基于深度学习的混凝土配方调整方法、装置及可读介质制造方法及图纸

本发明专利技术公开了一种基于深度学习的混凝土配方调整方法、装置及可读介质，通过目标检测模型对实时采集的搅拌图像中的混凝土区域图像进行提取和预处理，得到处理后的混凝土区域图像，并计算出图像灰度直方图，得到灰度均值变化曲线；建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，并确定混凝土的工作性能的预测值；采用实例分割模型对骨料图像进行分割，得到分割结果，基于分割结果确定骨料的级配；建立混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，基于工作性能的预测值、骨料的级配和第二关系调整用水量和/或骨料的用量，重复以上以使工作性能满足要求。本发明专利技术能对混凝土配方实时调整，提高效率。提高效率。提高效率。

【技术实现步骤摘要】
基于深度学习的混凝土配方调整方法、装置及可读介质


[0001]本专利技术涉及工业化智能控制领域，具体涉及一种基于深度学习的混凝土配方调整方法、装置及可读介质。

技术介绍

[0002]混凝土配合比设计通常在实验室条件下进行，施工现场使用时再微调。然而该配比是在一种砂、石情况下测定，往往在生产时会使用不同来源的砂、石原料。砂、石的粒形参数、含水率等对混凝土工作性能(包括坍落度、坍落扩展度等等)的影响较大。因此，需要通过测定砂、石参数来调整混凝土配比。
[0003]混凝土的工作性能在混凝土出机后由相关检测人员使用检测仪器进行相应指标的测量。通常，调整砂、石用料后必须进行工作性能检测。这带来三类问题：一是调整砂、石用量使混凝土工作性能满足要求可能经过循环往复的多轮调整，浪费人工与时间；二是混凝土出机后，一旦检测不合格，那么整盘混凝土只能废弃，造成资源浪费。三是同一批次的砂、石原料表里的含水率也会有一定不同，混凝土工作性能会有所差异。因此，目前迫切需要一种可以在混凝土生产过程中实时检测砂、石参数以及混凝土工作性能的方法。

