一种混凝土可泵性类别识别方法、装置及电子设备与流程

1.本发明涉及建筑工程物料管理技术领域，具体涉及一种混凝土可泵性类别识别方法、装置及电子设备。


背景技术：

2.目前，在泵车施工过程中并不能提前得知混凝土的可泵性，但是如果能够在泵车施工前就得知混凝土的可泵性就能提前预知泵车施工过程中的风险，例如堵管会发生反泵，离析会造成甩管。
3.申请公布号为cn109784436a的发明专利申请公开了一种智能混凝土管控方法及系统，所述系统包括：需方客户端、供方客户端、服务器、第一电子标签、第二电子标签、第三电子标签、电子标签阅读器一、电子标签阅读器二、称重管理系统和定位装置。所述方法及系统通过信息化手段实现物料称重全过程的自动化操作，在bim系统中实现了bim子模型与试块检测报告信息、混凝土信息、混凝土浇筑区域信息之间关联在一起，动态反映工程进度及相关信息；对混凝土浇筑部位信息与泵车浇筑部位信息是否匹配进行判定，可避免建筑构件浇筑错误性能的混凝土。但是上述方法并不能在泵车施工过程中提前得知混凝土的可泵性，从而避免泵车施工过程中的风险。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种混凝土可泵性类别识别方法、装置及电子设备，以避免泵车施工过程中的风险。
5.根据第一方面，本发明实施例提供了一种混凝土可泵性类别识别方法，包括以下步骤：获取混凝土下料过程的下料图像；确定所述下料图像中的混凝土区域图像；用经过训练的分类模型对所述混凝土区域图像进行计算，得到所述混凝土的可泵性类别。
6.结合第一方面，在第一方面第一实施方式中，所述确定所述下料图像中的混凝土区域图像包括：将所述下料图像输入到经过训练的目标检测模型中进行识别得到混凝土区域定位框；利用所述混凝土区域定位框裁剪所述下料图像得到所述混凝土区域图像。
7.结合第一方面第一实施方式，在第一方面第二实施方式中，所述利用所述混凝土区域定位框裁剪所述下料图像得到所述混凝土区域图像包括：当所述混凝土区域定位框为一个时，利用所述混凝土区域定位框裁剪所述下料图像得到裁剪图像，将所述裁剪图像作为所述混凝土区域图像；当所述混凝土区域定位框为多个时，针对任一混凝土区域定位框，利用该混凝土区域定位框裁剪所述下料图像得到与该混凝土区域定位框相对应的裁剪图像；遍历每个所述混凝土区域定位框，得到与每个所述混凝土区域定位框相对应的裁剪图像；将多个裁剪图像进行融合得到所述混凝土区域图像。
8.结合第一方面第一实施方式，在第一方面第三实施方式中，获取所述经过训练的目标检测模型包括：获取训练图像集，其中所述训练图像集中的训练图像包括以下至少一种：包含下料混凝土区域的训练图像、包含堆积混凝土区域的训练图像、包含筛网面以下混
凝土区域的训练图像；利用所述训练图像集对所述目标检测模型进行训练得到所述经过训练的目标检测模型。
9.结合第一方面，在第一方面第四实施方式中，获取经过训练的分类模型以下步骤：获取与预设的可泵性类别集合中的每个可泵性类别相对应的多个图像；利用与每个可泵性类别相对应的多个图像对所述分类模型进行训练得到经过训练的分类模型。
10.结合第一方面第四实施方式，在第一方面第五实施方式中，所述可泵性类别集合中的可泵性类别包括：含水率小于等于预设的第一阈值的正常含水混凝土、含水率大于所述第一阈值且小于等于预设的第二阈值的半含水混凝土、含水率大于所述第二阈值的全含水混凝土；其中所述正常含水混凝土包括粗骨料含量小于等于预设的第三阈值的低粗骨料含量混凝土、粗骨料含量大于所述第三阈值且小于等于预设的第四阈值的中粗骨料含量混凝土、粗骨料含量大于所述第四阈值的高粗骨含量料混凝土；其中所述低粗骨料含量混凝土包括第一卵石混凝土、第一碎石混凝土和第一混合混凝土；所述中粗骨料含量混凝土包括第二卵石混凝土、第二碎石混凝土和第二混合混凝土；所述高粗骨料含量混凝土包括第三卵石混凝土、第三碎石混凝土和第三混合混凝土。
11.结合第一方面，在第一方面第六实施方式中，在用经过训练的分类模型对所述混凝土区域图像进行计算，得到所述混凝土的可泵性类别之后，还包括：当所述混凝土的可泵性类别属于预设的报警范围时，进行报警。
