一种带肋钢筋拉伸试验延伸率的检测装置及其检测方法与流程

本发明属于检测设备的，具体涉及一种带肋钢筋拉伸试验延伸率的检测装置及其检测方法。

背景技术：

1、钢筋拉伸试验，是拉伸试样在静态轴向拉伸力不断作用下，以规定的试验速率拉伸至试样断裂，并记录下试样拉伸过程中的应力和应变，通过拉伸试验可以测定钢筋的弹性性能、强度性能和延性性能等多方面的性能，其测量的准确性关系到是否可以对金属材料延性性能好坏做出评估与判定。

2、在现有技术中，钢筋拉伸试验的引伸计基本为接触式机械引伸计，不可避免地导致与被测材料接触并发生表面摩擦，被测材料接近破坏状态时必须及时停止测量，同时量程与标距可调性差，且需要多处人工介入的步骤。

3、此外，现有技术中的视频引伸计检测方法，通过表面喷涂或激光照射在材料表面形成特征点，通过特征点的位移变化计算材料表面的应变，但该方法前期形成特征点的步骤较为繁琐，不适用于大批量钢筋检测的应用场景。

技术实现思路

1、为了克服现有技术存在的一个或多个缺陷与不足，本发明的第一目的在于提供一种带肋钢筋拉伸试验延伸率的检测装置，第二目的在于提供一种带肋钢筋拉伸试验延伸率的检测方法，能够利用带肋钢筋表面具有固定间距的钢筋螺纹或钢筋肋的钢筋这一显著的几何特征，实现便捷快速、基本无人工干预、无量程限制的非接触式钢筋延伸率检测，提高带肋钢筋拉伸检测的效率。

2、为了达到上述目的，本发明采用以下技术方案：

3、一种带肋钢筋拉伸试验延伸率的检测装置，包括拉伸试验机、图像采集模块、机械引伸计、计算机；

4、拉伸试验机、图像采集模块、机械引伸计分别与计算机连接，分别向计算机输入带肋钢筋承受的拉力数据、带肋钢筋的图像、带肋钢筋的应变；

5、拉伸试验机用于对带肋钢筋进行拉伸操作，并测量带肋钢筋在拉伸时所承受的拉力数据。

6、机械引伸计用于测量带肋钢筋的应变；

7、图像采集模块用于拍摄带肋钢筋的图像；

8、计算机中设有控制模块、训练数据模块、图像预处理模块、检测数据模块、机器学习模型、计算模块；

9、控制模块分别与拉伸试验机、工业相机连接，用于按照设定的数据采集频率，在多个时间点上同步控制拉伸试验机对带肋钢筋的拉伸、工业相机对带肋钢筋的图像拍摄；

10、图像预处理模块与工业相机连接，用于对工业相机拍摄的带肋钢筋的图像进行特征增强处理；

11、训练数据模块分别与机械引伸计、图像预处理模块、机器学习模型连接，用于根据图像预处理模块和机械引伸计输出的部分数据，形成输入未经训练的机器学习模型的训练数据集；

12、检测数据模块分别与图像预处理模块、机器学习模型连接，用于根据图像与处理模块输出的数据进行转换，形成输入完成训练的机器学习模型的检测数据；

13、机器学习模型分别与训练数据模块、检测数据模块连接，用于根据训练数据模块输入的训练数据完成训练后，接收检测数据模块输入的检测数据从中获取对应的应变；

14、计算模块分别与拉伸试验机、机器学习模型连接，用于根据应力与所受拉力的关系计算应力，根据机器学习模型输出的应变在时刻对齐下得到应力-应变曲线后，从应力-应变曲线计算最大力塑性延伸率、断后伸长率。

15、优选地，图像采集模块为工业相机；

16、工业相机与计算机连接，用于拍摄带肋钢筋的图像。

17、进一步地，图像预处理模块对所拍摄的带肋钢筋图像的特征增强处理，依次包括背景去除、灰度化、降噪、边缘检测、二值化。

18、进一步地，其特征在于，训练数据模块从图像预处理模块选取部分特征增强处理后的数据及其对应的应变组合，然后使用主成分分析算法对特征增强处理后的数据进行降维处理，通过建立可释方差-维度函数确定降维数量，并通过平移对齐第一个钢筋肋的位置，降维与对齐后得到矩阵大小为j×k的训练数据，接着按照75％训练子集、25％验证子集的配置，形成训练机器学习模型的训练数据集。

