实时在线检测混凝土坍落度范围的方法

本发明涉及混凝土坍落度检测领域。更具体地说，本发明涉及一种实时在线检测混凝土坍落度范围的方法。

背景技术：

1、坍落度是混凝土的工作性能指标，也直接关系到混凝土的品质。适当的坍落度有助于确保混凝土易于施工、充分包裹增强材料，提高结构品质和耐久性。坍落度是关系到混凝土品质的重要参数。

2、现有混凝土坍落度的检测通常通过传统的坍落度试验确定。传统坍落度实验方法有astm-c143/c143m 锥形坍落度测试和astm-c1611/c1611m-v 型坍落度测试。这种方法所需时间较长缺乏时效性，不能满足高速生产的需求。也依赖操作员技能，这些方法需要经过培训的操作员来执行测试，因此结果可能受到操作员经验和技能的影响。这些方法通常是离线测试，需要时间来准备样品和执行测试，无法提供即时反馈。每次测试都需要准备混凝土样品，这可能导致资源浪费。而且由于混凝土的特殊性，传统混凝土坍落度测试容易受到水含量、水泥水化和温度等因素的影响，因此需要快速、精确地进行，以减少时效性问题对测试结果的干扰，确保准确评估混凝土的流动性和可塑性。

3、而其它的监测方式主要包括：

4、1、液体限度仪检测，这种方法通常在实验室环境中使用，不适用于实时施工现场监测，而且限制样品尺寸，样品的尺寸和几何形状可能会受到限制，因此不适用于所有混凝土类型。

5、2、斜坡盆目测，是一种基于目测混凝土在斜坡上流动的速度来估算坍落度的方法。结果可能受操作员主观判断的影响。

6、3、振动表检测。振动表通常用于测量混凝土的流动性，而不是直接测量坍落度。而混凝土的坍落度是多种指标的综合，不仅仅是流动性。

7、4、基于机器视觉和深度学习的方法，目前提出的此类方法都是以单帧图像来判断混凝土坍落度，且图像要求为混凝土在静置状态下的拍摄图像。而且实施方式是需要将搅拌好的混凝土进行取样静置后进行拍摄检测。这种实施方式没有将检测融入混凝土生产流程，而是增加了混凝土生产的流程。取样静置的过程也需要一定的时间和成本同时需要相对昂贵的摄像机和专业软件，对图像质量要求较高，增加了混凝土生产工序和成本。而且仅是对单帧图像的检测，能得到的仅是表面部分混凝土的特征，并不能完全代表同一批的混凝土坍落度检测结果，检测结果的准确性可能存在问题。

8、5、声波测量装置，基于声波测量的方法受混凝土材质和质地的影响，因此在某些情况下可能不够准确。声波测量设备较昂贵。

9、6、激光扫描仪的方法，激光扫描仪通常要求混凝土表面光滑，不适用于粗糙或多孔的混凝土表面，且成本高。

10、7、电流参数检测坍落度，一些方法尝试使用混凝土搅拌时的电流参数来间接推测混凝土的坍落度。这种方法精度受限，电流参数方法依赖于混凝土的搅拌量，这在不同搅拌量、配比、原材料下可能存在差异，影响准确性。不能提供直接可视化信息。不能直观的反映混凝土坍落度，且电流参数方法通常需要复杂的分析才能得出坍落度信息。

11、8、多参数融合的方法。将混凝土搅拌时的电机电流参数和振动测量装置的参数进行融合，综合分析得到混凝土的坍落度。这种方式是一种间接测量的方式不能够直接反映出混凝土坍落度的状态。且受混凝土配比和原料的影响较大。

12、9、装车缓冲斗观察，已有商砼站依赖于工程师和实验室技术人员的经验和目测观察来通过观察混凝土在缓冲斗的多方面状态来判断坍落度，但是人工观察容易受到操作员主观判断的影响，导致结果的不一致性和可信度降低。培养出有经验的人工成本较高周期较长，也缺乏稳定性。

13、10、目前已有的基于显著目标检测的混凝土坍落度检测方法，此方法是通过在混凝土静置状态下的取图，而且仅考虑了单帧图像，只是通过单张图像的纹理特征来进行判断，单帧图像判断的稳定性不高，而且单帧图像不能反映出混凝土的流动性，而流动性也是反映混凝土坍落度的重要指标。

