混凝土自适应智能拌合方法及装置

本发明涉及制砂技术领域，尤其涉及一种混凝土自适应智能拌合方法及装置。

背景技术：

混凝土是世界上用量最大的建筑材料。一直以来，混凝土的生产一直是粗放式的管理，对混凝土质量尤其是新拌混凝土工作性能疏于管理。而混凝土新拌工作性能关于混凝土硬化后的力学性能、耐久性能以及抗渗性能等。是一项在生产中应该尤其关注的但是又被忽视的指标性能。

自密实混凝土(self-compactingconcrete，简称scc)是指在自身重力作用下，能够流动、密实，即使存在致密钢筋也能完全填充模板，同时获得很好均质性，并且不需要附加振动的混凝土。早在20世纪70年代早期，欧洲就已经开始使用轻微振动的混凝土，但是直到20世纪80年代后期，scc才在日本发展起来。日本发展scc的主要原因是解决熟练技术工人的减少和混凝土结构耐久性提高之间的矛盾。欧洲在20世纪90年代中期才将scc第一次用于瑞典的交通网络民用工程上。随后ec建立了一个多国合作scc指导项目。从此以后，整个欧洲的scc应用普遍增加。

在现有技术中，sf(自密实混凝土坍落扩展度)和v漏斗时间是scc工作性能最常用的两个指标，自密实混凝土的工作性能对原材料的性能非常敏感。现有技术在制备混凝土时，一般是通过制砂设备、拌合设备等将混凝土制备出来以后，再评估混凝土的性能，进而调整混凝土的参数，此方法具有滞后性，制造出的混凝土质量较差。

技术实现要素：

本发明实施例提供一种一种混凝土自适应智能拌合方法，用以保证制备的混凝土的质量，该方法包括：

获取混凝土的原材料参数；

根据混凝土的原材料参数调整预设第一配合比，获取第二配合比；

根据所述第二配合比对混凝土的原材料进行搅拌，获取混凝土；

判断所述混凝土的性能是否符合预设要求，若符合，则完成拌合，若不符合，则对所述混凝土中各原材料的含量进行调整。

可选的，所述混凝土为自密实混凝土。

可选的，对所述混凝土中各原材料的含量进行调整之后，所述方法还包括：

记录对所述混凝土中各原材料调整的量；

根据对所述混凝土中各原材料调整的量，获取第三配合比。

可选的，根据所述第二配合比对混凝土的原材料进行搅拌之前，所述方法还包括：

对所述混凝土的各原材料进行计量。

可选的，所述原材料的参数信息包括：砂的含水率数据、粗骨料的含水率数据、砂的含粉量数据、砂的级配数据、砂石的二维和三维几何数据。

可选的，所述混凝土的性能参数包括：塌落度、塌落扩展度sf、v漏斗时间vf、流动性、填充性、抗离析指标和保塑性。

本发明实施例还提供一种混凝土自适应智能拌合装置，用以保证制备的混凝土的质量，该装置包括：

参数获取模块，用于获取混凝土的原材料参数；

第二配合比调整模块，用于根据混凝土的原材料参数调整预设第一配合比，获取第二配合比；

混凝土获取模块，用于根据所述第二配合比对混凝土的原材料进行搅拌，获取混凝土；

判断模块，用于判断所述混凝土的性能是否符合预设要求，若符合，则完成拌合，若不符合，则对所述混凝土中各原材料的含量进行调整。

可选的，所述混凝土为自密实混凝土。

可选的，所述装置还包括：

参数记录模块，用于记录对所述混凝土中各原材料调整的量；

第三配合比调整模块，用于根据对所述混凝土中各原材料调整的量，获取第三配合比。

可选的，所述装置还包括：

计量模块，用于对所述混凝土的各原材料进行计量。

可选的，所述原材料的参数信息包括：砂的含水率数据、粗骨料的含水率数据、砂的含粉量数据、砂的级配数据、砂石的二维和三维几何数据。

可选的，所述混凝土的性能参数包括：塌落度、塌落扩展度sf、v漏斗时间vf、流动性、填充性、抗离析指标和保塑性。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。

本发明实施例中，通过获取混凝土的原材料参数，根据混凝土的原材料参数调整预设第一配合比，获取第二配合比，根据所述第二配合比对混凝土的原材料进行搅拌，获取混凝土，再判断所述混凝土的性能是否符合预设要求，若符合，则完成拌合，若不符合，则对所述混凝土中各原材料的含量进行调整，在拌合混凝土的过程中可以根据实时数据进行了二次调节，不具有滞后性，保证了混凝土的质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中混凝土自适应智能拌合方法的流程图；

