本發(fā)明涉及混合建筑材料坍落度檢測，具體地說，涉及一種基于機器視覺檢測混合建筑材料坍落度的裝置及方法。

背景技術：

1、一種基于機器視覺檢測混合建筑材料坍落度的裝置及方法旨在實現(xiàn)實時監(jiān)測混合建筑材料狀態(tài)和提高坍落度檢測的精確度和響應速度，通過surf和orb特征點提取算法相結合的方式，配合flannbasedmatcher算法進行特征點匹配與位移計算，實現(xiàn)實時、精準的混合材料坍落度監(jiān)測。

2、現(xiàn)有的混合建筑材料坍落度檢測裝置及方法通常難以在復雜的施工環(huán)境下準確捕捉材料的實時狀態(tài)，且由于人為檢測困難效率低下、存在安全隱患以及人員經(jīng)驗不足，會導致在混合建筑材料不同階段下坍落度估算值不精準且不及時的問題，因此，提供一種基于機器視覺檢測混合建筑材料坍落度的裝置及方法。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于機器視覺檢測混合建筑材料坍落度的裝置及方法，以解決上述背景技術中提出的由于人為檢測困難效率低下、存在安全隱患以及人員經(jīng)驗不足，會導致在混合建筑材料不同階段下坍落度估算值不精準且不及時的問題。

2、為實現(xiàn)上述目的，本發(fā)明目的在于提供了一種基于機器視覺檢測混合建筑材料坍落度的方法，包括：

3、s1、對采集的視頻數(shù)據(jù)按水泥強度-區(qū)域-坍落度的命名方式進行標記，構成模型訓練集和測試集；

4、s2、跳幀讀取模型訓練集的視頻圖像幀，將視頻圖像幀轉換為灰度圖像，利用圖像增強算法增強灰度圖像對比度，使用surf算法并結合orb算法提取最終視頻圖像幀的特征值點集，使用flannbasedmatcher算法對相鄰幀進行特征值匹配，篩選匹配點并計算匹配點相對位移，剔除匹配點相對位移中的異常值；

5、s3、基于匹配點相對位移，利用多項式擬合技術并結合elastic?net正則化，構建坍落度檢測模型；

6、s4、基于新視頻數(shù)據(jù)并結合坍落度檢測模型，實時計算坍落度。

7、作為本技術方案的進一步改進，所述s1中，對采集的視頻數(shù)據(jù)按水泥強度-區(qū)域-坍落度的命名方式進行標記，構成模型訓練集，具體步驟如下：

8、s1.1、采集混合建筑材料的視頻數(shù)據(jù)，按水泥強度等級、區(qū)域信息和實際坍落度將視頻數(shù)據(jù)進行分類；

9、s1.2、依據(jù)水泥強度、區(qū)域信息和坍落度命名視頻數(shù)據(jù)；

10、s1.3、將視頻數(shù)據(jù)其標記信息應導出為標準化視頻數(shù)據(jù)集格式，并劃分為模型訓練集和測試集。

11、作為本技術方案的進一步改進，所述s2中，跳幀讀取模型訓練集的視頻圖像幀，將視頻圖像幀轉換為灰度圖像，利用圖像增強算法增強灰度圖像對比度，使用surf算法并結合orb算法提取最終視頻圖像幀的特征值點集，使用flannbasedmatcher算法對相鄰幀進行特征值匹配，篩選匹配點并計算匹配點相對位移，剔除匹配點相對位移中的異常值，具體步驟如下：

12、s2.1、設定跳幀間隔，跳幀讀取模型訓練集的視頻圖像幀；

13、s2.2、將視頻圖像幀轉換為灰度圖像，使用直方圖均衡化算法增強灰度圖像對比度，并使用膨脹操作增強灰度圖像中物體輪廓，得到最終視頻圖像幀；

14、s2.3、使用surf算法對最終視頻圖像幀，通過hessian矩陣的行列式檢測surf特征點；

15、surf特征點的坐標為：

16、；

17、其中，為surf特征點坐標的橫坐標；為surf特征點坐標的縱坐標；為surf特征點坐標的描述符；

18、s2.4、使用orb算法對最終視頻圖像幀，通過fast角點檢測和brief描述符檢測orb特征點;

19、orb特征點的坐標為：

20、；

21、其中，為orb特征點坐標的橫坐標；為orb特征點坐標的縱坐標；為orb特征點坐標的描述符；

22、s2.5、將surf特征點和orb特征點合并為一組特征值點集；

23、;

24、s2.6、使用flannbasedmatcher算法對相鄰幀和的特征值點集和進行匹配得到匹配點對，計算匹配點對在幀之間的相對位移；

25、其中，為時刻的視頻圖像幀；為時刻的視頻圖像幀；為時刻的特征值點集；為時刻的特征值點集；

26、s2.7、計算所有匹配點的平均位移和均方差，剔除異常值。

27、作為本技術方案的進一步改進，所述s2.6中，使用flannbasedmatcher算法對相鄰幀和的特征值點集和進行匹配得到匹配點對；計算匹配點對在幀之間的相對位移，具體方法如下：

28、s2.6.1、在時刻的幀，匹配特征點的坐標為，描述符為；

29、s2.6.2、在時刻的幀，匹配特征點的坐標為，描述符為；

30、s2.6.3、通過歐氏距離計算匹配點對在幀之間的相對位移：

31、;