12.根据第二方面，本发明实施例还提供了一种混凝土可泵性类别识别装置，包括获取模块、第一处理模块和第二处理模块，所述获取模块用于获取混凝土下料过程的下料图像；所述第一处理模块用于确定所述下料图像中的混凝土区域图像；所述第二处理模块用于用经过训练的分类模型对所述混凝土区域图像进行计算，得到所述混凝土的可泵性类别。
13.根据第三方面，本发明实施例还提供了一种电子设备，包括摄像装置和处理器，所述摄像装置用于拍摄混凝土下料过程的下料图像；所述摄像装置和所述处理器通信连接，所述处理器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的混凝土可泵性类别识别方法。
14.结合第三方面，在第三方面第一实施方式中，电子设备还包括控制器和报警装置，所述控制器与所述处理器通信连接，所述报警装置与所述控制器通信连接。
15.本发明实施例的混凝土可泵性类别识别方法、装置及电子设备，通过获取混凝土下料过程的下料图像，确定所述下料图像中的混凝土区域图像，用经过训练的分类模型对所述混凝土区域图像进行计算，得到所述混凝土的可泵性类别，由此在泵车施工前就得知混凝土的可泵性，可以避免泵车施工过程中存在的风险。
附图说明
16.通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
17.图1为本发明实施例1中混凝土可泵性类别识别方法的流程示意图；
18.图2为第一混凝土区域定位框和第二混凝土区域定位框示意图；
19.图3为本发明实施例2中混凝土可泵性类别识别装置的结构示意图；
20.其中，1、第一混凝土区域定位框；2、第二混凝土区域定位框；3、网面。
具体实施方式
21.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.实施例1
23.本发明实施例1提供了一种混凝土可泵性类别识别方法。图1为本发明实施例1中混凝土可泵性类别识别方法的流程示意图，如图1所示，本发明实施例1的混凝土可泵性类别识别方法包括以下步骤：
24.s101：获取混凝土下料过程的下料图像。
25.具体的，下料过程可以为混凝土由搅拌车下料至泵车。也就是说，获取混凝土由搅拌车下料至泵车时的下料图像。示例的，可以通过设置在料斗灯杆处或者料斗正上方的摄像装置来获取混凝土由搅拌车下料至泵车时的下料图像。其中，下料图像可以为rgb图像。
26.s102：确定所述下料图像中的混凝土区域图像。
27.具体的，确定所述下料图像中的混凝土区域图像可以采用以下步骤：将所述下料图像输入到经过训练的目标检测模型中进行识别得到混凝土区域定位框；利用所述混凝土区域定位框裁剪所述下料图像得到所述混凝土区域图像。示例的，目标检测模型可以为基于yolo算法或ssd算法建立的模型，由此目标检测的准确性好，运算速度快。
28.更加具体的，所述利用所述混凝土区域定位框裁剪所述下料图像得到所述混凝土区域图像包括以下两种情况。
29.第一种情况为，当所述混凝土区域定位框为一个时，利用所述混凝土区域定位框裁剪所述下料图像中得到裁剪图像，根据所述裁剪图像得到所述混凝土区域图像。
30.第二种情况为，当所述混凝土区域定位框为多个时，针对任一混凝土区域定位框，利用该混凝土区域定位框裁剪所述下料图像得到与该混凝土区域定位框相对应的裁剪图像；遍历每个所述混凝土区域定位框，得到与每个所述混凝土区域定位框相对应的裁剪图像；将多个裁剪图像进行融合得到所述混凝土区域图像。
31.示例的，如图2所示，将下料图像输入到的经过训练的目标检测模型中，得到两个混凝土区域定位框，即第一混凝土区域定位框1和第二混凝土区域定位框2。
32.利用第一混凝土区域定位框1裁剪下料图像得到与第一混凝土区域定位框1相对应的第一裁剪图像，其中第一裁剪图像对应下料过程中的下料混凝土区域；利用第二混凝土区域定位框2裁剪下料图像得到与第二混凝土区域定位框2相对应的第二裁剪图像，其中第二裁剪图像对应下料过程中的堆积混凝土区域。
