【技术实现步骤摘要】
本专利技术涉及混凝土构件检测，具体而言，涉及一种预制混凝土构件结合面粗糙质量检测方法和装置。
技术介绍
1、在装配式混凝土结构中存在着大量结合面，常见于预制梁、预制柱、预制剪力墙、预制板等构件与后浇混凝土的连接部位。这些结合面往往处于结构受力较大或较复杂的部位，而其受剪或受拉性能往往弱于整浇混凝土，成为结构的薄弱界面。
2、为确保新旧混凝土结合良好，国内外一些规范对混凝土结合面提出了粗糙处理的要求，如中国标准《装配式混凝土结构技术规程》jgj 1-2014要求“预制构件与后浇混凝土、灌浆料、坐浆材料的结合面应设置粗糙面、键槽”。
3、经调研分析，结合面的施工工艺以及粗糙度对结合面的受剪与受拉性能均有重要影响。此外，结合面质量缺陷也是影响结合面粗糙质量的一个重要因素。部分质量缺陷可能导致结合面粗糙度偏小；部分质量缺陷可能导致结合面粗糙度“偏大”；还有部分质量缺陷则可能造成污染，不利于新旧混凝土的结合。这些质量缺陷可能导致结合面受力性能的削弱，或引起结合面粗糙度的误判，故工程中须对其加以重视。
4、因此，研发一项高效可靠的混凝土结合面粗糙质量智能化检测方法并建立适用于工程的抽样检测方法，从而实现结合面粗糙质量的标准化评价，提高质量检测的信息化、智能化水平，充实智能建造技术体系，对于保障装配式混凝土结构施工质量具有重要作用。
技术实现思路
1、鉴于上述问题，本专利技术提供了一种预制混凝土构件结合面粗糙质量检测方法和装置，解决了国内的混凝土结合面粗糙质量
2、为解决上述技术问题，本专利技术采用的技术方案是：输入待检混凝土构件的项目信息，所述项目信息包括项目编号、结合面类型、检测人员和检验批容量；将检测装置正确放置在待检混凝土构件的结合面上后，分批次分测区进行数据采集，获得结合面的彩色图和深度图；基于所述彩色图，调用建立的施工工艺识别模型，识别出结合面的施工工艺；根据所述施工工艺，调用建立的质量缺陷识别模型，识别出结合面的质量缺陷数据；基于所述深度图，采用结合面粗糙度检测算法计算结合面的凹凸深度和粗糙度；根据所述凹凸深度和粗糙度，分别对不同施工工艺结合面的粗糙度进行修正，获得最终的粗糙度；判断抽样数量是否满足要求，若是，则输出评定结果，所述评定结果包括施工工艺、质量缺陷数据、凹凸深度和粗糙度，若否，则重新进行数据采集。
3、作为优选方案，所述施工工艺识别模型的建立方法，包括如下步骤：构建施工工艺深度学习数据集，所述数据集包括训练集和测试集；采用训练集对深度学习模型进行训练，并采用测试集对深度学习模型进行评估；根据所述深度学习模型在测试集上的误差，采用贝叶斯优化算法搜索超参数并重新训练所述深度学习模型；重复上一步骤k个轮次，从而得到在最佳超参数组合下训练出的深度学习模型；采用混淆矩阵评估深度学习模型的识别精确率与召回率。
4、作为优选方案，所述构建施工工艺深度学习数据集，包括：采集100mm×100mm的混凝土结合面的彩色图，获得原始数据，并根据图像命名规则标注施工工艺；从原始数据中随机抽取若干不同施工工艺的结合面图像，按照4：1的比例将数据划分为训练集与测试集。
5、作为优选方案，所述质量缺陷识别模型的建立方法，包括如下步骤：1)构建质量缺陷深度学习数据集，所述数据集包括训练集和测试集；2)采用训练集对深度学习模型进行训练，并采用测试集对深度学习模型进行评估；3)根据所述深度学习模型在测试集上的误差，采用贝叶斯优化算法搜索超参数并重新训练所述深度学习模型；4)重复步骤3）k个轮次，从而得到在最佳超参数组合下训练出的深度学习模型；采用混淆矩阵评估深度学习模型的识别精确率与召回率。
6、作为优选方案，所述深度学习模型包括resnet18、squeezenet 、mobilenetv2以及shufflenet四种卷积神经网络，则识别模型的建立方法，还包括：对四种卷积神经网络分别进行训练，并比较最终得到的深度学习模型的识别精度与识别效率，从而得到最佳的识别模型。
7、作为优选方案，以实际类别为a的数据为正例，其他例为负例，则所有数据可以分为真正例tp、假正例fp、真反例tn、假反例fn四类：
8、精确率p，定义为：
9、 ；
10、召回率r，定义为：
11、 ；
12、对于整个模型，则有：
13、平均精确率：
14、；
15、平均召回率：
16、。
17、作为优选方案，根据所述深度图，采用所述结合面粗糙度检测算法计算结合面的凹凸深度和粗糙度，包括：将所述深度图变换为n×3的三维点云矩阵格式；采用pca技术找到三维点云的整体法向，从而构建旋转矩阵，将所述三维点云旋转到xoy平面；利用所述三维点云数据阵列分布特点，通过连接相邻点，实现被测结合面的三维模型重建；基于粗糙度与凹凸深度的定义，对所述三维模型的体积与投影面积进行计算，获得粗糙度数据；通过对结构光相机所拍照的不同工艺进行修正后显示最终粗糙度。
18、作为优选方案，在结合面下凹面上的固定位置选取m个点，剔除n个最高点与l个最低点得到m-n-l个有效点；则凹凸深度定义为结合面上凹面m-n-l个点到基准面的平均距离；粗糙度定义为恰好覆盖结合面最高点所需的填充体积v与投影面积s的比值：
