【技术实现步骤摘要】
管桩外观质量检验方法、系统、计算机设备及存储介质
本专利技术涉及管桩生产，尤其涉及管桩外观质量检验方法、系统、计算机设备及存储介质。
技术介绍
在目前的管桩生产过程中，当产品产量大、检查项目多时，检验员在高强度重复性工作的生产线上由于长时间用眼会造成视觉疲劳，检验员在高强度工作环境下难免出现磕碰等安全问题，检验员在视觉疲劳时会出现漏检和误检的现象。
技术实现思路
本专利技术所要解决的技术问题在于，提供一种管桩外观质量检验方法、系统、计算机设备及存储介质，能够解决现有人工检验预应力混凝土管桩方式劳动强度大、安全性差、效率低等缺点。为了解决上述技术问题，本专利技术提供了管桩外观质量检验方法，包括：获取待检验管桩的外观图像；根据所述外观图像获取需要检验的目标图像；将所述目标图像输入预先构建的质量检验模型，获得检验值；当所述检验值小于预设阈值时，所述待检验管桩的外观质量合格。优选地，所述质量检验模型的构建方法包括：将外观质量合格的管桩外观样本图片输入质量检验模型进行训练，其中，所述质量检验模型包括依次连接...
【技术保护点】
1.管桩外观质量检验方法，其特征在于，包括：/n获取待检验管桩的外观图像；/n根据所述外观图像获取需要检验的目标图像；/n将所述目标图像输入预先构建的质量检验模型，获得检验值；/n当所述检验值小于预设阈值时，所述待检验管桩的外观质量合格。/n
【技术特征摘要】
1.管桩外观质量检验方法，其特征在于，包括：
获取待检验管桩的外观图像；
根据所述外观图像获取需要检验的目标图像；
将所述目标图像输入预先构建的质量检验模型，获得检验值；
当所述检验值小于预设阈值时，所述待检验管桩的外观质量合格。
2.如权利要求1所述的管桩外观质量检验方法，其特征在于，所述质量检验模型的构建方法包括：
将外观质量合格的管桩外观样本图片输入质量检验模型进行训练，其中，所述质量检验模型包括依次连接的第一卷积层、第一次池化层、第二卷积层、第二池化层、第一全连接层以及第二全连接层。
3.如权利要求2所述的管桩外观质量检验方法，其特征在于，根据所述外观图像获得需要检验的目标图像的步骤包括：
通过将所述外观图像输入目标模型以获得目标图像，其中，所述目标模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述目标模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出目标图像，其中：
所述第一卷积层的channel为16、kernel为7、stride为2；
所述第一池化层的kernel为3、stride为2，最大池化；
所述第一残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为32、kernel均为3、stride均为1，两个卷积层依次连接；
所述第二残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为64、kernel为1、stride为2的卷积层；
所述第三残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为128、kernel为1、stride为2的卷积层；
所述第四残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为256、kernel为1、stride为2的卷积层；
所有卷积层后均与激活函数连接；
所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以0。
4.如权利要求1所述的管桩外观质量检验方法，其特征在于，在所述获取待检验管桩的外观图像的步骤之后还包括：
将所述外观图像进行预处理。
5.管桩外观质量检验系统，其特征在于，包括：包括外观图像获取模块、目标图像获取模块、外观质量检验模块以及判断模块；
所述图像获...
【专利技术属性】
技术研发人员：王成伟，邓海飞，
申请(专利权)人：广东三和管桩股份有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。