33.将第一裁剪图像和第二裁剪图像进行融合得到混凝土区域。进一步的，可以采取以下方法对目标检测模型进行训练：获取训练图像集，其中所述训练图像集中包括以下中的至少一种：包含下料混凝土区域的训练图像、包含堆积混凝土区域的训练图像、包含网面以下混凝土区域的训练图像；利用所述训练图像集对所述目标检测模型进行训练得到所述经过训练的目标检测模型。具体的，所述网面为在混凝土下料过程中用于拦截混凝土中的
杂质的拦截面。进一步的，在确定所述下料图像中的混凝土区域图像之前，还包括：对下料图像进行预处理，其中预处理包括但不限于降噪处理，生成灰度图等。
34.s103：用经过训练的分类模型对所述混凝土区域图像进行计算，得到所述混凝土的可泵性类别。具体的，可以采取以下方法对分类模型进行训练：获取与预设的可泵性类别集合中的每个可泵性类别相对应的多个图像；利用与每个可泵性类别相对应的多个图像对所述分类模型进行训练得到所述经过训练的分类模型。示例的，所述分类模型可以为基于fcn算法建立的模型。
35.具体的，所述可泵性类别集合中的可泵性类别包括：含水率小于等于预设的第一阈值的正常含水混凝土、含水率大于所述第一阈值且小于等于预设的第二阈值的半含水混凝土、含水率大于所述第二阈值的全含水混凝土；其中所述正常含水混凝土包括粗骨料含量小于等于预设的第三阈值的低粗骨料含量混凝土、粗骨料含量大于所述第三阈值且小于等于预设的第四阈值的中粗骨料含量混凝土、粗骨料含量大于所述第四阈值的高粗骨含量料混凝土。
36.这是因为，如表1所示，混凝土按照含水量的不同可以分为正常含水混凝土、半含水混凝土、全含水混凝土。具体的，正常含水混凝土为在混凝土区域图像中不存在明显水的混凝土，即混凝土区域图像中水所占的面积与所述混凝土区域图像总面积的比值(也可称为含水率)小于等于预设的第一阈值的混凝土；半含水混凝土为在混凝土区域图像中存在明显水但明显水较少的混凝土，即混凝土区域图像中水所占的面积与所述混凝土区域图像总面积的比值大于所述第一阈值且小于等于预设的第二阈值的混凝土；全含水混凝土为在混凝土区域图像中存在明显水且明显水较多的混凝土，即混凝土区域图像中水所占的面积与所述混凝土区域图像总面积的比值大于所述第二阈值的混凝土。示例的，第一阈值可以为30％，即混凝土区域图像中水所占的面积与所述混凝土区域图像总面积的比值为30％；第二阈值可以为70％，即混凝土区域图像中水所占的面积与所述混凝土区域图像总面积的比值为70％。
37.表1按照含水率不同对混凝土进行分类得到的可泵性类别
[0038][0039]
进一步的，如表2正常含水混凝土按照粗骨料含量的不同，又可分为低粗骨料含量混凝土、中粗骨料含量混凝土和高粗骨料含量混凝土。具体的，低粗骨料含量混凝土为在混凝土区域图像中粗骨料所占的面积与混凝土区域图像总面积的比值(也可称为粗骨料含量、粗骨料占比)小于等于预设的第三阈值，中粗骨料含量混凝土为在混凝土区域图像中粗骨料所占的面积与所述混凝土区域图像总面积的比值大于所述第三阈值且小于等于预设的第四阈值，高粗骨含量料混凝土为在混凝土区域图像中粗骨料所占的面积与所述混凝土区域图像总面积的比值大于所述第四阈值。示例的，第三阈值可以为30％，即混凝土区域图
像中粗骨料所占的面积与所述混凝土区域图像总面积的比值为30％；第四阈值可以为70％，即混凝土区域图像中粗骨料所占的面积与所述混凝土区域图像总面积的比值为70％。
[0040]
表2对正常含水混凝土进行分类得到的可泵性类别
[0041][0042]
更进一步的，如表3所示，按照粗骨料的种类进行分类，低粗骨料含量混凝土又可分为第一卵石混凝土、第一碎石混凝土和第一混合混凝土。
[0043]
表3按照粗骨料的类别对低粗骨料含量混凝土进行分类得到的可泵性类别
[0044][0045][0046]
如表4所示，按照粗骨料的种类进行分类，中粗骨料含量混凝土又可分为第二卵石混凝土、第二碎石混凝土和第二混合混凝土。
[0047]
表4按照粗骨料的类别对中粗骨料含量混凝土进行分类得到的可泵性类别
[0048][0049]
如表5所示，按照粗骨料的种类进行分类，高粗骨料含量混凝土又可分为第三卵石混凝土、第三碎石混凝土和第三混合混凝土。
[0050]
类别标签可泵性类别