图2为本发明实施例中混凝土自适应智能拌合装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

图1为本发明实施例提供的一种混凝土自适应智能拌合方法的流程图，如图1所示，该方法包括：

步骤101、获取混凝土的原材料参数。

步骤102、根据混凝土的原材料参数调整预设第一配合比，获取第二配合比。

步骤103、根据所述第二配合比对混凝土的原材料进行搅拌，获取混凝土。

步骤104、判断所述混凝土的性能是否符合预设要求，若符合，则完成拌合，若不符合，则对所述混凝土中各原材料的含量进行调整。

本发明实施例提供的混凝土自适应智能拌合方法，通过获取混凝土的原材料参数，根据混凝土的原材料参数调整预设第一配合比，获取第二配合比，根据所述第二配合比对混凝土的原材料进行搅拌，获取混凝土，再判断所述混凝土的性能是否符合预设要求，若符合，则完成拌合，若不符合，则对所述混凝土中各原材料的含量进行调整，在拌合混凝土的过程中可以根据实时数据进行了二次调节，不具有滞后性，保证了混凝土的质量。

其中，混凝土可以为自密实混凝土。

所述原材料的参数信息包括：砂的含水率数据、粗骨料的含水率数据、砂的含粉量数据、砂的级配数据、砂石的二维和三维几何数据。

对于砂石中的石粉含量，可以通过以下方法获取：

步骤100：获取目标机制砂图像数据。

在步骤100中，对于堆放的机制砂，可直接利用图像采集设备于任意角度、距离取像。图像采集设备包括但不限于手机、相机、摄像机、摄像头、监控等。

可以理解的是，所述目标机制砂图像数据是指目标区域内的机制砂堆的图像，该图像可以从任意角度进行采集。

步骤200：将所述目标机制砂图像数据输入训练好的石粉含量检测模型，并基于该石粉含量检测模型的输出确定所述目标机制砂图像数据对应的机制砂中的石粉含量检测结果数据。

在步骤200中，可以将机制砂表面图像信息输入通过机器学习训练好的模型，并自动计算得出机制砂的石粉含量。所述石粉含量检测模型预先基于预设的机器学习模型训练得到，该机器学习模型具体可以为深度学习模型，例如卷积神经网络。

具体来说，上述步骤100至步骤200提供的方案的应用，测试不需要使用检测仪器和试剂，采用非接触式的图像采集与人工智能计算的方式，图像采集设备便携，图像信息取样便利；实时获取机制砂石粉含量，采集机制砂表面图像信息后即可实时得到目标信息，可以实现机制砂生产过程中的实时调整以及施工等场景下的石粉含量快速验核，省时省力；不依赖于工程人员的经验，排除人为误差，能够较好地控制输出成果的准确程度。

从上述描述可知，本申请实施例在获取砂石中的石粉含量时，通过图像获取及人工智能技术，能够实现对机制砂石粉含量的非接触式检测，能够有效提高非接触式石粉含量智能化实时检测过程的智能化程度、自动化程度、便捷性及效率，并能够有效提高非接触式机制砂石粉含量智能化实时检测结果的准确性及实时性，从而实现机制砂在生产过程中的实时调整，以及工程人员在没有检测仪器、没有实验试剂等场景下的快速验核工作，避免了抽样不具代表性所带来的准确性差和重复实验所需的人力物力消耗大等问题，并且适用于多种应用场景，例如在机制砂销售场景中，无需检测人员到场，仅需根据非接触式采集到的机制砂图像即可以为买家提供机制砂检测结果，又例如在机制砂生产场景中，生产人员仅需根据非接触式采集的机制砂图像即可以为生产人员提供机制砂中石粉含量调整或石粉含量质检提供机制砂检测结果。