19、进一步地，获取训练数据时，对带肋钢筋进行多次拉伸，每次拉伸各自经历n次图像拍摄，每次拉伸都分别在不同的角度、对带肋钢筋不同的拉力下进行。

20、进一步地，检测数据模块在图像预处理模块将全部需要检测的带肋钢筋图像进行特征增强处理后，使用主成分分析算法进行降维处理，通过建立可释方差-维度函数确定降维数量，并通过平移对齐第一个钢筋肋的位置，降维与对齐后得到矩阵大小为j×k的检测数据。

21、进一步地，机器学习模型采用梯度递减回归算法对训练子集进行训练，由验证子集进行验证。

22、进一步地，计算模块从应力-应变曲线获取带肋钢筋的弹性阶段杨氏模量、最大应力、断裂时应力；

23、最大应力对应的应变为最大力总延伸率，断裂时应力对应的应变为断裂总延伸率；

24、根据最大力总延伸率、断裂总延伸率计算最大力塑性延伸率、断后伸长率，最大力塑性延伸率、断后伸长率即为最终测量带肋钢筋的目标参数。

25、一种根据前述任一项带肋钢筋拉伸试验延伸率的检测装置的带肋钢筋拉伸试验延伸率的检测方法，包括步骤如下：

26、s1、将需要测量的带肋钢筋放入拉伸试验机中，工业相机对准拉伸试验机中的带肋钢筋，计算机的控制模块按照设定的数据采集频率，在多个时间点ti上同步控制拉伸试验机对带肋钢筋进行n次拉伸、工业相机对带肋钢筋进行n次图像拍摄；

27、s2、计算机的图像预处理模块将拍摄的带肋钢筋图像原始矩阵img0进行特征增强处理，依次包括背景去除、灰度化、降噪、边缘检测、二值化，转换为矩阵img5；

28、s3、计算机中的检测数据模块，在图像预处理模块将全部需要检测的带肋钢筋图像转换为矩阵img5后，将需要检测的矩阵img5使用主成分分析算法进行降维处理，通过建立可释方差-维度函数确定降维数量，并通过平移对齐第一个钢筋肋的位置，降维与对齐后得到矩阵大小为j×k的检测数据img_input；

29、s4、计算机中完成训练的机器学习模型，接收检测数据模块产生的检测数据img_input后得到后得到相应的应变e；

30、s5、计算机中的计算模块，先根据应力σ与所受拉力f的公式σ＝4f/(πd2)计算应力序列[σ(1),σ(2),...,σ(n)]t，然后根据机器学习模型输出的应变e在时刻对齐下得到应力σ-应变e曲线，接着从应力σ-应变e曲线获取带肋钢筋的弹性阶段杨氏模量e、最大应力σmax、断裂时应力σb，由于最大应力σmax对应的应变为最大力总延伸率agt，断裂时应力σb对应的应变为断裂总延伸率at，所以接着根据最大力总延伸率agt、断裂总延伸率at计算最大力塑性延伸率ag、断后伸长率a，计算过程如下式所示：

31、

32、

33、从而获取最终测量带肋钢筋目标参数的最大力塑性延伸率ag、断后伸长率a的数值。

34、优选地，机器学习模型结合训练数据模块进行训练，训练数据模块在训练时与机械引伸计连接读取应变e；

35、训练数据模块从图像预处理模块选取部分的数据，将这部分的矩阵img5及其对应的应变e组合成训练数据c，对于第b次拉伸带肋钢筋的矩阵为c(b)＝[[e(0),e(1),...,e(n)]t,[img5(0),img5(1),...,img5(n)]t]，总共m次拉伸后得到的训练数据c＝[c(1),c(2),...,c(m)]t；然后使用主成分分析算法对img5进行降维处理，通过建立可释方差-维度函数确定降维数量，在保证不损失过多信息的情况下提高后续训练的运行效率，并按照统一准则通过平移对齐第一个钢筋肋的位置，降维与对齐后得到矩阵大小为j×k的训练数据img_train；接着将img_train按照75％训练子集、25％验证子集的配置进行分配设置，形成训练机器学习模型的训练数据集，以img5为输入，以e为输出目标；

36、机器学习模型在训练时采用梯度递减回归算法对训练子集进行训练，由验证子集进行验证。

37、本发明与现有技术相比，具有如下优点和有益效果：

38、相比现有的机械引伸计与视频引伸计的测定方法，本发明充分利用带肋钢筋表面肋特有的几何特征，通过采集图像和机器学习来计算应变数据的方式，省去检测员设置引伸计、喷涂、标记标距点和计算延伸率的过程，大大降低了人力和时间成本，减少人工测量与引伸计本身带来的偶然误差，提高结果的准确性，便捷快速提高了对大批量带肋钢筋拉伸检测的效率。