类别标签131第三卵石混凝土，即卵石占比大于70％类别标签132第三碎石混凝土，即碎石占比大于70％类别标签132第三混合混凝土，即碎石和卵石的总占比大于70％
[0051]
同上，卵石占比为在混凝土区域图像中卵石所占的面积与所述混凝土区域图像总面积的比值；碎石占比为在混凝土区域图像中碎石所占的面积与所述混凝土区域图像总面积的比值；碎石和卵石的总占比为在混凝土区域图像中碎石和卵石所占的面积与所述混凝土区域图像总面积的比值。
[0052]
具体的，在第一卵石混凝土、第二卵石混凝土和第三卵石混凝土中，粗骨料的种类主要为卵石；在第一碎石混凝土、第二碎石混凝土和第三碎石混凝土中，粗骨料的种类主要为碎石；在第一混合混凝土、第二混合液混凝土和第三混合混凝土中，粗骨料为卵石和碎石的混合物。示例的，当粗骨料中，卵石与碎石的比例为3：7、4：6、5：5或碎石与卵石的比例为3：7、4：6、5：5时，则认为粗骨料的种类属于混合物，否则如果粗骨料中卵石的量大于碎石的量，则认为粗骨料的种类主要为卵石，如果粗骨料中碎石的量大于卵石的量，则认为粗骨料的种类主要为碎石。
[0053]
具体的，分类模型输出的可泵性类别可以用可泵性类别的内容表示，也可以用类别标签表示。不同的可泵性类别对可泵性的影响不同。
[0054]
进一步的，在将所述混凝土区域输入到经过训练的分类模型中得到所述混凝土的可泵性类别之后，还包括：当所述混凝土的可泵性类别属于预设的报警范围时，进行报警。
[0055]
示例的，当分类模型输出的可泵性类别为类别标签3，即为全含水状态混凝土时，进行报警。
[0056]
本发明实施例1的混凝土可泵性类别识别方法、装置及电子设备，通过获取混凝土由搅拌车下料至泵车时的下料图像，识别所述下料图像中的混凝土区域，将所述混凝土区域输入到经过训练的分类模型中得到所述混凝土的可泵性类别，也就是说，仅通过下料图像就能得到混凝土的可泵性类别，由此可以在泵车施工前就能得知混凝土的可泵性，可以避免泵车施工过程中的风险。
[0057]
为了更加详细的说明本发明实施例1的混凝土可泵性类别识别方法，给出一个具体的示例，该示例包括以下步骤：
[0058]
1、rgb相机获取数据流并传入边缘计算盒子设备。
[0059]
2、对rgb图像进行预处理，具体包括但不局限于降噪处理，生成灰度图等。
[0060]
3、使用深度学习目标检测模型裁剪图像数据帧，具体为输出模型得到的定位框坐标，得到图像内大部分占比都是混凝土的图像，并传导到下游任务。
[0061]
4、将第3步得到的图像输入到深度学习分类模型中得到类别标签数字。
[0062]
5、将第4步得到的混凝土类别标签数字传输到泵车控制器并最终回传到数据库服务器后台。
[0063]
由此可见，本发明实施例1的混凝土可泵性类别识别方法具备如下优点：
[0064]
(1)只采用传统计算机视觉的经典算法，成本低；能够对倒入到泵车的混凝土进行可泵性分析，得到重要的参数，具有极高的应用价值；
[0065]
(2)能够检测到混凝土中含水过多的情况，能够对因此出现的离析现象进行提前预警，有效避免以此带来的泵车堵管。
[0066]
实施例2
[0067]
与本发明实施例1相对应，本发明实施例2提供了一种混凝土可泵性类别识别装置。图3为本发明实施例2中混凝土可泵性类别识别装置的结构示意图，如图3所示，本发明实施例2的混凝土可泵性类别识别装置包括获取模块20、第一处理模块21和第二处理模块22。
[0068]
其中，获取模块20，用于获取混凝土下料过程的下料图像；
[0069]
第一处理模块21，用于确定所述下料图像中的混凝土区域图像；
[0070]
第二处理模块22，用于用经过训练的分类模型对所述混凝土区域图像进行计算，得到所述混凝土的可泵性类别。
[0071]
所述第一处理模块21具体用于：将所述下料图像输入到经过训练的目标检测模型中进行识别得到混凝土区域定位框；利用所述混凝土区域定位框裁剪所述下料图像得到所述混凝土区域图像。
[0072]