对于砂石中的级配，可以通过以下方法获取：

步骤300：根据预设分计筛余率变化梯度确定不同粒径的砂石筛余占比约束，并根据所述砂石筛余占比约束确定分计筛余率系列集。

可以理解的是，砂石细度模数和级配都与砂的分计筛余决定，因为针对此该两个参数的检测，可以转换为对分计筛余的检测，也就是转换成筛余率。

可选的，本申请通过确定一分计筛余率系列集，以用于砂石图像的选取。

举例来说，首先，可以设分计筛余系列集为s＝{ej}，其中ej为集合s的元素，每一个元素ej可以代表一种分计筛余组合情况。

然后，通过设置合理的分计筛余率变化梯度d，例如d＝0.1％或其整数倍，对于分计筛余率本身每个孔径的筛上有一个筛余，记为bi,j，假设粒径由大到小依次记为b1,j—b6,j(例如筛余b1％，就记为b1)。

在本申请的其他一些实施例中，实际上还有一个筛底，也就是通过0.15mm筛孔的砂的比例，也作为一个参数记为b7,j。

最后，根据分计筛余的定义和所设置的分计筛余梯度设置，对于集合s中的任意元素ej，可以由bi,j表示出来，且bi,j之间有如下约束：

通过遍历满足上述约束的任何一种ej的情况，即可得到一个完整的分计筛余率系列集s。

步骤400：根据所述分计筛余率系列集中的各分计筛余组合所相应配置的砂，得到砂石特征图像数据集。

可选的，在进行砂石特征图像的获取前，可以先根据规范要求，筛分出各个分计筛余率系列集中的各分计筛余组合孔径的砂，足量备用，分别储存于相应容器中，然后根据上述步骤300确定的分计筛余率系列集中的各分计筛余组合配制相应的砂，然后对每一个筛余率组合的砂获取对应的图像。

可选的，获取图像的设备包括：手机、数码相机、模块化摄像头等图像传感器。可以获取不同角度、距离(图像传感器到砂表面的距离)和分辨率的照片，其中，优选的，可以获取固定角度、分辨率、和距离照片。

可以理解的是，相同的细度模数或者级配会可能会对应不同的筛余率组合(ej)，另外，不同母岩、不同产地、不同类型(天然砂、机制砂)，可以筛分的每种砂独立掺混配制得到不同的筛余率组合(ej)，也可以多种不同的砂混合掺混配制得到不同的筛余率组合(ej)。

步骤500：根据所述砂石特征图像数据集训练预设机器学习模型，并根据经过所述训练的机器学习模型进行砂级配预测操作，得到砂级配预测结果。

可以理解的是，通过上述步骤得到的图像数据集样本更均匀，将其输入机器学习训练计算后，所得到的计算模型鲁棒性佳，识别准确率高。

所述混凝土的性能参数包括：塌落度、塌落扩展度sf、v漏斗时间vf、流动性、填充性、抗离析指标和保塑性。

其中，对于塌落度、塌落扩展度sf、v漏斗时间vf，其实时获取方法如下：建立搅拌过程视频与sf和v漏斗时间的数据集，然后用数据集对时序型的机器学习模型(尤其是深度学习)进行训练，得到一个通过输入搅拌过程的视频就可以判断工作性能(sf和v漏斗时间)的模型，从而实现工作性能的实时判断，采用传统的滞后的非实时的工作性能测试手段是做不到的。

对于抗离析指标，其性能分析方法示例如下：

将各组流动混凝土视频预处理图像输入预先训练得到的离析程度分析模型，得到各组流动混凝土视频预处理图像分别对应的混凝土抗离析性能标签；

可以理解的是，流动混凝土视频预处理图像可以采集于不同的应用场景，例如：采集搅拌机内正在搅拌的流动混凝土视频，这些搅拌机可以包括但不限于梨型、鼓筒型、双锥形、圆盘立轴式及圆槽卧轴式(单、双轴)搅拌机等；另外也可以采集坍落扩展度实验中的流动混凝土视频；还可以采集搅拌运输车灌装混凝土口的流动混凝土视频；采集混凝土从搅拌运输车倒入混凝土泵车内的流动混凝土视频；以及采集混凝土从泵管泵出的流动混凝土视频。本申请不以此为限。

需要说明的是，若采集的是流动混凝土拌和过程中的视频，则可以舍弃混凝土尚未拌和均匀段的视频，而主要采用拌和均匀段的视频，以达到更优的分析效果。

还需说明的是，之所以称之为“各组流动混凝土视频预处理图像”是因为流动混凝土视频在被采集后，本领域技术人员可以对其进行剪裁及抽帧处理，以使其达到更好的展示效果后再输入预先训练得到的离析程度分析模型。剪裁及抽帧处理可使原有的一段较长的流动混凝土视频图像转变为多段流动混凝土视频预处理图像。由于离析程度分析模型预先经过深度学习训练，当各组流动混凝土视频预处理图像被输入至离析程度分析模型时，离析程度分析模型可以对上述各组流动混凝土视频预处理图像进行分析，得到各组流动混凝土视频预处理图像分别对应的混凝土抗离析性能标签。