19、；
20、其中，v为结合面到其最高点所在水平面的体积；s为结合面在水平面的投影面积；vi是以结合面数字化三维模型上一个三角面为底面，以该三角面在结合面最高点水平面的投影为顶面的不规则六面体的体积。
21、作为优选方案，还包括对剪力键型结合面的粗糙度rt进行修正，具体为： 1）计算平均深度；2）计算高度在hi-t到hi+t之间的点云点数ni；其中，hi大于hmid且小于最高值，并按照0.1mm的步长取值，t为数据误差阈值取为0.6mm，最大ni对应的hi就是基准面高度近似值，记为h0；3）基准面高度h0为h0-t到h0+t之间所有点的均值；4）剪力键型结合面粗糙度修正值为dr1=hmax-h0，修正后的粗糙度为rt-dr1。
22、本专利技术还公开了一种预制混凝土构件结合面粗糙质量检测装置，包括：刚性框架；遮光外壳，其覆盖在所述刚性框架外部，用于固定结构光相机的拍摄角度、检测范围和检测距离；结构光相机，其设于所述刚性框架顶端下部，用于采集结合面数据；开发板，其设于所述刚性框架上，且与所述结构光相机相连，用于处理采集数据，并运行如根据上述任一项所述的预制混凝土构件结合面粗糙质量检测方法；显示屏，其设于所述刚性框架上，用于展示检测结果并提供人机交互界面；电池组，其设于所述刚性框架上，用于提供电能；光源，其设于所述刚性框架顶端下部，用于提供稳定的光照环境。
23、与现有技术相比，本专利技术的有益效果包括：通过检测装置获得混凝土构件结合面的彩色图和深度图，根据彩色本文档来自技高网...
【技术保护点】
1.一种预制混凝土构件结合面粗糙质量检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述施工工艺识别模型的建立方法，包括如下步骤：
3.根据权利要求2所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述构建施工工艺深度学习数据集，包括：
4.根据权利要求1所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述质量缺陷识别模型的建立方法，包括如下步骤：
5.根据权利要求4所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述深度学习模型包括ResNet18、SqueezeNet 、MobileNetV2以及ShuffleNet四种卷积神经网络，则识别模型的建立方法，还包括：对四种卷积神经网络分别进行训练，并比较最终得到的深度学习模型的识别精度与识别效率，从而得到最佳的识别模型。
6.根据权利要求4所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，以实际类别为A的数据为正例，其他例为负例，则所有数据可以分为真正例TP、假正例FP、真反例
7.根据权利要求1所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述结合面粗糙度检测算法，包括如下步骤：
8.根据权利要求7所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，在结合面下凹面上的固定位置选取m个点，剔除n个最高点与l个最低点得到m-n-l个有效点；则
9.根据权利要求8所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，还包括对剪力键型结合面的粗糙度Rt进行修正，具体为：
10.一种预制混凝土构件结合面粗糙质量检测装置，其特征在于，包括：
...【技术特征摘要】
1.一种预制混凝土构件结合面粗糙质量检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述施工工艺识别模型的建立方法，包括如下步骤：
3.根据权利要求2所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述构建施工工艺深度学习数据集，包括：
4.根据权利要求1所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述质量缺陷识别模型的建立方法，包括如下步骤：
5.根据权利要求4所述的预制混凝土构件结合面粗糙质量检测方法，其特征在于，所述深度学习模型包括resnet18、squeezenet 、mobilenetv2以及shufflenet四种卷积神经网络，则识别模型的建立方法，还包括：对四种卷积神经网络分别进行训练，并比较最终得到的深度学习模型的...
【专利技术属性】
技术研发人员：程志军，赵勇，刘继松，董小川，任超洋，汪石农，
申请(专利权)人：南京信瑞智慧建筑科技有限公司，
类型：发明
国别省市：
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。