、两个下采样层。第一卷积层卷积核大小设置为5*5，第一下采样层池化矩阵大小为4*4，第二卷积层核窗口大小为4*4，第二下采样层为池化矩阵大小为2*2，数学模型建立过程如下：a构建卷积层数学模型xjl=f(Σi∈Mjxil-1*wijl+bjl)]]>其中表示第l卷积层输入，表示上一层与卷积层之间的核窗口，f(·)表示激活函数，Mj表示输入特征map数量；b构建下采样层数学模型xjl=f(αjlP(xjl-1)+bjl)]]>其中P(·)表示池化函数，α表示乘性偏置，b表示加性偏置。利用图像的局部相关性原理，对图像进行下采样。c全连接层引入动量系数Δw(t)=-η∂ϵ(t)∂w(t)+αΔw(t-1)]]>利用t-1时刻的权值修正量Δw(t-1)对t时刻的权值修正量Δw(t)进行修正，其中η为学习率，α为动量因子(取值范围[0,1))，为全连接层输出的全部神经元的误差能量瞬时值的和相对于t时刻权值的偏导数；③训练网络:对标准图像进行类别标记，将标准图像和对应的类别标记，放入网络进行特征学习和训练，然后得到最终的卷积核参数和权值参数等；B在线识别过程：①标准图像采集及预处理：1)相机10采集钢模4内隧道预制管片图像；2)经过图像预处理模块滤除背景噪声；3)将采集的图像归一化为96*96的标准图像；②将测试图像导入已经训练好的卷积神经网络中，进行特征提取和分类识别。C二次确认过程：RFID固定式读写器7读取RFID标签5信息，再次确认隧道预制管片形状。通过相机13采集预制管片钢筋笼的钢筋粗细及预埋件信息、相机10采集隧道预制管片的形状信息，最终分类并统计出钢模4所生产的隧道预制管片的准确信息，包括埋深类型、预埋件、形状类型，计算机将隧道预制管片的准确信息进行统计存储、显示。实施例四：本实施例与实施例一基本相同，特征之处如下：当不同高度的钢模4经过第一门形框架2和第二门形框架6时，第一门形框架2顶端的相机减震设备14可以实现相机13的上下运动，进而可以调节相机的焦距，使相机13能够采集到钢模4槽内钢筋梁的全部图像；第二门形框架6顶端的相机减震设备11可以实现相机10的上下运动，进而可以调节相机的焦距，使相机10能够采集到钢模4槽内隧道管片的全部图像；实施例五：本实施例与实施例一基本相同，特征之处如下：当钢模经4过管片埋深类型及预埋件检测处2和第二门形框架6时，采集的到的图像提取不到特征，表示钢模4目前在空载状态，并记录钢模4空载次数。上述实施例结合附图对本发明实施例进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明目的做出多种实施方案，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合、简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明应用于隧道预制管片生产线的预制管片质量检测统计系统的技术原理和发明构思，都属于本发明的保护范围。