另需说明的是，在视频采集过程中，拍摄设备应尽可能固定放置，视频的拍摄角度不限，尽量去除视频界面中除混凝土以外的其他杂物。具体地，针对搅拌机内正在搅拌的流动混凝土视频，应尽量保证视频包含搅拌机口的各边界及大部分的搅拌机腹部内壁；针对坍落扩展度实验的流动混凝土视频，应尽量保证视频包含整个自密实混凝土的坍落扩展度饼；针对搅拌运输车灌装混凝土口的流动混凝土视频，应尽量保证视频包含混罐车口的各边界及大部分内壁；针对混凝土从搅拌运输车倒入混凝土泵车内的流动混凝土视频，应尽量保证视频包含混凝土整个流动边界；针对混凝土从泵管泵出的流动混凝土视频，应尽量保证视频包含混凝土整个流动边界。

根据所述混凝土的抗离析性能标签确定混凝土离析程度。

可以理解的是，本申请实施例中各组流动混凝土视频预处理图像分别对应有混凝土抗离析性能标签，这些标签可能包括：“不离析”、“轻微离析”、“中度离析”及“重度离析”。各组流动混凝土视频预处理图像分别对应的混凝土抗离析性能标签可能不同，取多数者作为流动混凝土视频中混凝土最终的离析程度标签，确定混凝土离析程度。

从上述描述可知，本申请能够利用深度学习技术得到离析程度分析模型，对流动混凝土视频图像中混凝土的离析程度进行分析，减少了人工判断混凝土离析程度的误差，提高了判断混凝土离析程度的准确性，满足了快速、实时获取混凝土离析程度的技术需求，为快速获得抗离析性能较好的混凝土提供了技术支持。

一实施例中，在将各组流动混凝土视频预处理图像输入预先训练得到的离析程度分析模型，得到各组流动混凝土视频预处理图像分别对应的混凝土抗离析性能标签之前，还包括：

对流动混凝土视频图像进行剪裁及抽帧，得到多组流动混凝土视频预处理图像。

关于混凝土抗离析性能的指标的确定：

s1：根据自密实混凝土的物理参数及坍落扩展度饼的几何参数确定新拌自密实混凝土抗离析性能的基础指标值；其中，基础指标值包括：长度指标值、面积指标值及体积指标值；

可以理解的是，在实际工程中，在进行新拌自密实混凝土抗离析性能分析时，可先对新拌自密实混凝土进行坍落扩展度试验，得到坍落扩展度饼。然后利用直尺等常规测量工具对该坍落扩展度饼进行几何参数测量，这些参数包括但不限于饼体直径及饼体高度。另外，新拌自密实混凝土具有其固有的物理参数，这些参数包括但不限于新拌自密实混凝土中粗骨料的体积及密度。根据新拌自密实混凝土的物理参数及坍落扩展度饼的几何参数可以确定新拌自密实混凝土抗离析性能的基础指标值。这些基础指标值反映了新拌自密实混凝土的长度特征、面积特征及体积特征。

具体地，长度指标值包括饼体最大直径d1、饼体最小直径d2、饼体最大高度h1、中心扎堆骨料最大直径d3、中心扎堆骨料最小直径d4及中心扎堆骨料最大高度h2；面积指标值包括泌水面积s1、未被砂浆包裹的粗骨料面积s2、非泌水面积s3及中心扎堆骨料面积s4；体积指标值包括粗骨料的总体积v1、未被砂浆包裹的粗骨料的体积v2、未被砂浆包裹的粗骨料漏出部分的体积v3、泌水水体体积v6及中心扎堆骨料的体积v7、新拌自密实混凝土的总体积v4、新拌自密实混凝土中砂浆的体积v5及水当量体积v8。

s2：根据基础指标值确定新拌自密实混凝土抗离析性能的衍生指标值；其中，衍生指标值包括：泌水指标、砂浆包裹粗骨料程度指标及中间石子堆积指标；

可以理解的是，为了更好地分析新拌自密实混凝土抗离析性能，本申请还提出了多个衍生指标值。这些衍生指标值可以通过上述基础指标值确定，反映了新拌自密实混凝土的泌水程度、砂浆包裹粗骨料程度及中间石子堆积程度。本领域技术人员知道新拌自密实混凝土抗离析性能在坍落扩展度饼的边缘无泌水时情况更好，在砂浆完全包裹住粗骨料时情况更好，在坍落扩展度饼的中间无石子堆积时情况更好。