14、由此可以看出，现有的混凝土坍落度的检测技术都各有利弊，在实际应用的时候不能满足需要。

技术实现思路

1、本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。

2、为了实现本发明的这些目的和其它优点，提供了一种实时在线检测混凝土坍落度范围的方法，包括：

3、s1、通过摄像单元实时采集料斗中完整的混凝土下落视频；

4、s2、对不同坍落度范围的混凝土下落视频，按等间隔的方式进行抽帧，以构建与不同坍落度范围相匹配的多个数据集；

5、s3、采用神经网络对各数据集图像进行分类模型搭建，以使其能够检测分类出混凝土的坍落度范围；

6、s4、将s3搭建的神经网络模型部署在上位机中，以通过神经网络模型对摄像单元实时传输的混凝土图像进行坍落度范围识别。

7、优选的是，在s2中，所述不同坍落度范围包括：50mm-100mm、110mm-150mm、160mm-210mm三类等级。

8、优选的是，在s3中，所述分类模型搭建是基于多流resnet34-late

9、convfusion的架构，结合多流resnet34网络和late conv fusion 层，实现对混凝土纹理特征以及流动性特征的提取。

10、在s3中，所述分类模型搭建的方式包括：

11、s31、对混凝土入斗图像、斗中堆积图像、出斗图像的三个过程图像进行特征提取；

12、s32、对三个过程图像的预测结果设置权重分配模型；

13、s33、综合三个过程图像的检测结果以得到最终能反映混凝土的坍落度范围的检测结果。

14、优选的是，在s31中，对于每个过程图像，采用多流卷积神经网络流架构建立三个独立的卷积神经网络流进行分别处理；

15、其中，在多流卷积神经网络流架构中，采用resnet34作为基础网络，设置卷积层为1:7x7的卷积核，步幅为2，填充为3，输出通道64；

16、设置池化核的最大池化层1: 3x3，步幅为2；

17、设置3个残差块，且每个残差块均包括两个3x3的卷积核，各残差块输出通道分别为：64、256、614；

18、对于每个流，在resnet34后添加多尺度的卷积层，并在每个流的末尾，应用全局平均池化层；

19、late conv fusion 层将三个流全局平均池化后的特征拼接起来，再通过一个尺寸为1x1 ，通道数为256的卷积核进行特征向量输出。

20、优选的是，在s32中，权重分配模型采用全连接层实现，将lateconvfusion输出的特征向量作为全连接层的输入，设置全连接层的输出神经元数量为3以对应三个类别，则全连接层采用下式对混凝土坍落度类别进行预测：

21、y= {softmax}(w[f(x)]+ b)

22、其中，w[f(x)]表示矩阵乘法运算，f(x)为late conv fusion输出的特征向量，w为全连接层的权重矩阵，b为全连接层的偏置向量，softmax是激活函数，y为分类类别概率。

23、还包括实时在线检测混凝土坍落度范围的装置，所述装置包括：

24、与多个料筒呈连通状态的混凝土搅拌单元；

25、设置于混凝土搅拌单元出料侧的装配单元；

26、设置在混凝土搅拌单元、装配单元之间的导料单元；

27、设置在混凝土搅拌单元与导料单元之间，以对混凝土坍落度进行实时取样的摄像单元；

28、与摄像单元通信连接的上位机；

29、其中，所述导料单元包括：

30、与装配单元的进料侧相配合的物料传输管道；

31、设置在物料传输管上，且与混凝土搅拌单元出料侧具有预定距离的料斗。

32、本发明至少包括以下有益效果：本发明提供的对混凝土坍落度范围进行实时检测的装置，将极大地提高混凝土生产的自动化程度和生产质量，提高混凝土坍落度检测的准确性，为混凝土行业带来创新性的解决方案，具体效果如下：

33、其一，本发明能够实时检测混凝土的坍落度范围，及时提供数据反馈，避免传统方法中的时效性问题。

34、其二，本发明通过引入深度学习技术，提高坍落度识别的精确度，同时实现自动化检测，减少人工干预。

35、其三，本发明基于大数据集训练的神经网络模型，具备深度学习的学习能力，能够更好地适应不同混凝土情况，提供数据驱动的生产决策支持。

36、其四，本发明与依赖经验和人工目测的方法相比，该装置减少了人工成本，提高了生产效率。

37、其五，本发明通过实时检测和数据记录，可以进行深入的数据分析，为生产工艺的持续改进和优化提供参考和指导。

38、其六，用多流网络，多帧图像检测。通过对混凝土入斗图像、斗中堆积图像、出斗图像的特征提取以及对三个过程图像的预测结果的权重分配模型，综合三个过程的图像的检测结果得到最终检测结果。在一定程度上加入了时间维度的特征，多过程、多帧图像检测，考虑了混凝土流动性的特性，检测更加全面。

39、本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。