技术实现思路

[0004]针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于深度学习的混凝土配方调整方法、装置及可读介质，来解决以上
技术介绍
部分提到的技术问题。
[0005]第一方面，本申请的实施例提供了一种基于深度学习的混凝土配方调整方法，包括以下步骤：
[0006]S1，获取混凝土搅拌过程中的搅拌图像，通过目标检测模型对搅拌图像中的混凝土区域图像进行提取，并对混凝土区域图像进行预处理，得到处理后的混凝土区域图像；
[0007]S2，基于处理后的混凝土区域图像计算出图像灰度直方图，并根据图像灰度直方图计算灰度均值，得到灰度均值变化曲线；
[0008]S3，建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，根据灰度均值变化曲线和第一关系确定搅拌图像中混凝土的工作性能的预测值；
[0009]S4，获取混凝土搅拌前的骨料图像，采用实例分割模型对骨料图像进行分割，得到分割结果，基于分割结果确定混凝土搅拌过程中的骨料的级配；
[0010]S5，建立不同骨料的级配所对应的混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，根据搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，并基于混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，重复步骤S1
‑
S5以使混凝土的工作性能满足要求。
[0011]在一些实施例中，步骤S5中根据搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，具体包括：
[0012]判断搅拌图像中混凝土的工作性能的预测值是否超过预设阈值范围，若是，则需要调整混凝土搅拌过程中的用水量和/或骨料的用量；否则不需要调整混凝土搅拌过程中的用水量和/或骨料的用量。
[0013]在一些实施例中，混凝土的工作性能为混凝土的坍落度，第一关系中坍落度与灰度均值变化曲线中的灰度均值的波动区间一一对应，第二关系中坍落度的变化值与用水量和/或骨料的用量的变化值一一对应，步骤S5中基于混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，具体包括：
[0014]若混凝土的坍落度的预测值低于预设阈值范围，则根据第二关系中坍落度的增加值与用水量增加值的关系增加凝土搅拌过程中的用水量；
[0015]若混凝土的坍落度的预测值高于预设阈值范围，则根据混凝土搅拌过程中的骨料的级配所对应的第二关系中坍落度的降低值与骨料用量的增加量的关系调整凝土搅拌过程中的骨料用量的增加量。
[0016]在一些实施例中，目标检测模型为经训练的第一Mask
‑
Rcnn神经网络，实例分割模型为经训练的第二Mask
‑
Rcnn神经网络，第一Mask
‑
Rcnn神经网络和第二Mask
‑
Rcnn神经网络的骨干网络为Resnet50。
[0017]在一些实施例中，步骤S1中对混凝土区域图像进行预处理，具体包括：
[0018]对混凝土区域图像进行二值化处理，得到二值化后的混凝土区域图像；
[0019]将二值化后的混凝土区域图像中的背景部分进行滤除，得到处理后的混凝土区域图像。
[0020]在一些实施例中，步骤S2中采用OpenCV中calcHist函数计算出图像灰度直方图，图像灰度直方图记录的是处理后的混凝土区域图像中不同的灰度值所对应的像素数量，灰度均值为处理后的混凝土区域图像中所有像素点灰度值的总和与像素个数之间的比值。
[0021]在一些实施例中，步骤S4中基于分割结果确定混凝土搅拌过程中的骨料的级配，具体包括：
[0022]根据分割结果得到骨料图像中每个颗粒的轮廓；
[0023]基于每个颗粒的轮廓采用OpenCV中fitEllipse函数计算得出每个颗粒的轮廓的拟合椭圆以及相应短径；
[0024]根据短径大小分别判断每个颗粒所属的粒径范围；
[0025]对每个颗粒所属的粒径范围进行统计，获得骨料的级配。
[0026]第二方面，本申请的实施例提供了一种基于深度学习的混凝土配方调整装置，包括：
[0027]搅拌图像获取模块，被配置为获取混凝土搅拌过程中的搅拌图像，通过目标检测模型对搅拌图像中的混凝土区域图像进行提取，并对混凝土区域图像进行预处理，得到处理后的混凝土区域图像；
[0028]灰度均值计算模块，被配置为基于处理后的混凝土区域图像计算出图像灰度直方图，并根据图像灰度直方图计算灰度均值，得到灰度均值变化曲线；
[0029]工作性能预测模块，被配置为建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，根据灰度均值变化曲线和第一关系确定搅拌图像中混凝土的工作性能的预测
值；
[0030]骨料级配计算模块，被配置为获取混凝土搅拌前的骨料图像，采用实例分割模型对骨料图像进行分割，得到分割结果，基于分割结果确定混凝土搅拌过程中的骨料的级配；
[0031]调整模块，被配置为建立不同骨料的级配所对应的混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，根据搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，并基于混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，重复执行搅拌图像获取模块至调整模块以使混凝土的工作性能满足要求。
[0032]第三方面，本申请的实施例提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的混凝土配方调整方法，其特征在于，包括以下步骤：S1，获取混凝土搅拌过程中的搅拌图像，通过目标检测模型对所述搅拌图像中的混凝土区域图像进行提取，并对所述混凝土区域图像进行预处理，得到处理后的混凝土区域图像；S2，基于所述处理后的混凝土区域图像计算出图像灰度直方图，并根据所述图像灰度直方图计算灰度均值，得到灰度均值变化曲线；S3，建立灰度均值变化曲线与混凝土的工作性能之间的第一关系，根据所述灰度均值变化曲线和所述第一关系确定所述搅拌图像中混凝土的工作性能的预测值；S4，获取混凝土搅拌前的骨料图像，采用实例分割模型对所述骨料图像进行分割，得到分割结果，基于所述分割结果确定混凝土搅拌过程中的骨料的级配；S5，建立不同骨料的级配所对应的混凝土的工作性能的变化值与用水量的变化值和/或骨料的用量的变化值之间的第二关系，根据所述搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，并基于所述混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和所述第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，重复步骤S1
‑
S5以使所述混凝土的工作性能满足要求。2.根据权利要求1所述的基于深度学习的混凝土配方调整方法，其特征在于，所述步骤S5中根据所述搅拌图像中混凝土的工作性能的预测值判断是否需要调整混凝土搅拌过程中的用水量和/或骨料的用量，具体包括：判断所述搅拌图像中混凝土的工作性能的预测值是否超过预设阈值范围，若是，则需要调整混凝土搅拌过程中的用水量和/或骨料的用量；否则不需要调整混凝土搅拌过程中的用水量和/或骨料的用量。3.根据权利要求2所述的基于深度学习的混凝土配方调整方法，其特征在于，所述混凝土的工作性能为混凝土的坍落度，所述第一关系中所述坍落度与灰度均值变化曲线中的灰度均值的波动区间一一对应，所述第二关系中所述坍落度的变化值与所述用水量和/或骨料的用量的变化值一一对应，所述步骤S5中基于所述混凝土的工作性能的预测值、混凝土搅拌过程中的骨料的级配和所述第二关系调整混凝土搅拌过程中的用水量和/或骨料的用量，具体包括：若混凝土的坍落度的预测值低于所述预设阈值范围，则根据所述第二关系中所述坍落度的增加值与用水量增加值的关系增加凝土搅拌过程中的用水量；若混凝土的坍落度的预测值高于所述预设阈值范围，则根据所述混凝土搅拌过程中的骨料的级配所对应的第二关系中所述坍落度的降低值与骨料用量的增加量的关系调整凝土搅拌过程中的骨料用量的增加量。4.根据权利要求1所述的基于深度学习的混凝土配方调整方法，其特征在于，所述目标检测模型为经训练的第一Mask
‑
Rcnn神经网络，所述实例分割模型为经训练的第二Mask
‑
Rcnn神经网络，所述第一Mask
‑
Rcnn神经网络和所述第二Mask
‑
Rcnn神经网络的骨干网络为...

【专利技术属性】
技术研发人员：杨建红，林柏宏，黄文景，房怀英，张宝裕，黄骁明，陈海生，
申请(专利权)人：福建南方路面机械股份有限公司，
类型：发明
国别省市：