32、其中，為匹配點對在幀之間的相對位移。

33、作為本技術方案的進一步改進，所述s2.7中，計算所有匹配點的平均位移和均方差，剔除異常值，具體方法如下：

34、s2.7.1、計算個匹配點對的平均相對位移：

35、；

36、其中，是匹配點對的總數(shù)量；

37、s2.7.2、計算個匹配點對的均方差：

38、；

39、s2.7.3、剔除滿足異常條件條件的異常匹配點對，得到最終匹配點對的相對位移集；

40、；

41、其中，為最終匹配點對的相對位移集；為控制異常條件的閾值。

42、作為本技術方案的進一步改進，所述s3中，基于最終匹配點對的相對位移集，利用多項式擬合技術并結合elastic?net正則化，構建坍落度檢測模型，具體步驟如下：

43、s3.1、基于匹配點對的相對位移，利用非線性多項式擬合技術構建坍落度檢測模型；

44、s3.2、在擬合構建坍落度檢測模型中引入elastic?net正則化，建立elastic?net正則化損失函數(shù)；

45、s3.3、使用梯度下降法最小化正則化損失函數(shù)；

46、s3.4、使用模型訓練集訓練坍落度檢測模型和使用模型測試集測試坍落度檢測模型，調節(jié)坍落度檢測模型的待估系數(shù)、階數(shù)和elastic?net正則化參數(shù)和，生成最終的坍落度檢測模型。

47、作為本技術方案的進一步改進，所述s3.1中，基于匹配點對的相對位移，利用非線性多項式擬合技術構建坍落度檢測模型，具體方法如下：

48、；

49、其中，為坍落度檢測模型的待估系數(shù)；為坍落度檢測模型的階數(shù)；

50、所述s3.2，在擬合構建坍落度檢測模型中引入elastic?net正則化，建立elasticnet正則化損失函數(shù)，具體方法如下：

51、；

52、其中，為實際坍落度值；為基于第個相對位移計算的預測坍落度值；為相對位移集中的匹配點對數(shù)量；為l1正則化項的強度系數(shù)；為l2正則化項的強度系數(shù)；為elastic?net中的混合參數(shù)。

53、作為本技術方案的進一步改進，所述s3.4中，使用模型訓練集訓練坍落度檢測模型和使用模型測試集測試坍落度檢測模型，調節(jié)坍落度檢測模型的待估系數(shù)并階數(shù)和elastic?net正則化參數(shù)和，生成最終的坍落度檢測模型，具體方法如下：

54、s3.4.1、使用模型訓練集，求解坍落度檢測模型的待估系數(shù)；

55、s3.4.2、找到最優(yōu)坍落度檢測模型的階數(shù)和elastic?net正則化參數(shù)和，使用模型測試集對坍落度檢測模型進行測試，生成最終的坍落度檢測模型：

56、；

57、其中，為輸入的相對位移數(shù)據(jù)；為坍落度檢測模型預測的坍落度值。

58、作為本技術方案的進一步改進，所述s4中，基于新視頻數(shù)據(jù)并結合坍落度檢測模型，實時計算坍落度，具體方法如下：

59、計算新視頻數(shù)據(jù)的相對位移，并輸入到坍落度檢測模型中，預測得到實時坍落度值：

60、；

61、其中，為新視頻數(shù)據(jù)的相對位移；為預測的實時坍落度值。

62、另一方面，本發(fā)明提供了一種基于機器視覺檢測混合建筑材料坍落度的裝置，利用上述任意一項所述的基于機器視覺檢測混合建筑材料坍落度的方法對建筑材料坍落度進行檢測，包括高清工業(yè)攝像頭、嵌入式圖像處理單元、surf和orb特征點檢測單元、特征點匹配與位移計算模塊以及坍落度計算處理器，其特征在于：所述高清工業(yè)攝像頭用于實時采集攪拌車內混合建筑材料的視頻數(shù)據(jù)；

63、嵌入式圖像處理單元用于對高清工業(yè)攝像頭采集到的視頻數(shù)據(jù)進行處理；

64、surf和orb特征點檢測單元用于提取每幀圖像中的surf和orb特征點；

65、特征點匹配與位移計算模塊用于匹配相鄰幀中的特征點，計算匹配點之間的相對位移；

66、坍落度計算處理器用于使用訓練好的坍落度檢測模型實時計算坍落度。

67、與現(xiàn)有技術相比，本發(fā)明的有益效果：

68、1、該基于機器視覺檢測混合建筑材料坍落度的方法及系統(tǒng)中，基于surf和orb算法相結合的特征點提取與匹配技術，可以快速、精準地捕捉攪拌車內混合建筑材料的動態(tài)狀態(tài)，能夠在復雜的施工環(huán)境下實現(xiàn)更高的圖像識別精度和魯棒性，實時計算材料的坍落度。

69、2、該基于機器視覺檢測混合建筑材料坍落度的方法及系統(tǒng)中，通過多項式擬合技術和elastic?net正則化結合的坍落度檢測模型，實現(xiàn)材料坍落度的精確預測，并能夠自適應地調整模型的稀疏性和復雜度，避免過擬合現(xiàn)象，提高模型的泛化能力。