【技术实现步骤摘要】
在本专利技术涉及混凝土坍落度的预测，尤其涉及一种基于不同工况的图像检测坍落度模型迁移使用方法。
技术介绍
1、在混凝土生产过程中，混凝土的质量控制是非常重要的。其中，混凝土坍落度是评价混凝土性能的重要指标之一，在生产过程中需要对其加以检测。然而，传统的混凝土坍落度检测方法存在一些缺陷，如流程繁琐、测量误差大、滞后性等。
2、近年来，随着计算机视觉技术的发展，基于图像的混凝土坍落度检测方法逐渐受到关注，这种方法能够通过对混凝土搅拌过程中的视频进行分析，实现对混凝土坍落度的实时监测。
3、然而，由于不同工况下混凝土搅拌过程存在差异性，导致截取到的图像特征区域存在较大的不同，难以实现稳定、准确的监测；同时，对于不同的混凝土搅拌站，其采集的搅拌视频数据具有多样性，需要对大量的混凝土视频样本进行人工标注和数据采集，重新制作坍落度预测模型，耗费时间与成本。
技术实现思路
1、本专利技术公开一种基于不同工况的图像检测坍落度模型迁移使用方法，主要解决不同工况下混凝土搅拌过程的差异性，导致截取到的图像特征区域存在较大的不同，难以实现稳定、准确的监测的问题。
2、为实现所述目的，本专利技术的技术方案是这样实现的：
3、本专利技术提供一种基于不同工况的图像检测坍落度模型迁移使用方法，包括以下步骤，
4、s1.获取以往混凝土的生产数据并进行标签：获取以往混凝土搅拌视频数据、生产要求数据、搅拌过程的电流曲线数据，并利用电流曲线特征的分布进行坍落度标
5、s2.获取以往混凝土搅拌视频数据并进行预处理：获取以往混凝土搅拌视频数据，并筛选出混凝土搅拌视频数据中混凝土搅拌均匀视频数据，截取混凝土搅拌均匀视频并处理成图像序列，将图像序列截取出roi区域作为数据集;
6、s3.建立初始混凝土坍落度检测模型：获取截取roi区域后的图像序数据集列输入到3d卷积神经网络模型中，利用nas（neural architecture search）的方法搜索最佳的数据增强策略并应用到3d卷积神经网络模型中进行训练，得到图像数据与对应坍落度标签映射关系的初始混凝土坍落度检测模型;
7、s4.初始混凝土坍落度检测模型的迁移：将初始混凝土坍落度检测模型运用到新搅拌站中，以s1和s2的步骤方法得到部分新搅拌站处理后赋予有坍落度标签和截取roi区域后的图像序列，并将其输入到初始混凝土坍落度检测模型中进行训练，得到迁移后的混凝土坍落度检测模型。
8、在一种实施方式中，所述roi区域的截取方法为将图像序列中对应搅拌机搅拌叶片的位置进行定位，提取出搅拌叶片的边界轮廓线，并获取边界取轮廓线上的一个坐标点为绝对坐标，以该绝对坐标作为基准进行截取，得到roi区域。
9、在一种实施方式中，所述绝对坐标的位置为边界轮廓线上左下角的坐标点。
10、在一种实施方式中，所述roi区域截取后的图像序列中的前80帧图像作为初始帧，并分别向后选取160帧图像作为一个图像序列，并使用时间分辨率对图像序列进行降采样，降低模型的计算复杂程度。
11、在一种实施方式中，所述nas（neural architecture search）的方法包括一个搜索空间，该搜索空间包括多种数据增强策略，每种数据增强策略包括图像处理函数和图像处理函数的使用概率，使用预定义的图像处理函数的使用概率选择图像处理函数，并将其运用于图像序列中，得到多个数据子集，并采用交叉验证的方法，在多个数据子集上评估各种数据增强策略的性能，并根据评估结果调整搜索空间的概率分布参数或添加新的图像处理函数，直到搜索到最佳的数据增强策略。
12、在一种实施方式中，所述3d卷积神经网络模型包括输入层、隐藏层和输出层，输入层用于接收时间步长、宽度和高度的三维输入数据，隐藏层包括两个3d卷积层、两个批量归一化层、两个relu激活函数、最大池化层和全连接层，3d卷积层、批量归一化层、relu激活函数、最大池化层和全连接层依次连接，第一个3d卷积层采用32个3d卷积核，3d卷积核大小为5×5×5，第二个卷积层采用48个3d卷积核，3d卷积核大小为3×3×3，最大池化层包括3d池化核，3d池化核大小为 2×2×2。
13、在一种实施方式中，所述图像处理函数包括图像的剪切、平移、颜色偏移等函数。
14、在一种实施方式中，所述s4步骤中，通过抽样检测实际混凝土的坍落度，并与迁移后的混凝土坍落度检测模型预测的混凝土坍落度进行误差比较，预设一个误差阈值，当误差小于误差阈值时，则能够继续使用该迁移后的混凝土坍落度检测模型，反之，则继续重复s1和s2的步骤进行模型的更新，直到误差小于阈值。
15、上述技术方案中的优点或有益效果至少包括：采用获取以往混凝土的生产数据并进行标签、获取以往混凝土搅拌视频数据并进行预处理和建立初始混凝土坍落度检测模型的方法对搅拌均匀视频进行图像处理和初始模型的建立，采用初始混凝土坍落度检测模型的迁移的方法能够将新搅拌站的搅拌均匀视频进行图像处理，并使处理后的图像序列与建模型时用的一致，以便于将其运用至初始模型中，从而能够快速的对模型的更新，并得到适用的模型，减少了人工试验标注的工作量，节省时间和成本，通过混凝土生产过程中对坍落度的实时检测，可及时调整生产配方，提高混凝土生产的效率和质量。