本申请提出的衍生指标值中，利用或能够表征新拌自密实混凝土的泌水程度；利用或能够表征砂浆包裹粗骨料程度；利用或能够表征中间石子堆积程度；利用或能够表征砂浆包裹粗骨料程度；利用或能够表征砂浆包裹粗骨料程度；利用或或能够表征新拌自密实混凝土的泌水程度；利用或能够表征中间石子堆积程度；利用或能够表征砂浆包裹粗骨料程度。其中，d11及d21分别表示含泌水区最大直径及含泌水区最小直径。

s3：根据衍生指标值及预设的新拌自密实混凝土抗离析性能的分析阈值对新拌自密实混凝土抗离析性能进行分析。

可以理解的是，本申请可以预设设定新拌自密实混凝土抗离析性能的分析阈值，参见表1～表8。以下阈值可分别对应于s2中所述的各程度指标所对应的计算结果。

表1

表2

表3

表4

表5

表6

表7

表8

从上述描述可知，本申请能够确定新拌自密实混凝土抗离析性能的基础指标值，进而确定新拌自密实混凝土抗离析性能的衍生指标值，对新拌自密实混凝土抗离析性能进行分析。

当基础指标值为长度指标值时，根据新拌自密实混凝土的物理参数及坍落扩展度饼的几何参数确定新拌自密实混凝土抗离析性能的基础指标值，包括：

获取坍落扩展度饼的饼体最大直径d1、饼体最小直径d2及饼体最大高度h1；其中，饼体最大直径d1包括含泌水区最大直径d11及非泌水区最大直径d12；饼体最小直径d2包括泌水区最小直径d21及非泌水区最小直径d22；

获取坍落扩展度饼的中心扎堆骨料最大直径d3、中心扎堆骨料最小直径d4及中心扎堆骨料最大高度h2。

可以理解的是，上述各基础指标值可以通过直尺等常规测量工具进行实际测量，从而获得各个参数。

从上述描述可知，本申请能够根据新拌自密实混凝土的物理参数及坍落扩展度饼的几何参数确定新拌自密实混凝土抗离析性能的基础指标值。

当基础指标值为面积指标值时，根据新拌自密实混凝土的物理参数及坍落扩展度饼的几何参数确定新拌自密实混凝土抗离析性能的基础指标值，包括：

对所述坍落扩展度饼对应的图像进行校正，得到其正视图；

可以理解的是，本申请实施例先用canny边缘检测算子对每帧坍落扩展度图像进行边缘检测，从而绘制面积指标值中各面积指标对应的面积边界。在检测过程中，可将坍落扩展度图像中的所有物体掏空，只剩边缘，从而得到所有物体的边缘轮廓图像。由于在进行新拌自密实混凝土坍落扩展度试验时，需将新拌自密实混凝土放在一块底板上进行试验，因此坍落扩展度图像中都会包含一块底板。一般而言，相较于坍落扩展度图像中的其他物体，底板的边缘轮廓最大，因此利用跨平台计算机视觉和机器学习软件库opencv中的函数findcounter及drawcounter可很容易地将底板的边缘轮廓找到，并按顺时针方向将底板的边缘轮廓点绘出来。这样一来，由于底板通常为一正方形，底板的四个角点可通过点绘出来的线条得以确定。一般而言，组成底板边缘轮廓的点的各坐标可以保存于一二维数组中，数组中的每一元素表示边缘轮廓中一个点的坐标信息，沿轮廓按顺时针方向储存。数组中最小的横坐标xmin及最小的纵坐标ymin所对应的点即为底板的左上角点，数组中最大的横坐标xmax及最小的纵坐标ymin所对应的点即为底板的右上角点，数组中最小的横坐标xmin及最大的纵坐标ymax所对应的点即为底板的左下角点，数组中最大的横坐标xmax及最大的纵坐标ymax所对应的点即为底板的右下角点。这四个角点的坐标值是透视变换模型的必要参数，透视变换模型对应于跨平台计算机视觉和机器学习软件库opencv中的函数getperspectivetransform，透视变换模型可实现对视频中坍落扩展度图像的底板的校正，使自然拍摄状态下歪歪斜斜的底板转化为一正视图，也就是坍落扩展度图像的mask图像。