更加具体的，所述第一处理模块21用于：当所述混凝土区域定位框为一个时，利用所述混凝土区域定位框裁剪所述下料图像得到裁剪图像，根据所述裁剪图像得到所述混凝土区域图像；当所述混凝土区域定位框为多个时，针对任一混凝土区域定位框，利用该混凝土区域定位框裁剪所述下料图像得到与该混凝土区域定位框相对应的裁剪图像；遍历每个所述混凝土区域定位框，得到与每个所述混凝土区域定位框相对应的裁剪图像；将多个裁剪图像进行融合得到所述混凝土区域图像。
[0073]
进一步的，本发明实施例2的混凝土可泵性类别识别装置还包括目标检测模型训练模块23。所述目标检测模型训练模块23具体用于：获取训练图像集，其中所述训练图像集中的训练图像包括以下中的至少一种：包含下料混凝土区域的训练图像、包含堆积混凝土区域的训练图像、包含网面以下混凝土区域的训练图像；利用所述训练图像集对所述目标检测模型进行训练得到所述经过训练的目标检测模型。
[0074]
进一步的，本发明实施例2的混凝土可泵性类别识别装置还包括分类模型训练模块24。所述分类模型训练模块具体用于：获取与预设的可泵性类别集合中的每个可泵性类别相对应的多个图像；利用与每个可泵性类别相对应的多个图像对所述分类模型进行训练得到所述经过训练的分类模型。
[0075]
上述混凝土可泵性类别识别装置具体细节可以对应参阅图1至图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0076]
实施例3
[0077]
本发明实施例3还提供了一种电子设备，该电子设备包括摄像装置和处理器。所述摄像装置用于拍摄混凝土下料过程的下料图像；所述摄像装置和所述处理器通信连接。
[0078]
具体的，摄像装置设置在料斗灯杆处或者料斗正上方。
[0079]
处理器包括处理单元和存储单元，处理单元可以采用中央处理器(central processing unit，cpu)，还可以采用数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0080]
存储单元作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非
暂态计算机可执行程序以及模块，如本发明实施例中的混凝土可泵性类别识别方法对应的程序指令/模块(例如，图3所示的获取模块20、第一处理模块21、第二处理模块22、目标检测模型训练模块23和分类模型训练模块24)。处理器通过运行存储在存储单元中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的混凝土可泵性类别识别方法。
[0081]
存储单元可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储单元可以包括高速随机存取存储单元，还可以包括非暂态存储单元，例如至少一个磁盘存储单元件、闪存器件、或其他非暂态固态存储单元件。在一些实施例中，存储单元可选包括相对于处理器远程设置的存储单元，这些远程存储单元可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0082]
所述一个或者多个模块存储在所述存储单元中，当被所述处理器执行时，执行如图1至图2所示实施例中的混凝土可泵性类别识别方法。
[0083]
进一步的，电子设备还包括控制器和报警装置，所述控制器与所述处理器通信连接，所述报警装置与所述控制器通信连接。
[0084]
上述电子设备具体细节可以对应参阅图1至图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0085]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一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的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储单元(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储单元的组合。
[0086]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。