本文档来自技高网...【技术保护点】
1.一种基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，包括以下步骤，
2.如权利要求1所述的基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，所述ROI区域的截取方法为将图像序列中对应搅拌机搅拌叶片的位置进行定位，提取出搅拌叶片的边界轮廓线，并获取边界取轮廓线上的一个坐标点为绝对坐标，以该绝对坐标作为基准进行截取，得到ROI区域。
3.如权利要求2所述的基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，所述绝对坐标的位置为边界轮廓线上左下角的坐标点。
4.如权利要求2所述的基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，所述ROI区域截取后的图像序列中的前80帧图像作为初始帧，并分别向后选取160帧图像作为一个图像序列，并使用时间分辨率对图像序列进行降采样，降低模型的计算复杂程度。
5.如权利要求1所述的基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，所述NAS（Neural Architecture Search）的方法包括一个搜索空间，该搜索空间包括多种数据增强策略，每种数据增强策
6.如权利要求1所述的基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，所述3D卷积神经网络模型包括输入层、隐藏层和输出层，输入层用于接收时间步长、宽度和高度的三维输入数据，隐藏层包括两个3D卷积层、两个批量归一化层、两个ReLU激活函数、最大池化层和全连接层，3D卷积层、批量归一化层、ReLU激活函数、最大池化层和全连接层依次连接，第一个3D卷积层采用32个3D卷积核，3D卷积核大小为5×5×5，第二个卷积层采用48个3D卷积核，3D卷积核大小为3×3×3，最大池化层包括3D池化核，3D池化核大小为2×2×2。
7.如权利要求5所述的基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，所述图像处理函数包括图像的剪切、平移、颜色偏移的函数。
8.如权利要求1所述的基于不同工况的图像检测坍落度模型迁移使用方法，所述S4步骤中，通过抽样检测实际混凝土的坍落度，并与迁移后的混凝土坍落度检测模型预测的混凝土坍落度进行误差比较，预设一个误差阈值，当误差小于误差阈值时，则能够继续使用该迁移后的混凝土坍落度检测模型，反之，则继续重复S1和S2的步骤进行模型的更新，直到误差小于阈值。
...【技术特征摘要】
1.一种基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，包括以下步骤，
2.如权利要求1所述的基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，所述roi区域的截取方法为将图像序列中对应搅拌机搅拌叶片的位置进行定位，提取出搅拌叶片的边界轮廓线，并获取边界取轮廓线上的一个坐标点为绝对坐标，以该绝对坐标作为基准进行截取，得到roi区域。
3.如权利要求2所述的基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，所述绝对坐标的位置为边界轮廓线上左下角的坐标点。
4.如权利要求2所述的基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，所述roi区域截取后的图像序列中的前80帧图像作为初始帧，并分别向后选取160帧图像作为一个图像序列，并使用时间分辨率对图像序列进行降采样，降低模型的计算复杂程度。
5.如权利要求1所述的基于不同工况的图像检测坍落度模型迁移使用方法，其特征在于，所述nas（neural architecture search）的方法包括一个搜索空间，该搜索空间包括多种数据增强策略，每种数据增强策略包括图像处理函数和图像处理函数的使用概率，使用预定义的图像处理函数的使用概率选择图像处理函数，并将其运用于图像序列中，得到多个数据子集，并采用交叉验证的方法，在多个数据...
【专利技术属性】
技术研发人员：杨建红，房怀英，黄文景，林柏宏，韩明芝，张宝裕，黄伟晴，
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：
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。