在进行坐标计算时，可以使用底板的实际值进行定位计算也可使用坍落扩展度图像中各点的像素值进行定位计算，像素值与实际值转换公式如下：

其中，p为目标长度的像素尺寸，d为坍落扩展度图像的位深度，l为目标长度的实际尺寸，2.54为英寸转为厘米的换算。利用此公式可将底板的实际尺寸转化为像素尺寸，便于进行底板的透视变换。

在正视图中绘制面积指标值中各面积指标对应的面积边界，得到各面积区域；

本申请实施例将校正后的坍落扩展度图像加载到背景消除模型中可去除坍落扩展度图像中的背景，这些背景包括但不限于底板，从而得到仅含新拌自密实混凝土的mask图像。其中，背景消除模型能够针对视频中处于动态的物体进行分离。本申请实施例采用跨平台计算机视觉和机器学习软件库opencv中的函数backgroundsubtractorknn进行。

然后，采用分水岭算法继续对上述mask图像进行边缘检测及轮廓识别，可以绘制面积指标值中各面积指标对应的面积边界，得到各面积区域。此时采用的是跨平台计算机视觉和机器学习软件库opencv中的函数threshold。分水岭算法是一种图像区域分割方法，在分割的过程中，会先获取图像中各像素点的灰度值，然后根据各像素点的灰度值计算各像素点之间的相似度，从而将在空间位置上相近且灰度值相近的像素点互相连接起来，构成一个封闭的轮廓，最终完成对校正后的每帧坍落扩展度图像进行轮廓识别。

对各面积区域内的面积分别求和，得到坍落扩展度饼对应的各面积指标值。

从上述描述可知，本申请能够根据新拌自密实混凝土的物理参数及坍落扩展度饼的几何参数确定新拌自密实混凝土抗离析性能的基础指标值。

一实施例中，在正视图中绘制所述面积指标值中各面积指标对应的面积边界，得到各面积区域，包括：

利用预先训练得到的图像语义分割机器学习模型进行图像语义分割，得到所述面积指标值中各面积指标对应的面积边界。

可以理解的是，图像语义分割机器学习模型多种多样，本申请不以此为限。本领域技术人员知道常用的图像语义分割机器学习模型可以卷积神经网络(convolutionalneuralnetworks，cnn)或全卷积神经网络(fullyconvolutionalnetwork，fcn)等为基础进行训练。训练完成后的图像语义分割机器学习模型能够对图像中的各物体进行图像语义分割，得到本申请实施例所需要的面积边界。

从上述描述可知，本申请能够在正视图中绘制所述面积指标值中各面积指标对应的面积边界，得到各面积区域。

对于保塑性，其获取方法如下：

步骤300：获取目标混凝土在目标环境下的流动图像数据以及环境数据，其中，所述流动图像数据包括按预设顺序获取的至少两个混凝土图片数据。

在步骤300中，对于与外加剂等浆体混合后的流动的混凝土，可直接利用图像采集设备于任意角度、距离取像。图像采集设备包括但不限于手机、相机、摄像机、摄像头、监控等。

在本申请的一个或多个实施例中，所述预设顺序是指预先设置的流动图像数据中各个混凝土图片数据的排布顺序，例如按采集时间顺序排序的各个混凝土图片数据或者按图像处理时间顺序排序的的各个混凝土图片数据等。

可以理解的是，所述目标混凝土图像数据是指目标区域内的混凝土的流动图像数据，可以从任意角度进行采集。

在步骤300中，目标混凝土可以为制造或生产线中的普通混凝土或自密实混凝土，也可以为实验室中的普通混凝土或自密实混凝土。

若通过实验方式获得目标混凝土，则可以采用两种实验方式，其一为震动台实验：做一个标准的膜具(长和宽＞300mm，高＞150mm)放在震动台上(振动频率为50±5hz，振幅05±02mm)，取一定体积的混凝土(混凝土的高＞100mm)放入膜具中，待混凝土表面完全被浆体覆盖停止，整个过程进行视频拍摄取样。实验条件所对应的环境数组(优先选择温度、湿度。其二为新拌混凝土工作性能试验：采集坍落度或坍落扩展度实验时混凝土流动时候的动态视频。实验条件所对应的环境数组(优先选择温度、湿度、风速)。

基于此，在拍摄过程中应固定拍摄设备，视频拍摄角度不限，尽量保证视频界面尽可能多地包含混凝土。针对上述的震动台实验预测方法：需要尽量保证视频包含膜具口的各边界和大部分的膜具腹部内壁。针对上述的坍落度或坍落扩展度实验预测方法：需要尽量保证视频包含整个混凝土的扩展饼。

步骤400：将所述流动图像数据以及环境数据输入训练好的保塑性能检测模型，并基于该保塑性能检测模型的输出的确定所述目标混凝土在目标环境下的保塑性能检测结果数据。

在本申请的一个或多个实施例中，所述环境数据是指温度数据和湿度数据，也可以包括其他类型的环境数据，具体根据实际应用情形设置。

在步骤400中，可以将按预设顺序获取的至少两个混凝土图片数据和环境数据输入通过机器学习训练好的模型，并自动计算得出混凝土的保塑性能。所述保塑性能检测模型预先基于预设的机器学习模型训练得到，该机器学习模型具体可以为深度学习模型，例如cnn(图片特征)和lstm(预设顺序信息获取)进行特征提取。需要说明的是，本发明实施例提供的原材料的参数信息和混凝土的性能参数，主要都是实时的获取，而非传统的滞后式的获取(传统的方法一般是待混凝土制备后再进行性能测试)，该滞后式的获取方法是无法实现调节的，通过该方法获取到的混凝土，不合格率较高。

在本发明实施例中，对所述混凝土中各原材料的含量进行调整之后，所述方法还包括：

记录对所述混凝土中各原材料调整的量；

根据对所述混凝土中各原材料调整的量，获取第三配合比。

由于在混凝土拌合过程中，原材料在不断发生变化，为了便于后续调用原材料的量对应的配合比，可以在获取到第三配合比后，将该第三配合比与混凝土中各原材料的量的对应关系存储在数据库中。

为了准确掌握混凝土各原材料的量，根据所述第二配合比对混凝土的原材料进行搅拌之前，所述方法还包括：

对所述混凝土的各原材料进行计量。

基于同一发明构思，本发明实施例中还提供了一种混凝土自适应智能拌合装置，如下面的实施例所述。由于混凝土自适应智能拌合装置解决问题的原理与混凝土自适应智能拌合方法相似，因此，混凝土自适应智能拌合装置的实施可以参见混凝土自适应智能拌合方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图2为本发明实施例提供的一种混凝土自适应智能拌合装置的结构示意图，如图2所示，该方法包括：

参数获取模块201，用于获取混凝土的原材料参数；

第二配合比调整模块202，用于根据混凝土的原材料参数调整预设第一配合比，获取第二配合比；

混凝土获取模块203，用于根据所述第二配合比对混凝土的原材料进行搅拌，获取混凝土；

判断模块204，用于判断所述混凝土的性能是否符合预设要求，若符合，则完成拌合，若不符合，则对所述混凝土中各原材料的含量进行调整。

在本发明实施例中，所述混凝土为自密实混凝土。

在本发明实施例中，所述装置还包括：

参数记录模块，用于记录对所述混凝土中各原材料调整的量；

第三配合比调整模块，用于根据对所述混凝土中各原材料调整的量，获取第三配合比。

在本发明实施例中，所述装置还包括：

计量模块，用于对所述混凝土的各原材料进行计量。

在本发明实施例中，所述原材料的参数信息包括：砂的含水率数据、粗骨料的含水率数据、砂的含粉量数据、砂的级配数据、砂石的二维和三维几何数据。

在本发明实施例中，所述混凝土的性能参数包括：塌落度、塌落扩展度sf、v漏斗时间vf、流动性、填充性、抗离析指标和保塑性。

为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备。该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。

处理器可以为中央处理器(centralprocessingunit，cpu)。处理器还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。

综上所述，本发明通过获取混凝土的原材料参数，根据混凝土的原材料参数调整预设第一配合比，获取第二配合比，根据所述第二配合比对混凝土的原材料进行搅拌，获取混凝土，再判断所述混凝土的性能是否符合预设要求，若符合，则完成拌合，若不符合，则对所述混凝土中各原材料的含量进行调整，在拌合混凝土的过程中根据实时数据进行了二次调节，保证了混凝土的质量。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。